АРХИТЕКТУРА
КОРПОРАТИВНЫХ LLM

Решение: Возобновляйте с полной историей диалога, но программно отфильтруйте предыдущие tool_result-сообщения. Оставьте только ходы человека/ассистента, чтобы агент был вынужден заново запросить данные при возобновлении. Это гарантирует, что возвращающиеся клиенты всегда получают свежую, актуальную информацию.

"shipping_address": {...},
"payment_method": {...},
"tracking_history": [...],
"order_total": ...,
"order_cost": ...,
"payment_history": [...],
"user_preferences": null,
...

"items": [...],
"purchase_date": ...,
"return_window": ...,
"status": ...

Паттерн: фильтрация на стороне приложения

Извлекайте только релевантные поля (товары, дата покупки, окно возврата, статус) из каждого ответа заказа, удаляя избыточные подробности до передачи в диалог. Эта стратегия соответствует управлению множественными объёмными ответами инструментов в сессии поддержки.

● Стратегия: Суммируйте более ранние, решённые ходы в нарративное описание, сохраняя полную историю сообщений дословно только для активной, нерешённой проблемы.

$ Agent execution...

Агент использует встроенный Grep для поиска импортов.
│
└→ {name: analyze_dependencies}

$ Agent execution...

Агент использует кастомный инструмент для зависимостей.
├→ - list_imports
├→ - resolve_transitive_deps
└→ - detect_circular_deps

Решение

Разбейте широкие инструменты на узкоспециализированные. Улучшите описания MCP-инструментов, чтобы явно указывать возможности, ожидаемые выходы и когда предпочитать их перед манипуляцией текстом. Это аналогично переходу на кастомные инструменты рефакторинга вместо стандартных Bash/sed.

Команда

Используйте fork_session для создания двух отдельных веток из базового анализа. Это позволяет независимое, глубокое исследование A/B-сценариев без контаминации контекста.

Ключевые находки:
- Структура модуля X
- API-эндпоинт Y
- Решение: использовать паттерн Z

Архитектурная карта:
...

Принятые решения:
...

Паттерн: Пусть агент активно ведёт scratchpad-файл, записывая ключевые находки, архитектурные карты и решения. Он обращается к этому плотному, структурированному файлу для последующих вопросов, вместо «сырой» истории сообщений.

Действие

Возобновите сессию из прежней стенограммы, но явно сообщите агенту, какие конкретно файлы или функции изменились, для целенаправленного перечитывания. Не форсируйте полное перечитывание и не делайте вид, что ничего не изменилось.

resume_session --update_context={files:['File C', 'File D', 'File E'], changes:'renamed utility functions'}

Паттерн архитектора: Отвяжите состояние от вызова. Пусть подагенты индексируют свои результаты в общее векторное хранилище. При выполнении последующие агенты используют семантический поиск для извлечения только релевантных предыдущих находок. Эта архитектура предотвращает потерю состояния при сбое мультиагентного конвейера посередине обработки.

{
    "model": "claude-3-opus-20240229",
    "max_tokens": 1024,
    "messages": [
        {"role": "user", "content": "Извлеки метаданные из этой статьи и найди её DOI."}
    ],
    "tools": [
        {"name": "extract_metadata", "description": "..."},
        {"name": "lookup_citations", "description": "..."}
    ],
    "tool_choice": {"type": "tool", "name": "extract_metadata"}
}

Принуждение

Не надейтесь на «уговаривание» промптом. Используйте ограничения API. Установите tool_choice для первого API-вызова, чтобы гарантировать выполнение конвейера в нужном порядке. Это гарантирует, что структурированное извлечение метаданных происходит до любого поиска DOI или обогащения.

Подход архитектора

Указывайте цели исследования и критерии качества, а не процедурные шаги. Пусть специализированный подагент сам определит стратегию поиска. Держите интерфейсы инструментов универсальными, но добавляйте enum-параметры (например, analysis_type: extraction | summarization) для направления поведения.