Мне нравятся примеры агентов, которые остаются близки к реальным операционным процессам.
Этот новый пример Deep Agents + Azure Cosmos DB делает именно это.
Вместо того чтобы изобретать оторванный от жизни демо-мир, он помещает агента поверх очереди тикетов поддержки, хранящейся в Cosmos DB, и просит его делать то, что команды действительно ценят:
- разбор приоритетов (триаж) работы
- обнаружение паттернов
- обновление записей
- проверку результатов
Это гораздо более полезная форма для системы агентов.
Настоящая ценность — не «ИИ разговаривает с базой данных»
Эту историю мы уже видели.
Что делает этот пример лучше — операционная дисциплина вокруг него:
- агент использует конкретные инструменты
- записи проходят через контролируемый путь
- проверка чтения после записи — часть процесса
- учитываются партиционирование и стоимость запросов
- система работает с данными в стиле реальных операций, а не с побочным кэшем, притворяющимся реальностью
Именно это сочетание делает паттерн интересным.
Почему Cosmos DB хорошо подходит здесь
Cosmos DB хорошо подходит для такого типа нагрузки, потому что данные уже динамичны, документоориентированы и операционны.
Агент может:
- читать тикеты напрямую
- выполнять запросы по всей очереди, когда нужно
- обновлять (patch) конкретные элементы
- держать состояние и историю близко к самим данным
Для сценариев с агентами это часто полезнее, чем сначала прогонять всё через отдельный аналитический слой.
Моё мнение
Главный вывод здесь в том, что системы агентов становятся намного убедительнее, когда они работают с теми же данными и теми же процессами, на которые бизнес уже полагается.
Именно это данный пример делает правильно.
Он рассматривает агента как операционного участника с чёткими границами инструментов, а не как оторванный чат-интерфейс, притворяющийся, что помогает.
Это паттерн, достойный изучения.
Оригинальный пост: How to Use Deep Agents with Azure Cosmos DB – Plan, act, and verify against operational data
