Что такое ИИ-агент в кастомизации PLM: закрытую систему доработали без узких специалистов

Автор подхода, функциональный архитектор Станислав, описал серию экспериментов с LLM-агентами (агентами на базе больших языковых моделей). Ключевой вывод: модели стали полезны не потому, что «поумнели», а потому что их поместили в правильный контекст и задали вектор работы. Код при этом перестал быть целью и стал рядовым артефактом процесса.

Что понадобится

• PLM-система с доступом к API (набору программных интерфейсов для взаимодействия с системой) или коллекции REST-запросов (запросов к серверу по протоколу HTTP).
• ИИ-агент с доступом к коду и файловой системе. Автор использовал агентные режимы в средах разработки, конкретные названия менялись по ходу экспериментов.
• Схемы данных системы, документация по бизнес-логике предприятия, примеры запросов (например, коллекция в Postman).
• Понимание задачи на уровне функционального архитектора или опытного внедренца: что должно получиться на выходе.
• Время: первый эксперимент занял одну сессию «пока пил кофе», но качественный результат потребовал нескольких итераций с накоплением правил.

Пошаговая инструкция

1. Сформулируйте задачу так, как ставили бы живому разработчику. Подготовьте входные данные и опишите ожидаемый выход. Автор нарисовал sequence-диаграмму (схему последовательности действий) и зафиксировал, что должно получиться, но агенту эту диаграмму не показывал, а давал задачу постепенно.

2. Поместите агента в контекст системы. Разместите его «рядом» с закрытой PLM: подключите схемы данных, покажите, как читать API, подскажите, как компоновать REST-запросы. Без контекста агент уходит в галлюцинации (когда ИИ уверенно выдумывает то, чего не было). С контекстом качество артефактов растёт.

3. Работайте итеративно, а не одним большим промптом (текстовой инструкцией для модели). Автор не писал огромное описание задачи разом, а развивал наработку в диалоге. Каждый шаг: поставить подзадачу, получить результат, проверить, скорректировать.

4. Заставьте агента самого описывать техническую реализацию и проверять её. Этот приём дал заметный рост качества от сессии к сессии. Промпт может выглядеть так:

Опиши, что именно ты сделал на этом шаге: какой запрос отправил, 
какие аргументы использовал, какой результат ожидал и какой получил. 
Если результат отличается от ожидания — зафиксируй, 
почему так произошло, и не повторяй эту практику в следующих шагах.

1. Фиксируйте неудачные практики и запрещайте их в будущих сессиях. Просите агента вести список ошибок. По наблюдению автора, это сокращает количество выдумок и лишних шагов. Новые галлюцинации всё равно появляются, но их становится меньше с каждой итерацией.

2. Проверяйте результат вручную и не доверяйте стенд агенту полностью. Автор на собственном опыте убедился: агент способен залогиниться в систему и даже найти запросы, о которых разработчик не знал. Но без контроля агент уходит в циклы, особенно когда вырабатывается контекстное окно (объём текста, который модель «помнит» в рамках одного диалога).

3. Масштабируйте: переходите от одного агента к «фабрике» с набором правил. Когда единичные сессии стабилизировались, автор выстроил систему с правилами, поиском ответов и списком ограничений, что позволило воспроизводить процесс на новых задачах.

Что с этого вам прямо сейчас?

Авторам Дзена, пишущим о технологиях. Тема ИИ-агентов в промышленных системах пока слабо раскрыта на русском языке. Объяснить аудитории, что такое ИИ-агент, на конкретном примере кастомизации, значит занять нишу до того, как она переполнится пересказами зарубежных кейсов.

Маркетологам и менеджерам продуктов. Если ваша компания внедряет или дорабатывает PLM, подход с агентами позволяет ускорить проверку гипотез и снизить зависимость от дорогих внешних специалистов. Это аргумент для обоснования бюджета на ИИ-инструменты.

Предпринимателям и ИТ-руководителям в РФ. Подход применим к российским PLM-системам и их аналогам. Ключевое условие: наличие API или набора запросов, через которые агент взаимодействует с системой. Даже закрытые системы поддаются такому подходу при наличии схем данных.

Описанный путь показывает, что понять, что такое ИИ-агент на практике, проще всего через конкретную задачу: дать агенту доступ к системе, контекст и правила, а затем шаг за шагом наращивать сложность, фиксируя и запрещая ошибки. Попробуйте на одной небольшой задаче в своей системе, не на всём проекте сразу.