LinkedIn наконец признала то, о чем мы все догадывались: статические ИИ-ассистенты слишком хрупки для реального мира. В новом техническом отчете исследователи Чи Хуэй Ван и Мэнди Ту подробно описали архитектуру, которая выходит за рамки типичного подхода внедри и молись. Вместо застывшей модели LinkedIn создала самоэволюционирующий конвейер агентов, который рассматривает промпты, генерацию с дополненной выборкой (RAG) и критерии оценки как единый живой организм с контролем версий. Это не просто очередной чат-бот, а система с замкнутым циклом, способная исправлять ошибки без огромных затрат на дообучение модели.
Гениальность — или, скорее, необходимость — такой структуры заключается в отказе полагаться исключительно на интеллект базовой модели. Связывая эволюционное автопромптирование с модульной системой оценки, платформа адаптируется к меняющимся политикам компании и изменениям в продуктах практически в режиме реального времени. В мире, где справочная документация обновляется быстрее, чем завершается цикл обучения нейросети, команда LinkedIn сделала ставку на инъекцию знаний через поиск (retrieval). Это превращает ИИ в библиотекаря, который ежедневно обновляет каталог, а не в эксперта, которому требуется пересадка мозга при каждом выходе новой функции.
Главное
Система использует модульные предохранители для изоляции сбоев в конкретных компонентах. Оценка качества работы проводится по методу LLM-as-a-judge (ИИ в роли судьи). Обновления знаний внедряются в рабочую среду без риска системного коллапса. Вместо тяжелого дообучения (fine-tuning) используется динамический RAG.
Чтобы ИИ не превратил общение с клиентами в пиар-катастрофу из-за галлюцинаций, фреймворк использует систему защиты. Изолируя ошибки в конкретных блоках, LinkedIn может обновлять базу знаний в промышленной эксплуатации без страха обрушить всю систему. Это хирургический подход к обслуживанию ИИ, где инженерная дисциплина ставится выше маркетинговой шумихи вокруг автономных агентов.
Реальное конкурентное преимущество в ИИ — это не поиск «более умной» модели, а создание плотной петли обратной связи, которая не дает технологическому стеку устареть в момент столкновения с реальностью.
Результаты двухнедельного A/B-тестирования на реальном трафике говорят сами за себя. Самооптимизирующийся рабочий процесс увеличил долю самостоятельного решения вопросов в QA-сервисе на 9 процентных пунктов, а в сервисе отмены подписок — на 4,8 пункта. Что наиболее показательно, точность маршрутизации заявок — вечная головная боль руководителей клиентской службы — подскочила сразу на 30,6 пункта. Это доказывает: будущее за гибкими системами, способными к мгновенной адаптации.