Ключ к успешному ИИ-SaaS — не модель, а agent harness: опыт сборки системы с Orca и Pi Agent
Разработчик делится практическим опытом создания эффективной системы для разработки SaaS на ИИ, утверждая, что решающую роль играет не выбор языковой модели, а построение комплексного "agent harness", интегрирующего инструменты и управляющего рабочими процессами.
В разработке SaaS на базе ИИ многие ошибочно фокусируются на выборе самой мощной языковой модели. Однако практика показывает, что решающую роль играет не сила модели, а архитектура всей системы. Эта система, называемая agent harness, интегрирует инструменты и управляет рабочими процессами, превращая сырую интеллектуальную мощность в работающий продукт.
Рассмотрим конкретный пример. Система построена вокруг нескольких компонентов. Orca — открытая модель, которая служит локальным движком для генерации кода. Pi Agent выступает интеллектуальным координатором, планирующим задачи и управляющим многоэтапными процессами. Вся конструкция развернута на VPS и интегрирована с GitHub. Ключевой элемент — кастомный пайплайн, набор автоматизированных сценариев. Он определяет, как задача проходит через систему: от анализа Pi Agent до генерации кода Orca, проверки, тестирования и коммита в репозиторий.
Такой подход возник как ответ на проблемы ранних этапов разработки под ИИ. Простое оборачивание API крупной модели вело к высоким затратам, задержкам и отсутствию контроля. Агентно-ориентированные архитектуры решают это: одна модель выступает дирижером, а другие инструменты — генеративные модели, поиск по коду — оркестром. Это позволяет автоматизировать рутину, сохраняя за человеком стратегический контроль.
Для отрасли это означает смещение фокуса с гонки параметров моделей на инженерию систем. Разработчикам стоит инвестировать время в проектирование собственных harness-систем, адаптированных под конкретные бизнес-процессы. Это путь к более надежным и экономичным ИИ-решениям, менее зависимым от облачных провайдеров. Использование локальных моделей в связке с агентами-планировщиками снижает операционные затраты и повышает приватность.
Для заказчиков SaaS-продуктов, построенных по такой философии, это означает большую стабильность и предсказуемость. Продукт перестает быть черным ящиком, зависящим от одного внешнего сервиса. Он становится управляемой платформой, где улучшения можно вносить точечно — заменить компонент генерации кода или добавить новый инструмент в пайплайн. Это приближает ИИ-разработку к классическим инженерным практикам.
Вероятно, подход на основе agent harness станет стандартом для серьезной коммерческой разработки с ИИ. Это приведет к появлению специализированных фреймворков для сборки таких систем, дальнейшей специализации агентов и глубокой интеграции ИИ в CI/CD-цепочки. На рынке будут побеждать команды, которые смогут грамотно вплетать готовые модели в сложные и надежные системы, превращая генеративный ИИ из игрушки в производственный инструмент.
