15 августа 2026 г.
Агента можно оставить своим: Харрисон Чейз разложил его на модель, harness и контекст
Агент = модель + harness + контекст, и Чейз советует делать своим каждый слой, начиная с контекста.
Harrison Chase
@hwchase17
выступил с докладом «owning your intelligence» — спасибо @sequoia и @sonyatweetybird за приглашение говорил про harness'ы и evals и о том, какую роль они играют в том, чтобы владеть своим интеллектом коротко: > агенты = модель + harness + контекст > модель — держи веса у себя, например через @FireworksAI_HQ > контекст — память должна быть переносимой > harness — не должен зависеть от модели. и должен хорошо подавать в llm нужный контекст. что считать «нужным», зависит от твоего сценария, поэтому открытый и настраиваемый harness помогает > как через middleware в langchain/deepagents настроить свой harness > как через langgraph полностью владеть своей когнитивной архитектурой > почему важны evals и наблюдаемость — несколько цитат @satyanadella - «Создавайте свои приватные evals, потому что evals определяют, что считается «хорошим» внутри организации» - «сохраняйте за собой владение памятью организации, её трейсами, фидбеком, решениями и институциональным контекстом» - «вы создаёте собственный цикл непрерывного обучения (машину постепенного улучшения), который позволит вашим вложениям в ИИ наращивать ценность компании» > как использовать harbor для evals > трейсинг важен > evals и наблюдаемость нужны только затем, чтобы построить data flywheel > data flywheel = запусти агента -> собери трейсы -> найди интересные -> улучшай на них > демо langsmith engine, который именно это и делает! полное видео: https://www.youtube.com/watch?v=HI2q3ci3Iuc&list=PLaqC3GACblSs&index=2
Модель — только треть агента. Harness и контекст Харрисон Чейз советует держать у себя.
Чейз, автор LangChain, вынес эту формулу в доклад «owning your intelligence» на площадке Sequoia 15 августа. Модель под агентом меняется, а память, трейсы и замеры качества переносятся куда хуже, и как раз они остаются у команды.
Три части. Веса модели можно держать у себя, например через Fireworks AI. Память агента должна переноситься между системами.
Harness — это обвязка вокруг модели, которая решает, что подать ей на вход. Работать она обязана с любой моделью, а нужный контекст у каждой задачи свой, поэтому обвязку стоит держать открытой и настраиваемой. Чейз настраивает её через middleware в LangChain и deepagents, а всю схему рассуждений агента предлагает держать под контролем в LangGraph.
Дальше идут evals, собственный набор проверок. Чейз подпирает это цитатами Сатьи Наделлы: evals задают, что в организации считается хорошим результатом, а память организации, её трейсы, фидбек и решения должны оставаться в её собственности. Из этого складывается свой цикл обучения, который наращивает ценность компании.
Evals и трейсинг нужны ради одного: петли улучшения. Запустил агента, собрал трейсы, выбрал интересные, на них улучшил.
Чем это делать. Evals Чейз гоняет через harbor, трейсы собирает в LangSmith. На демо движок LangSmith сам выхватывает интересные прогоны и отдаёт их в улучшение.
Если петля собрана, качество агента перестаёт зависеть от того, чья модель стоит под ним.
первоисточник
