От платформы рабочих процессов к ИИ-оркестратору: концепция суперагента от Airtable

Компания Airtable применяет свою ориентированную на данные философию дизайна к ИИ-агентам, представив во вторник Superagent. Это автономный исследовательский агент, который развертывает команды специализированных ИИ-агентов, работающих параллельно для выполнения исследовательских задач.

Техническая инновация заключается в том, как координатор (оркестратор) Superagent поддерживает контекст. Более ранние агентские системы использовали простую маршрутизацию моделей, где промежуточное звено фильтровало информацию между ними. Координатор Airtable сохраняет полную видимость всего процесса выполнения: первоначального плана, шагов выполнения и результатов работы субагентов. Это создает то, что соучредитель Хоуи Лю называет «связным путешествием», в ходе которого координатор принимал все решения на каждом этапе.

«В конечном счете все сводится к тому, как вы используете способность модели к саморефлексии», — рассказал Лю в интервью VentureBeat. Лю соосновал Airtable более десятка лет назад, заложив в ее основу реляционную базу данных на базе облачных технологий.

Airtable построила свой бизнес на одной-единственной ставке: программное обеспечение должно адаптироваться под то, как работают люди, а не наоборот. Эта философия обеспечила рост до более чем 500 000 организаций (включая 80% компаний из списка Fortune 100), которые используют ее платформу для создания кастомных приложений под свои рабочие процессы.

Технология Superagent является эволюцией возможностей, изначально разработанных компанией DeepSky (ранее известной как Gradient), которую Airtable приобрела в октябре 2025 года.

От структурированных данных к агентам свободной формы

Лю описывает Airtable и Superagent как взаимодополняющие форм-факторы, которые в совокупности отвечают различным потребностям предприятий. Airtable предоставляет структурированную основу, а Superagent справляется с неструктурированными исследовательскими задачами.

«Очевидно, мы начинали со слоя данных. Это заложено в самом названии Airtable: это таблица данных (table of data)», — отметил Лю.

Платформа развивалась как каркас вокруг этой основной базы данных, обрастая возможностями рабочих процессов, автоматизацией и интерфейсами, масштабируемыми на тысячи пользователей. «Я считаю, что Superagent — это отличный взаимодополняющий форм-фактор, который носит крайне неструктурированный характер, — сказал Лю. — По своей природе эти агенты очень свободны по форме».

Решение о создании возможностей свободной формы отражает накопленный индустрией опыт работы со все более мощными моделями. По словам Лю, поскольку модели стали умнее, лучший способ их использования заключается в том, чтобы накладывать как можно меньше ограничений на их работу.

Как работает мультиагентная система Superagent

Когда пользователь отправляет запрос, координатор создает наглядный план, который разбивает сложную исследовательскую задачу на параллельные рабочие потоки. Например, если вы исследуете компанию для инвестиций, система разделит эту задачу на различные части: исследование команды, анализ истории финансирования, изучение конкурентной среды. Каждый рабочий поток делегируется специализированному агенту, который выполняет его независимо. Эти агенты работают параллельно, их действия координируются системой, и каждый вносит свой вклад в общий результат.

Хотя Airtable описывает Superagent как мультиагентную систему, она опирается на центральный координатор, который планирует, распределяет и контролирует подзадачи, что представляет собой более контролируемую модель по сравнению с полностью автономными агентами.

Координатор Airtable сохраняет полную видимость всего процесса выполнения: первоначального плана, шагов выполнения и результатов работы субагентов. Это создает то, что Лю называет «связным путешествием», в котором координатор принимает все решения на пути к цели. Подход с использованием субагентов агрегирует очищенные результаты, не засоряя контекст основного координатора. Superagent использует несколько передовых моделей для выполнения различных подзадач, включая продукты от OpenAI, Anthropic и Google.

Это решает две проблемы: управление окнами контекста путем агрегирования очищенных результатов без «загрязнения» и обеспечение адаптации в процессе выполнения.

«Возможно, система попыталась выполнить исследовательскую задачу определенным способом, который не сработал, не смогла найти нужную информацию и тогда решила попробовать что-то еще, — пояснил Лю. — Она знает, что первая попытка была неудачной. Поэтому она не совершит ту же ошибку снова».

Почему семантика данных определяет производительность агентов

С точки зрения разработчика, Лю утверждает, что производительность агентов больше зависит от качества структуры данных, чем от выбора модели или промпт-инженерии. Он основывается на опыте Airtable по созданию внутреннего инструмента анализа данных для выяснения того, что действительно работает.

Эксперимент с внутренним инструментом показал, что подготовка данных потребовала больше усилий, чем настройка самого агента.

«Мы обнаружили, что сложнее всего было справиться вовсе не с обвязкой агента (agent harness), а с тонкой настройкой семантики данных, — сказал Лю. — Агенты действительно извлекают огромную пользу из качественной семантики данных».

Работа по подготовке данных была сосредоточена на трех направлениях: реструктуризация данных, чтобы агенты могли находить нужные таблицы и поля; прояснение того, что представляют собой эти поля; и обеспечение возможности надежного использования этих данных агентами в запросах и анализе.

Что нужно знать бизнесу

Для организаций, оценивающих мультиагентные системы или создающих собственные решения, опыт Лю указывает на несколько технических приоритетов.

Архитектура данных предшествует развертыванию агентов. Внутренний эксперимент показал, что предприятиям следует готовиться к тому, что подготовка данных потребует больше ресурсов, чем настройка агентов. Организации с неструктурированными данными или плохой документацией по схемам столкнутся с проблемами надежности и точности агентов независимо от сложности используемой модели.

Управление контекстом имеет критическое значение. Простого объединения различных языковых моделей (LLM) для создания агентного рабочего процесса недостаточно. необходим полноценный координатор контекста, способный поддерживать состояние и информацию с обзором всего рабочего процесса в целом.

Реляционные базы данных имеют значение. Архитектура реляционных баз данных обеспечивает более понятную семантику для навигации агентов, чем хранилища документов или неструктурированные репозитории. Организациям, стандартизирующим NoSQL из соображений производительности, стоит рассмотреть возможность сохранения реляционных представлений или схем для использования агентами.

Оркестрация требует возможностей планирования. Подобно тому как реляционная база данных имеет планировщик запросов для оптимизации результатов, агентные рабочие процессы нуждаются в уровне оркестрации, который планирует и управляет результатами.

«Короче говоря, суть в том, что все сводится к наличию действительно хорошего уровня планирования и оркестрации выполнения для агента, а также к возможности в полной мере задействовать сильные стороны моделей», — подытожил Лю.