Agentic AI как новый принцип проектирования систем
В архитектуре программных систем заметен сдвиг: от классических распределённых моделей к так называемым agentic‑системам. Традиционные подходы обычно нацелены на надёжность, масштабируемость и uptime. Архитектуры с агентами ставят другой акцент. Здесь важна способность системы рассуждать, учиться и вызывать доверие. Поэтому ключевой задачей становится не только точное выполнение инструкций, но и принятие обоснованных решений. Особенно это чувствуется в финансовой сфере, где требуется проверять операции и соблюдать требования compliance.
Автор текста описывает опыт разработки системы обнаружения мошенничества для клиента из финансового сектора. Сначала всё выглядело вполне привычно: типичная архитектура распределённых систем. Использовались microservices architecture, event‑driven потоки, stateless‑сервисы за API gateway, circuit breakers, retry logic, blue‑green deployments и structured logging для каждого запроса и ответа. Позже систему попросили дополнить слоем agentic AI. Предполагалось, что агент будет расследовать помеченные транзакции, собирать дополнительный контекст, оценивать риск и предлагать решение.
Когда попытались встроить такого агента, быстро стало ясно: привычные архитектурные принципы закрывают не всё. Агенту нужно было хранить контекст между несколькими этапами расследования, поэтому stateless‑подход перестал работать. Для анализа решений пришлось фиксировать не только входы и выходы, но и цепочки рассуждений. Structured logging для этого оказалось мало. Обновление версии агента тоже не вписывалось в логику развёртывания сервисов через blue‑green. Наконец, возник отдельный вопрос: какие действия агент может выполнять автономно. Это уже не похоже на формальное описание API contract.
Разница с обычными сервисами здесь принципиальная. В традиционных системах поведение детерминировано и заранее описано человеком. Agentic AI получает цель и дальше сам решает, какие инструменты вызвать, в каком порядке и с какими входными данными. Путь выполнения формируется прямо во время работы системы и опирается на рассуждение. Переход от заранее прописанных сценариев к целенаправленному принятию решений постепенно меняет сам подход к проектированию архитектуры программных систем.
Ключевые факты
Автор описывает опыт разработки системы обнаружения мошенничества для клиента из финансовых сервисов пять лет назад на основе архитектуры микросервисов, event‑driven потоков и stateless‑сервисов за API gateway.
В прошлом году систему попросили расширить agentic AI‑слоем: агент должен был расследовать отмеченные транзакции, собирать дополнительный контекст, оценивать риск и рекомендовать решение.
В течение шести недель при внедрении agentic AI автор столкнулся с четырьмя архитектурными ограничениями существующих принципов.
Среди проблем: необходимость сохранять контекст между этапами расследования, логировать цепочки рассуждений агента, отсутствие аналога blue‑green деплоя для агента и необходимость отдельно определять границы автономных действий агента.