AWS против Google: раскол в оркестрации ИИ-агентов

Эра, когда предприятиям приходилось вручную объединять цепочки промптов и теневых агентов, подходит к концу, поскольку появляется все больше возможностей для оркестрации сложных многоагентных систем. По мере того как организации внедряют ИИ-агентов в производство, остается открытым вопрос: «Как мы будем ими управлять?»

Google и Amazon Web Services предлагают принципиально разные ответы, демонстрируя раскол в стеке технологий искусственного интеллекта. Подход Google заключается в управлении агентами на уровне систем, в то время как метод с использованием «обвязок» (harness) от AWS настраивается на уровне выполнения. 

Дискуссия о том, как управлять и контролировать этот процесс, получила новый импульс в прошлом месяце, когда конкурирующие компании выпустили или обновили свои платформы для создания агентов: Anthropic представила новых управляемых агентов Claude, а OpenAI — улучшения для SDK агентов, предоставив командам разработчиков новые инструменты для управления агентами. 

AWS с новыми функциями, добавленными в Bedrock AgentCore, делает ставку на скорость, полагаясь на готовые обвязки, чтобы быстрее выводить агентов на рынок, при этом сохраняя возможности управления идентификацией и инструментами.

В то же время Gemini Enterprise от Google применяет подход, ориентированный на безопасность и соответствие требованиям (governance), используя контрольную панель в стиле Kubernetes. Каждый метод дает представление о том, как агенты превращаются из краткосрочных помощников в задачи в долгосрочные сущности внутри рабочих процессов. 

Обновления и объединения

Чтобы понять, на каких позициях находится каждая из компаний, давайте разберем, что именно изменилось. 

Google выпустила новую версию Gemini Enterprise, объединив свои продукты в сфере корпоративного ИИ — Gemini Enterprise Platform и Gemini Enterprise Application — под единым брендом. 

Компания провела ребрендинг сервиса Vertex AI в Gemini Enterprise Platform, хотя и подчеркивает, что помимо изменения названия и новых функций интерфейс остался в целом прежним. 

«Мы хотим предоставить платформу и единую точку входа, чтобы у компаний был доступ ко всем системам и инструментам искусственного интеллекта, которые предлагает Google», — рассказала в интервью VentureBeat Марьям Голами (Maryam Gholami), старший директор по управлению продуктами в Gemini Enterprise. — Вы можете рассматривать это так: приложение Gemini Enterprise Application построено поверх платформы Gemini Enterprise Agent Platform, а инструменты безопасности и управления предоставляются абсолютно бесплатно в рамках подписки на Gemini Enterprise Application».

С другой стороны, AWS добавила новую управляемую обвязку (harness) для агентов в Bedrock AgentCore. В пресс-релизе, предоставленном VentureBeat, компания сообщила, что эта обвязка «заменяет предварительную разработку отправной точкой на основе конфигурации, работающей на базе Strands Agents, открытого фреймворка для агентов от AWS». 

Пользователи определяют задачи агента, используемую им модель и вызываемые инструменты, а AgentCore выполняет всю работу по их объединению для запуска агента. 

Агенты становятся системами

Переход к автономным агентам с сохранением состояния (stateful) и длительным временем выполнения заставил по-новому взглянуть на то, как ведут себя ИИ-системы. По мере того как агенты переходят от кратковременных задач к затяжным рабочим процессам, возникает новый класс сбоев: дрейф состояния (state drift).

По мере непрерывной работы агенты накапливают состояние — память, историю ответов и развивающийся контекст. Со временем это состояние устаревает. Источники данных меняются, или инструменты могут возвращать противоречивые ответы. В результате агент становится более уязвимым к несоответствиям и теряет в надежности. 

Надежность агентов превращается в системную проблему, и для управления таким дрейфом может потребоваться нечто большее, чем просто быстрое выполнение — необходимы прозрачность и контроль. 

Именно с такими сбоями пытаются бороться такие платформы, как Gemini Enterprise и AgentCore. 

Хотя этот сдвиг уже происходит, Голами признала, что именно клиенты будут определять, как именно они хотят запускать долгосрочных агентов и управлять ими. 

«Мы многое узнаем от клиентов о том, где они будут использовать долгосрочных агентов, которым просто поручают задачу и оставляют ее выполнять автономно, — отметила Голами. — Разумеется, здесь есть свои нюансы и баланс, и агент может вернуться за дополнительными вводными данными».

Новый стек технологий ИИ

Все более очевидным становится то, что стек ИИ распадается на четкие уровни, решающие разные задачи.  

AWS, а в определенной степени Anthropic и OpenAI, оптимизируют процессы для более быстрого развертывания. Claude Managed Agents берет на себя большую часть бэкенд-работы по развертыванию агента, в то время как SDK агентов теперь включает поддержку изолированных сред (песочниц) и готовую обвязку. Эти подходы направлены на то, чтобы снизить порог входа для запуска агентов. 

Google предлагает централизованную панель управления для администрирования учетных записей, соблюдения политик и мониторинга поведения долгосрочных процессов. 

Предприятиям, скорее всего, понадобятся оба варианта. 

По мнению некоторых экспертов-практиков, их бизнесу предстоит серьезный разговор о том, на какой уровень риска они готовы пойти. 

«Главный вывод для руководителей корпоративных технологий, рассматривающих эти решения в данный момент, можно сформулировать следующим образом: хотя вопрос выбора между обвязкой для агентов и средой выполнения часто воспринимается как дилемма «создать или купить», в первую очередь это вопрос управления рисками. Если вы можете позволить себе запускать агентов через стороннюю среду выполнения, потому что они не влияют на ваши потоки доходов, это нормально. Напротив, в контексте более критически важных процессов второй вариант будет единственно возможным с точки зрения бизнеса», — рассказал в письме VentureBeat Рафаэль Сарим Эздемир (Rafael Sarim Oezdemir), руководитель отдела роста в EZContacts. 

Быстрое итеративное тестирование позволяет командам экспериментировать и узнавать, на что способны агенты, в то время как централизованный контроль добавляет уровень надежности. Предприятиям важно убедиться, что они не оказались заперты в рамках систем, спроектированных исключительно под какой-то один способ выполнения агентов.