Lubię przykłady agentów, które pozostają blisko prawdziwych przepływów operacyjnych.
Ten nowy przykład Deep Agents + Azure Cosmos DB robi dokładnie to.
Zamiast wymyślać oderwany świat demo, umieszcza agenta na kolejce zgłoszeń wsparcia przechowywanej w Cosmos DB i każe mu robić rzeczy, które faktycznie interesują zespoły:
- triage pracy
- wykrywanie wzorców
- aktualizowanie rekordów
- weryfikowanie wyników
To znacznie bardziej użyteczny kształt systemu agentowego.
Prawdziwa wartość to nie „AI rozmawia z bazą danych"
Widzieliśmy już tę historię.
To, co czyni ten przykład lepszym, to dyscyplina operacyjna wokół niego:
- agent używa konkretnych narzędzi
- zapisy przechodzą przez kontrolowaną ścieżkę
- weryfikacja odczyt-po-zapisie jest częścią przepływu
- partycjonowanie i koszt zapytań są brane pod uwagę
- system działa na danych operacyjnych w stylu live, a nie na bocznym cache’u udającym rzeczywistość
Ta kombinacja czyni wzorzec interesującym.
Dlaczego Cosmos DB dobrze tu pasuje
Cosmos DB dobrze pasuje do tego rodzaju obciążenia, ponieważ dane są już dynamiczne, w kształcie dokumentu i operacyjne.
Agent może:
- czytać zgłoszenia bezpośrednio
- uruchamiać zapytania w całej kolejce, gdy potrzeba
- łatkować konkretne elementy
- utrzymywać stan i historię blisko samych danych
W scenariuszach agentowych jest to często bardziej użyteczne niż przepychanie wszystkiego przez osobną warstwę analityczną.
Moje zdanie
Najważniejszym wnioskiem jest to, że systemy agentowe stają się znacznie bardziej przekonujące, gdy operują na tych samych danych i tych samych przepływach pracy, na których biznes już polega.
To właśnie ten przykład robi dobrze.
Traktuje agenta jako uczestnika operacyjnego z jasnymi granicami narzędzi, a nie jako odłączony interfejs czatu udający pomoc.
To wzorzec wart studiowania.
Oryginalny wpis: How to Use Deep Agents with Azure Cosmos DB – Plan, act, and verify against operational data
