Разработка мультиагентных систем для глубокого поиска

Большинство AI-поисковиков останавливаются на этапе поиска и извлечения информации. Они получают вопрос пользователя, ищут информацию в интернете или базе знаний, собирают несколько документов и генерируют ответ. Для простых запросов этого достаточно, но сложные исследовательские задачи быстро выявляют ограничения такого подхода: требуется планирование, декомпозиция вопроса, сравнение источников, проверка актуальности, работа с противоречиями и структурированный синтез информации.

Этот воркшоп посвящён проектированию мультиагентных систем глубокого поиска (Deep Search), которые выходят далеко за рамки обычного поиска и базового RAG.

Вы научитесь проектировать архитектуру глубокого поиска, в которой агенты самостоятельно планируют исследование, разбивают сложные вопросы на подзадачи, используют различные инструменты, собирают доказательства из нескольких источников, оценивают качество информации, учитывают даты и актуальность данных, разрешают противоречия и объединяют результаты в надёжный итоговый ответ.

Это практико-архитектурный воркшоп с фокусом на проектировании систем. Основное внимание уделяется ключевым компонентам, архитектурным решениям, компромиссам и паттернам построения надёжных Deep Search-агентов, без глубокого погружения в написание кода.

Чему вы научитесь

В рамках воркшопа вы разберёте:

• Что такое Deep Search-агенты и зачем они нужны
• Разницу между LLM, AI-агентами и Deep Search-агентами
• Почему обычного поиска и базового RAG недостаточно для сложных исследовательских задач
• Как проектировать архитектуру мультиагентной системы глубокого поиска
• Роли Planner, Executor, Validation и Merger-агентов, а также слоя непрерывного улучшения
• Как разбивать сложные темы на отдельные исследовательские вопросы
• Как проектировать итеративные циклы поиска
• Как определять, когда необходимо продолжить поиск, а когда информации уже достаточно
• Как организовать взаимодействие агентов с инструментами для поиска, веб-скрейпинга, OCR, API, баз данных и обогащения данных
• Чем инструменты отличаются от MCP
• Почему качественные описания инструментов важны для надёжного поведения агентов
• Зачем нужны строгие схемы данных и валидация с помощью Pydantic
• Как оценивать надёжность источников и качество полученной информации
• Как работать с противоречиями между различными источниками
• Как учитывать актуальность информации, даты и изменения данных со временем
• Как объединять информацию из множества источников
• Как сохранять происхождение и подтверждение источников (source provenance)
• Как формировать чистый и структурированный итоговый результат
• Как управлять краткосрочным контекстом и долгосрочной памятью агентов
• Как создавать слой непрерывного улучшения Deep Search-системы
• Как проводить комплексную оценку Deep Search-агентов от начала до конца

Что входит в курс

• Полная запись воркшопа — доступ ко всей записи занятия, которую можно изучать в удобном темпе.
• Полный набор слайдов — презентацию, использованную на воркшопе, включая архитектурные схемы, рабочие процессы и паттерны проектирования.
• Технические заметки / справочник — подробное 200-страничное руководство с ключевыми концепциями, архитектурными решениями и практическими паттернами, разобранными в рамках занятия.
• GitHub-репозиторий с кодом — исходный код для создания Deep Search-агента, аналогичного системе, рассматриваемой на воркшопе.
• Blueprint архитектуры Multi-Agent Deep Search — наглядную схему системы, показывающую взаимодействие планировщика, исполнителей, валидаторов, слоя объединения результатов, памяти и механизма улучшения.
• Справочник по проектированию инструментов — примеры инструментов для Deep Search-систем, включая поиск, веб-скрейпинг, OCR и обработку изображений, преобразование видео в текст, обогащение данных и инструменты для рассуждений.

Для кого этот воркшоп

Курс будет полезен:

• AI-инженерам, разрабатывающим агентные системы
• Data Scientist, переходящим к разработке LLM-приложений
• Разработчикам, работающим с RAG, AI-агентами и поисковыми системами
• Техническим основателям, создающим AI-ассистентов для исследований
• Специалистам, которые хотят научиться проектировать надёжные системы глубокого поиска и многоагентные AI-системы