Создание мета-агентов для клиентского сервиса: опыт Cresta и Claude Agent SDK

Суть

Компания Cresta разработала Conductor — систему на базе естественного языка, которая помогает разработчикам создавать других ИИ-агентов для клиентского сервиса. Продукт построен с использованием Claude Agent SDK от Anthropic. По данным компании, в ранних сценариях использования Conductor позволил сократить время первоначального развертывания агентов примерно вдвое.

Контекст

Разработка корпоративных ИИ-агентов для обслуживания клиентов требует глубокого понимания контекста. Пользователи могут запрашивать возврат средств, не уточняя покупку, или сообщать о нескольких проблемах в одном сообщении. Стартап Cresta, основанный в 2017 году (выручка более 100 млн долларов, привлечено свыше 270 млн долларов инвестиций), работает с такими клиентами, как United Airlines, CVS Health и Marriott. Компания столкнулась с необходимостью масштабировать процесс создания агентов, чтобы каждая команда не начинала работу с нуля. Изначально ранняя версия Conductor была создана с использованием моделей Claude Sonnet и Claude Opus для помощи внутренним командам.

Детали

Conductor использует Claude Agent SDK как универсальную среду для сбора контекста, использования инструментов, написания и выполнения кода. Система работает как мета-агент: пользователи описывают желаемый результат, а Conductor проводит их от базового проекта до внедрения, оценки и оптимизации.

Процесс оценки в Cresta строго регламентирован. Когда выходит новая модель Claude или обновляется фреймворк Conductor, команда проводит систему через набор задач (создание нового агента, написание теста, изменение существующего агента, анализ первопричин). Оценивается не только сам факт выполнения, но и путь выполнения (использованные инструменты), качество (в сравнении с эталоном) и использование ресурсов (затраченное время и ресурсы модели).

Анализ

Опыт Cresta демонстрирует четкое разделение труда в современной индустрии искусственного интеллекта. Компания делегировала базовую инфраструктуру разработки (работу с контекстом и кодом) платформе Anthropic, сосредоточив собственные инженерные ресурсы на специфической бизнес-логике клиентского сервиса.

Один из главных выводов команды Cresta заключается в распределении ресурсов: первоначальная сборка агента составляет лишь около 20% усилий. Остальные 80% приходятся на тестирование, оптимизацию и непрерывное улучшение. Именно поэтому критически важно проектировать инструменты вокруг цикла итераций, а не только для первоначального запуска.

Перспектива

Подход с использованием самообучающихся мета-агентов, вероятно, станет стандартом для сложных корпоративных внедрений. По мере того как команды создают больше агентов с помощью Conductor, система сохраняет проверенные паттерны и бизнес-правила в виде многоразовых артефактов памяти. Это создает маховик знаний, который делает будущую разработку более быстрой и последовательной. Интеграция механизмов тестирования непосредственно в процесс создания позволит компаниям обновлять своих агентов при изменении бизнес-правил, не теряя при этом надежности критически важных рабочих процессов.