Большинство из нас сталкивались с ситуацией, когда взаимодействие с ИИ-агентом заканчивается отчаянными (и повторяющимися) криками «ОПЕРАТОР» в телефон или чат. Агенты стали обычным делом, но по-настоящему бесперебойно работающих агентов все еще трудно найти. Модели достаточно хороши, технологии достаточно хороши, и время выбрано верно. Так почему же столь немногие команды добиваются повторяемого успеха промышленного уровня?
Агентам не хватает контекста — в нужный момент, сохраненного нужным образом, — чтобы обеспечивать результаты, сопоставимые с человеческими. Кроме того, легко превратить доллары в ИИ, но гораздо сложнее превратить ИИ обратно в доллары. Те агенты, которые приносят пользу, делают это неэффективно: перегруженные промпты, избыточные вызовы LLM и хрупкие пользовательские интеграции обходятся дороже в плане токенов и времени, чем приносимая ими ценность.
Реальный мир сложен
Люди не следуют сценариям. Входные данные могут казаться случайными. Клиенты взаимодействуют через множество каналов, агенты теперь общаются с другими агентами, и каждая передача управления создает потенциальную точку сбоя успешного взаимодействия. Именно поэтому так много агентов прекрасно выглядят в демо-версиях, но не выживают в продакшене. В демо-версии данные чистые, ограниченные по области и предварительно загруженные. В реальной жизни пользователь может задать странный вопрос (или задать вопрос странным образом), и без доступа к необходимому контексту или возможности ответить на него вовремя пользовательский опыт ухудшается, а агент отправляется в отставку.
Одни и те же точки отказа проявляются регулярно:
- Агенты каждый раз начинают с нуля. Клиент сервиса по управлению благосостоянием тратит 30 минут на объяснение своей истории. Спустя два дня агент ничего из этого не помнит.
- Агенты запоминают не то и забывают нужное. Предпочтения и история должны переноситься. Номер кредитной карты или социальное страхование — нет.
- Агенты работают с неполным контекстом. Служба поддержки, оцениваемая по степени удовлетворенности клиентов, одобрила возврат средств в размере 350 долларов через 45 дней после покупки, хотя в политике четко указано: возврата средств после 30 дней нет.
- Агенты решают проблемы стоимостью 5 долларов за 500 долларов. Когда каждый запрос обрабатывается так, будто он совершенно новый, агент заново выстраивает контекстное окно, перезапускает LLM и тратит токены на ответы, которые у него уже должны быть.
Проблема не в том, что агенты не умеют рассуждать или им не хватает интеллекта. Проблема в том, что у них нет правильного контекста достаточно быстро, когда он нужен пользователю, без необходимости каждый раз начинать с нуля. Redis решает эти проблемы для приложений еще до появления агентов, а теперь мы решаем те же проблемы для агентов.
Почему мы создали Redis Iris
Redis Iris создает тот уровень стека ИИ, который располагается между агентом и данными с инструментами, необходимыми ему для действий. Он обеспечивает готовый к продакшену контекст, память и обмен сообщениями с первого дня, обладая возможностями кастомизации, которые делают ваших агентов незаменимыми в продакшене. Создание Iris руководствуется четырьмя принципами:
- Навигация. Контекст формирует системы с возможностью навигации, а не изолированные хранилища. Наилучшие результаты достигаются, когда агенты могут прослеживать связи между доступными данными и инструментами. Контекст превращает и то, и другое в связанную систему, которую агенты могут исследовать и использовать для действий, а не просто выполнять поиск.
- Адаптивность. Хорошая память выборочна. Агенты сохраняют важные предпочтения, решения и прошлые результаты, а устаревшее, замененное или нерелевантное отбрасывают. Запоминание дает агентам непрерывность, а забывание поддерживает контекст актуальным и управляемым.
- Эффективность. Эффективный контекст держит затраты под контролем. Каждый избыточный вызов LLM, раздутый промпт и повторный поиск складываются в общую сумму. Агенты, которые извлекают только релевантные данные и повторно используют уже сгенерированные ответы и процедуры, обходятся дешевле в исполнении.
- Накопительный эффект. Контекст, используемый агентами, должен непрерывно обучаться и расти со временем. Он должен становиться более релевантным, персонализированным и опираться на прошлые взаимодействия; чтобы агенты со временем становились умнее, им необходимы встроенная память, обучение и сохранение состояния.
Эти принципы — не просто проектные цели, они определяют то, как команды успешно создают и запускают агентов в продакшене уже сегодня. С момента запуска Iris в мае 2026 года клиенты уже сообщают о том, как это выглядит на практике:
«Все, что вы видите в Paradigm, хранится в Redis. Это уровень памяти и оркестрации, который позволяет нашим агентам работать в реальном времени в масштабах, которые раньше были невозможны».
-Джун Ли, технический директор Paradigm
Далее давайте рассмотрим возможности, которые делают создание готовых к продакшену агентов реальностью.
Один движок, шесть возможностей, бесконечные возможности агентов
Redis Iris предлагает набор высоко настраиваемых и компонуемых возможностей в рамках единого движка контекста выполнения (показан ниже на рисунке 1). Вы можете использовать эти возможности вместе или независимо, в зависимости от создаваемого агента и решаемой задачи. Они созданы так, чтобы ваши агенты помнили нужное, отвечали правильным образом и были прозрачны в каждом действии, обеспечивая при этом непревзойденные результаты на один токен на базе уже известного и любимого вами Redis.
Эталонная архитектура Redis Iris: один движок, шесть возможностей
- Intent Router (GA). Люди не просят об одном и том же одинаково дважды, так зачем пересчитывать ответ каждый раз? Intent Router сопоставляет смысл вопроса, а не его формулировку, и направляет его в нужное место: в сохраненный FAQ, к навыку агента, к человеку или в LLM. Он также управляет маршрутизацией агентов и моделей, защитными барьерами и «нечеткими» условными операторами, поэтому решения не ограничиваются только истиной или ложью.
- Agent Playbooks (GA). Лучшие агенты создаются под конкретные цели: агент по возвратам для ритейлера, инвестиционный агент для банка, агент поддержки для телекома. От них требуют делать одно и то же снова и снова. Agent Playbooks позволяют определить, какие ответы являются стабильными и должны использоваться повторно, а какие требуют актуальных данных и свежего запуска известной процедуры. И самое главное — они становятся более точными и детальными по мере их запуска. Клиенты быстрее получают решения, а вы перестаете тратить токены на каждом шаге.
- Redis Agent Memory (GA). Пользователи не хотят повторяться. Agent Memory теперь создает воспоминания из документов, баз знаний и других полуструктурированных данных с помощью MemoryETL, организует их в иерархии для более детального контроля и предоставляет средства проверки, аудита и отслеживания происхождения, чтобы вы могли видеть, откуда взялось каждое воспоминание. Он также может забывать то, что ему хранить не положено, например PII (персональные данные).
- Context Gateway (GA). Корпоративный контекст хранится во многих системах, и часть его должна быть доступна всем, а часть — только нужным людям. Context Gateway — это единая точка входа ко всем связанным источникам контекста. Используйте собственный MCP, кэшируйте инструменты, решающие определенную задачу, для сокращения использования токенов и формируйте многократно используемые результаты для обеспечения согласованности между сеансами.
- Lens (бета-версия). Агент не должен быть «черным ящиком». В регулируемых отраслях ответ «агент так сделал» несостоятелен, и нельзя управлять тем, чего не видишь. С помощью Lens каждый результат прослеживается до навыка, маршрута или FAQ, который его выдал, памяти, из которой он научился, и исходной сессии. Вы получаете проверяемые свидетельства, а также наглядность успешности задач, токенов на задачу и задержки.
- Agent Mesh (бета-версия). В продакшене нельзя полагаться на диалог, который исчезает при обрыве сети. Agent Mesh позволяет агентам общаться через эфемерные потоки, буферизует поток и автоматически переподключается, чтобы агенты могли продолжить с того места, где остановились. Надежные SSE-потоки обеспечивают бесперебойную передачу ответов во время сбоев, а межсистемная связь A2A (agent-to-agent) предоставляет агентам надежный канал для делегирования и передачи работы.
Посмотрите Iris в действии: агент службы поддержки на базе чат-бота
[Рисунок 2 все еще нужен: агент чат-бота на базе Redis Iris]
Клиент задает простой, расплывчатый вопрос: «Что это за списание на моем счете?» За этой единственной фразой начинают работать возможности Redis Iris:
- Маршрутизатор намерений (Intent Router) считывает смысл вопроса и определяет, к какому типу проблемы он относится: спор, мошенничество или стандартный платеж. Агент не сопоставляет ключевые слова. Он классифицирует намерения, чтобы направить запрос в нужное место без повторного создания ответа с нуля.
- Сборник сценариев агента (Agent Playbooks) проверяет, есть ли уже утвержденный раздел FAQ или навык для решения этой задачи. В данном случае существует проверенная процедура для подозрительных списаний, поэтому агенту не нужно разбираться во всем с нуля или тратить токены на повторный вывод решения.
- Память агента (Agent Memory) извлекает то, что агент знает об этом клиенте. Именно благодаря этому он может сказать, что списание на сумму 89,99 долларов было произведено продавцом, услугами которого клиент раньше не пользовался, а не просто зачитать транзакцию вслух.
- Шлюз контекста (Context Gateway) собирает остальную часть картины через единую регулируемую точку входа: прежние привычки, сохраненный адрес и все остальное, что нужно агенту из подключенных систем.
- Агент предлагает заблокировать карту и открыть спор. Клиент отвечает согласием. Поскольку здесь происходит движение денежных средств, Lens записывает аудиторский след: какой маршрут был выбран, какой сценарий сработал, какие данные памяти использовались и почему. Если кто-то позже спросит, почему агент поступил именно так, на этот ответ можно будет провести аудит.
- Тем временем в фоновом режиме работает Agent Mesh, готовый возобновляя разговор без каких-либо сбоев в случае обрыва сети.
Меньше чем за две минуты карта блокируется, замена находится в пути, открывается спор, и начисляется предварительный кредит. И никому не пришлось кричать «ОПЕРАТОР».
Переверните страницу с Redis Iris
С Redis Iris разговор смещается от «Можем ли мы создать агента?» к «Можем ли мы управлять агентом, который надежен, объясним и со временем становится все более ценным?». Вот что дает Iris: надежную память, контекст и обмен сообщениями, которые переводят агентов от интеллекта моделей к операционному успеху, благодаря чему пользователи перестают требовать помощи человека и вместо этого удивляются: «погодите, а кто это мне помог?»
Попробуйте Redis Iris сегодня
Присоединяйтесь к нам в прямом эфире
Посмотрите Redis Iris в действии на вебинаре, посвященном релизу.
