Урок Пикассо: почему простые инструкции побеждают сложные фреймворки в разработке ИИ-агентов
Hacker News · оригинал
Материал подготовлен автоматизированной редакционной системой. Факты можно сверить по указанному первоисточнику.

Автор блога Claramap описывает эволюцию подхода к созданию ИИ-агентов: от сложных архитектур с оркестрацией и векторными базами данных к минималистичным решениям на основе Markdown-файлов. Ключевым выводом становится то, что эффективность агента определяется качеством контекста и инструментов, а не сложностью программного каркаса.
Статья предлагает практическую альтернативу распространённой практике использования тяжёлых библиотек для ИИ-агентов. Она демонстрирует, что базовые принципы чистого кода и ясного описания задач применимы к LLM, что может снизить порог входа для разработчиков и упростить отладку систем.
В своей статье на Claramap автор проводит параллель между творческим процессом Пабло Пикассо и инженерной практикой создания ИИ-агентов. Ссылаясь на знаменитую серию работ «Бык», где художник последовательно упрощал форму до нескольких линий, сохраняя узнаваемость образа, автор описывает собственный путь от сложных систем к простоте. Как и многие инженеры, он начинал с внедрения множества абстракций: оркестрационных движков, многоагентных архитектур, конечных автоматов и векторных баз данных для памяти. Однако по мере улучшения возможностей языковых моделей стало очевидно, что значительная часть этой сложности была избыточной. Оказалось, что многие задачи решаются с помощью одного хорошо сформулированного промпта без необходимости в elaborate planning mechanisms.
Текущий рабочий процесс автора сводится к созданию простой директории в терминале и запуску диалога с моделью (в примере используется Claude). Вместо выбора фреймворка, ключевым шагом становится определение сути задачи: что именно должен делать агент, каковы критерии успеха и какие решения он может принимать автономно. Контекст для агента — информация о бизнесе, клиентах или кодовой базе — хранится в виде Markdown-файлов прямо в папке проекта. Это устраняет необходимость в сложных системах памяти, если только данные не требуют динамического извлечения.
Инструменты для агента добавляются по мере необходимости: доступ к веб-поиску, базам данных или API реализуется через плагины или MCP-коннекторы. Автор подчёркивает важность минимизации набора инструментов, запрашивая у модели помощь в определении самого маленького необходимого набора. Запуск агента может быть интерактивным или «headless» (без интерактивного чата), что позволяет интегрировать его в автоматизированные процессы через cron-задачи или вебхуки. В headless-режиме модель получает задачу, выполняет её в изолированной папке и возвращает результат, который может быть структурированным JSON для дальнейшей обработки другими программами.
Критически важным аспектом является отладка и улучшение качества работы. Автор использует локальные транскрипты сессий, которые фиксируют все действия модели, вызовы инструментов и их результаты. Анализируя эти логи, можно точно определить, где агент ошибся: не хватило контекста, была неверно интерпретирована инструкция или возникла ошибка в инструменте. Извлечённые уроки затем записываются обратно в файлы инструкций или примеры, что приводит к улучшению работы агента без смены базовой модели.
Для строгой оценки прогресса автор рекомендует использовать бенчмарки (evals) — набор репрезентативных задач с чёткими критериями успеха. Это позволяет сравнивать эффективность разных моделей или конфигураций. В разделе об оркестрации описывается подход, при котором корневой агент выступает в роли «главного администратора», делегируя задачи специализированным суб-агентам, каждый из которых имеет свою папку с инструкциями и инструментами.
В качестве практического примера автор приводит процесс публикации самой этой статьи. Агент, работающий в папке сайта, редактирует Markdown, генерирует иллюстрации, собирает сайт и деплоит его на Cloudflare через MCP. Инструкции по публикации включают обновление аналитики и генерацию файлов для LLM. Автор отмечает, что этот подход не требует использования популярных фреймворков вроде LangChain или Pydantic. Главное — выбрать конкретную задачу, предоставить агенту необходимый контекст и инструменты, а затем позволить ему работать, постепенно уточняя инструкции на основе обратной связи. Простота, как в случае с быком Пикассо, оказывается более эффективной, чем избыточная сложность.