TinyFish показала, как строить production-агентов: архитектура агентского поиска в 7 фаз

Проблема: демо-агенты работают, но в провале ломаются из-за неполного поиска, повторяющихся ошибок и превышения лимитов. TinyFish, компания, предоставляющая веб-инфраструктуру для ИИ-агентов, выпустила два руководства, которые разбирают, как построить production-архитектуру агентского поиска и какие уроки были извлечены при создании deep research системы.

Архитектура строится на четырёх веб-примитивах: TinySearch, TinyFetch, TinyBrowser и TinyAgent. Управляющий цикл состоит из семи фаз: определение задачи (evidence contract), планирование поиска, выбор маршрута, обнаружение и получение данных, оценка свидетельств, восстановление после сбоев и остановка с валидацией. Такой подход решает проблему lost-in-retrieval из ChainRAG и использует идеи Search-R1 для генерации дополнительных запросов.

Маршрутизация инструментов должна следовать за информационным разрывом, а не за фиксированной лестницей. Например, если неизвестен источник, используется поиск; если URL известен и доступен — Fetch; если нужен контроль над страницей — Browser; для многостраничных решений — Web Agent. Важно: слабые результаты требуют лучшего запроса, а не более тяжёлого инструмента. Повторные попытки должны быть осмысленными и ограниченными.

На OpenBenchmarks TinyFish показала 79% completion rate на задачах кодинга с самой низкой медианной стоимостью задачи ($0.050) и минимальным потреблением токенов. Это подтверждает эффективность жёстких управляющих циклов, специализированных повторных попыток и унифицированного рассуждения вместо отдельных планировщиков.