Многоагентные системы для поиска клиентов: опыт Thrad.ai на базе Amazon Bedrock
Как использование специализированных ИИ-агентов сокращает время на исследование потенциальных клиентов и написание персонализированных писем, объединяя разрозненные данные из социальных сетей.
Суть
Компания Thrad.ai совместно с AWS развернула многоагентную систему (multi-agent system) для автоматизации поиска потенциальных клиентов и создания персонализированных рассылок. Используя фреймворк Strands Agents и Amazon Bedrock, разработчики создали конвейер, который собирает цифровые следы пользователей на разных платформах и превращает их в осмысленные предложения. Это важный шаг в развитии автономных систем, где сложные задачи решаются не одной большой моделью, а группой узкоспециализированных алгоритмов.
Контекст
Потенциальные клиенты оставляют множество разрозненных следов: задают вопросы на Reddit, запускают проекты на Hacker News, получают звезды на GitHub. По отдельности эти сигналы — просто шум. Но если их сопоставить, можно найти клиента, готового к покупке.
Команда продаж Thrad.ai тратила от 30 до 45 минут на ручное исследование каждого контакта по шести различным источникам перед написанием одного письма. Попытки поручить эту задачу одному ИИ-агенту провалились. Разнообразие сигналов, различия в программных интерфейсах (API) и нюансы анализа оказались слишком сложными для одной модели. Решением стала многоагентная оркестрация.
Swarm orchestration diagram showing four agents passing control through handoffs with a shared working memory
Детали
Архитектура системы состоит из четырех агентов, каждый из которых имеет свою зону ответственности, инструменты и строгие правила проверки выходных данных (через библиотеку Pydantic).
Первый агент (Trend Research) ищет тренды и сигналы о намерении купить на платформах вроде Hacker News, Reddit и Stack Overflow. Второй агент (Search Specialist) параллельно обогащает профиль клиента данными из GitHub и Wikipedia. Третий агент (Analysis) объединяет эти данные и выставляет оценку от 0 до 100 с помощью модели Claude Sonnet 4.6. Если оценка превышает 60 баллов, в дело вступает четвертый агент (Email Generation), который пишет персонализированное письмо.
Особый интерес представляет сравнение двух подходов к координации агентов. Подход «Рой» (Swarm) позволяет агентам автономно передавать друг другу управление и делиться общим контекстом. Это гибко, но трудно предсказуемо и требует больше вычислительных ресурсов. Подход «Граф» (Graph) задает жесткую структуру рабочего процесса. Агенты поиска работают параллельно, экономя время, а этап анализа ждет завершения их работы. Граф оказался более предсказуемым и экономичным для данной задачи.
Анализ
Graph orchestration diagram with parallel research and search entry points converging at analysis, then a conditional edge to email generation
Этот кейс наглядно демонстрирует сдвиг в индустрии искусственного интеллекта. Вместо того чтобы пытаться создать универсальный промпт для одной мощной модели, инженеры переходят к проектированию систем разделения труда.
Каждый агент выполняет узкую задачу, что радикально снижает вероятность ошибок и галлюцинаций. Строгая типизация данных между этапами гарантирует, что система не сломается, если один из агентов выдаст неожиданный результат. Использование параллельного выполнения в подходе «Граф» показывает, как классические принципы программирования интегрируются с генеративными моделями.
Перспектива
Паттерны, описанные в этом проекте, применимы далеко за пределами продаж. Конкурентная разведка, поиск редких специалистов (рекрутинг) и глубокие маркетинговые исследования — все эти сферы будут трансформированы многоагентными системами.
В ближайшем будущем главным навыком разработчиков станет не написание запросов к нейросетям, а проектирование надежных архитектур взаимодействия между десятками автономных агентов. Выбор правильного метода оркестрации будет определять не только качество результата, но и стоимость эксплуатации таких систем.
Four agents in a left-to-right flow: Trend Research and Search Specialist feed into Analysis, then Email Generation, with Amazon Bedrock AgentCore services
TL;DR
Главное
Сложные бизнес-процессы эффективнее автоматизировать с помощью группы специализированных ИИ-агентов, а не одной универсальной модели.
Ключевые факты
- /Ручной анализ одного лида занимал 30-45 минут.
- /В системе используется 4 агента для разных этапов воронки.
- /Оркестрация типа 'Граф' оказалась быстрее за счет параллельного выполнения задач.
- /Для анализа данных применяется модель Claude Sonnet 4.6.
Инсайт
Передача данных между агентами требует строгой программной валидации (как в классическом коде), чтобы предотвратить каскадные ошибки в работе нейросетей.
