Создание корпоративных ИИ-приложений обычно начинается с детерминированных процессов, жестких ограничений и строго контролируемой маршрутизации. Для платформы анализа стартапов Harmonic, созданной для помощи венчурным фондам в отслеживании непубличного рынка, этот хрестоматийный инженерный подход поначалу позволил запустить работающий фильтр на естественном языке. Однако по мере того как запросы пользователей смещались от структурированного поиска к сложному качественному анализу, логика вручную созданных конвейеров привела к операционному параличу.
Кризис кастомных графовых конвейеров
Изначально Harmonic разработала диалоговый интерфейс Scout с использованием композитных подграфов на базе LangGraph, подкрепленных оценками в LangSmith на каждом узле. Первая версия Scout успешно переводила запросы на естественном языке в точные параметры фильтрации по базе данных Harmonic, избавляя инвесторов от ручной настройки десятков параметров поиска. Но эта детерминированная архитектура оказалась хрупкой, как только формулировка запроса выходила за рамки заранее прописанных сценариев. Добавление новых функций требовало создания отдельных подграфов и поддержки сотен тестов на уровне узлов, что растягивало циклы выпуска обновлений до месяцев.
Когда инвесторы начали запрашивать решение открытых задач — например, составление персонализированных писем фаундерам или скрининг целей под абстрактные инвестиционные тезисы, — мультиграфовая структура окончательно зашла в тупик. Остин Берке, ведущий инженер проекта Scout в Harmonic, отметил, что команда разработчиков тратила непропорционально много ресурсов на построение жестких ветвлений, написание специализированных тестов и тонкую настройку отдельных узлов вместо создания ценности для продукта.
Переход на глубоких агентов и единый контекст
Чтобы выбраться из ловушки бесконечной поддержки инфраструктуры, Harmonic демонтировала разросшуюся графовую логику. Команда пересобрала Scout вокруг единой флагманской модели внутри агентской обвязки Deep Agents под мониторингом LangSmith. Вместо принудительного прогона запроса через лабиринт жестко закодированных ветвей новая архитектура предоставила модели прямой доступ к двум ключевым массивам данных: собственной базе Harmonic (40 млн компаний, 200 млн персон и 230 тыс. инвесторов) и контексту конкретного фонда, включая заметки в CRM, пайплайны сделок, цепочки писем и контакты в LinkedIn.
«У модели достаточно автономности, чтобы не заходить в тупик. Мы постоянно одергиваем себя, чтобы архитектура графа оставалась максимально простой», — подчеркнул Сет Видер, продакт-менеджер Harmonic.
Такое осознанное упрощение переложило выполнение длинных цепочек рассуждений и управление контекстным окном на агентскую среду. На практике инженерам больше не нужно писать отдельный код под каждый пользовательский сценарий. Когда венчурный инвестор запрашивает десятиминутный бриф по основателю стартапа, агент самостоятельно извлекает записи из CRM фонда, сверяет внутренние контакты в LinkedIn, анализирует открытые профили в сети и формирует готовую аналитическую записку без сбоев маршрутизации.
Коммерческий эффект и масштабирование продукта
Смена архитектуры превратила Scout из механического поисковика в автономного инвестиционного аналитика, расширив целевой рынок Harmonic далеко за пределы классического венчурного сорсинга. Что еще важнее, это учетверило удержание пользователей и сократило циклы релизов с месяцев до нескольких дней. Кейс доказал: избыточная сложность жестко прописанных графов часто оказывается техническим долгом, замаскированным под контроль.
Техническим лидерам стоит провести аудит внутренних планов разработки агентов, чтобы выявить многоузловые графы, требующие отдельных тестов под каждую вариацию запроса, и протестировать замену хрупких подграфов единой флагманской моделью с унифицированным доступом к данным.