Мультиагентная работа с документамиИИРаботает
AgentFlow
Мультиагентная платформа, превращающая сложные рабочие файлы в краткие сводки со ссылками на источники и возможностью проверки.
Результат
На 85 % меньше времени на разбор документов
Задача
Руководители теряют часы, вручную сводя сложные файлы CSV, Excel, PDF и DOCX в пригодные для действий резюме.
Что я построил
Построен оркестрованный DAG из пяти специализированных LLM-агентов (Orchestrator, Ingest, Retrieval, Verifier, Summarizer) на LangGraph плюс гибридный семантический поиск и RAG.
Результат
Каждая сводка автоматически опирается на исходные документы, со строгими ссылками и помеченными рисками.
Как это работает
- 01
Файлы попадают в Ingest, который приводит CSV, Excel, PDF и DOCX к единому нарезанному и векторизованному виду.
- 02
Orchestrator решает, какие агенты работают для этого запроса, вместо того чтобы каждый раз прогонять весь граф.
- 03
Retrieval делает гибридный поиск по фрагментам: плотные эмбеддинги для смысла, совпадение по ключевым словам для точной цифры или пункта.
- 04
Verifier сверяет каждое утверждение черновика с найденным фрагментом и отбрасывает или помечает всё, что не может подтвердить.
- 05
Summarizer пишет сводку со ссылками, а риски, которые не удалось проверить, выносятся наружу, а не сглаживаются.
Слой ИИ
Пять агентов в DAG на LangGraph с разными зонами ответственности, потому что один запрос, которому поручено загрузить, найти, проверить и обобщить, делает плохо все четыре вещи. Verifier здесь несущий: он существует, чтобы ни одно неподкреплённое предложение не попало в сводку.
Инженерный слой
Вокруг сервис на FastAPI с разбором документов по форматам, фоновые задачи для всего, что достаточно медленно, чтобы уронить запрос по таймауту, и векторное хранилище, из которого читает этап поиска. Ссылки хранятся как диапазоны в исходном файле, а не как текст, который повторила модель.
Ключевые технические решения
Отдельный агент-проверяющий вместо строгого промпта.
Указание модели утверждать только то, что она может подтвердить, не держится на длинном документе. Отдельный проход, сверяющий каждое утверждение с найденным фрагментом, держится, потому что это другой вопрос с проверяемым ответом.
Гибридный поиск, а не одни эмбеддинги.
Плотный поиск хорош со смыслом и ненадёжен на точных токенах. Финансовые сводки держатся именно на точных токенах: цифра, дата, номер пункта.
DAG, а не разговор между агентами.
Свободная болтовня агентов плохо отлаживается и не ограничена по стоимости. Явный граф делает каждый прогон воспроизводимым, а каждый шаг просматриваемым.