GenAI Workflows

Не все AI приложения - агенты! На инженерном языке Агенты - это системы с большой свободой и автономностью - но низким контролем со стороны человека. Перед тем как перейти к агентам, давайте изучимё более контролируемые применеия LLM - потому что в будущем ваши агенты будут их использовать как подсистемы.

Questions

Что не является агентом (в нашем, инженерном мире)?
Что такое Направленный ациклический граф (DAG)?
Какие подвиды workflows существуют?

Steps

Инженерное определение

По складывающемуся сейчас в коммьюнити (X, Anthropic, OpenAI) мнениею, агенты - это системы, которые циклично работают до тех пор, пока сами не решают остановиться. Благодаря LLM Агент может сам оценивать, наскольо он хорошо выполнил задачу, и преостанавливать выполенение (например, через вызов ToolCall: ReturnFinalAnswer).

Большинство продвинутых агентов сейчас, кроме оценки выполнения задачи - еще и самостоятельно планируют подшаги для достижения цели, и зацикливаются на каждом шаге - пока его не выполнят - и только потом переходят к следущим шагам.

Поэтому всё, что является DAG - directed acyclic graph - направленным ациклическим графом - не является агентом.

Кратко про DAG

Исключение

Если зацикленность провоцируется строгой логикой - принято считать это workflow, а не агентом.

Ниже вы увидете workflow "Суммаризация бесконечного текста", который рекурсивно суммирует текст до тех пор, пока не достигнет текста опредлеленной короткой длины. Это не агент, а workflow, хотя и имеет зацикленность.

1. Read this Anthropic article

2. Real-life примеры LLM workflows

подсказка

Изучите примеры ниже. Это важно для архитектурной насмотренности.

Попробуйте "прокомпилировать" некторые пайплайны в голове.

Мы старались писать примеры запросов/промптов - читайте их, если что-то непонятно.

Коммуникация и поддержка

Email классификатор

Примеры входных запросов

Email 1:
От: client@example.com
Тема: Проблема с оплатой
Сообщение: "Здравствуйте, я оплатил заказ несколько дней назад, но статус не изменился. Помогите, пожалуйста."

Email 2:
От: user2@example.com
Тема: Вопрос о продукте
Сообщение: "Добрый день, расскажите, пожалуйста, о возможностях вашего приложения."

Системный промпт: Классификатор писем

Вы — модель, которая классифицирует входящие письма как 'spam' или 'not_spam'.
Получаете на вход заголовок и тело письма.
Выход — одно слово: 'spam' или 'not_spam'.

Системный промпт: Валидатор (может ли LLM ответить?)

Вы — модель, проверяющая, может ли LLM автономно ответить на запрос.
Получаете тело письма.
Если ответ прост — выведите 'simple_answer', иначе 'complex_answer'.

Системный промпт: Генерация ответа

Вы — помощник службы поддержки. Составьте вежливый и лаконичный ответ клиенту на основе текста письма:
\"\"\"{email_body}\"\"\"

Триаж запросов в службу поддержки

Примеры входных запросов

Запрос 1: "Как сбросить пароль к аккаунту?"
Запрос 2: "У меня ошибка при оплате подписки, номер заказа #12345."

Системный промпт: Классификация intent

Вы — модель, которая на основе сообщения клиента определяет intent: 'FAQ' или 'technical_support'.
Выход — 'FAQ' или 'technical_support'.

Системный промпт: LLM генерация ответа по FAQ

Вы — помощник, генерирующий ответ на основе найденного FAQ.
Вход: запрос клиента и контент FAQ:
\"\"\"Вопрос: {faq_question}
Ответ: {faq_answer}\"\"\"
Выход — полный ответ клиенту.

Суммаризация документов

Пайплайн суммаризации документов

Примеры входных документов

Документ 1: Статья о JavaScript (≈ 5 000 токенов)
Документ 2: Отчет по продажам за квартал (≈ 8 000 токенов)

Системный промпт: LLM — суммаризация частей

Вы — модель для суммаризации текстовых фрагментов.
Ваша задача — на основе входного фрагмента (≤ 6000 токенов) сформировать краткую и информативную сводку (≤ 500 токенов).
Вход: текстовый фрагмент документа.
Выход: сводка фрагмента.

Суммаризация бесконечного текста

Допустим, вы можете использовать только LLM, которая максимально вмещает 8000 токенов в свои Attention-слои. Максимально LLM может генерировать до 2000 токенов. (Итого: 6000 токенов input, 2000 output)

Например, для текста в 18 мегатокенов, алгоритм отработает в 2 цикла суммаризации:

1 цикл: 18 000 токенов -> 6 000 токенов 1.1. 18 000 токенов -> 3 чанка по 6 000 токенов 1.2. 3 чанка по 6 000 токенов -> 3 саммари по 2 000 токенов 1.3. 3 саммари по 2 000 токенов -> конкатенация в 1 сводку в 6 000 токенов
2 цикл: 6 000 токенов -> 2 000 токенов 2.1. 6 000 токенов -> 1 чанк по 6 000 токенов 2.2. 1 чанк по 6 000 токенов -> 1 саммари по 2 000 токенов 2.3. 1 саммари по 2 000 токенов -> финальная сводка

Примеры входного документа

Документ: Техническая спецификация продукта (≈ 400 000 токенов)

Системный промпт: LLM — суммирует каждую часть до 2000 токенов

Суммаризируй текст в 2000 токенов.

Анализ и обработка большого текста с логикой менеджера

Примеры входных данных

Логика обработки: "Найдите все упоминания слов 'ошибка' и 'исключение', подсчитайте их частоту."
Текст: Логи приложения (≈ 100 000 токенов)

Системный промпт: LLM — обработка текстового чанка

Вы — аналитическая модель. Ваша задача — на основе заданной логики пользователя и входного текстового чанка сформировать частичный отчёт.
Вход:
- Логика обработки: {логика}
- Текст чанка: {текст}
Выход:
- Частичный отчёт.

Социальный мониторинг и рекомендации

Мониторинг социальных сетей

Примеры входных запросов

Запрос 1: "Собрать последние 100 твитов с хэштегом #нашПродукт"
Запрос 2: "Получить посты из Instagram за последние 24 часа с упоминанием бренда"

Пример системного промпта для шага "анализ тональности"

Вы — модель анализа тональности социальных медиа. Ваша задача — классифицировать каждый пост как «Негативный», «Нейтральный» или «Позитивный».
Входные данные:
- Текст поста: {текст}
Выходные данные:
- Тональность: {Негативный|Нейтральный|Позитивный}
- Краткое обоснование классификации.

Рекомендательная система

Примеры входных данных

Профиль пользователя:
- ID: 12345
- История просмотров: ["Телефон", "Наушники", "Чехлы"]
- Возраст: 29
- Интересы: технологии, музыка

Пример системного промпта для шага "генерация рекомендаций"

Вы — система рекомендаций на основе LLM. Ваша задача — на основе эмбеддингов пользователя и списка похожих товаров сформировать пять релевантных рекомендаций.
Входные данные:
- Эмбеддинги пользователя: {vector}
- Список похожих товаров: [{id, название, эмбеддинг}, ...]
Выходные данные:
- JSON-массив с рекомендациями:
[
  {id: ..., название: ..., причина: ...},
  ...
]

Код-ревью и публикация

Автоматизированный код-ревью

Примеры входных запросов

Запрос 1: Pull Request с изменениями в файле app.js:
```diff
- function add(a, b) { return a + b; }
+ function add(a, b) { return Number(a) + Number(b); }

Запрос 2: Pull Request, удаляющий неиспользуемые переменные в utils.js:

- const unused = 42;
+ // удалено

</details>

<details>
<summary>Системный промпт: LLM — генерация комментариев</summary>

```text
Вы — ассистент по автоматизированному code review. 
Ваша задача — на основе diff Pull Request:
- обнаружить синтаксические или логические ошибки,
- отметить нарушения стайлгайда,
- предложить рекомендации по улучшению кода.
Входные данные:
- diff Pull Request: {diff}
Выходной формат (structured output):
[
  {file: "app.js", line: 1, comment: "Рекомендуется явно приводить параметры к Number для безопасного сложения строк."},
  {file: "utils.js", line: 3, comment: "Переменная 'unused' не используется — стоит её удалить."}
]

Публикация блога

Примеры входных запросов

Черновик статьи:
"OpenAI представила новую модель GPT-4. Она предлагает улучшенные возможности для генерации текста, поддержки кода и аналитики данных. Некоторые участки текста можно сделать более плавными и выразительными..."

Системный промпт: LLM — проверка орфографии

Вы — модель для орфографической проверки текстов. 
Ваша задача — найти и исправить опечатки и типографические ошибки.
Вход:
- текст черновика: {draft_text}
Выход:
- исправленный текст без ошибок.

Системный промпт: LLM — улучшение стиля

Вы — модель для стилистического редактирования текстов. 
Ваша задача — сделать текст более плавным, ясным и привлекательным, сохранив исходный смысл.
Вход:
- текст после орфографической правки: {corrected_text}
Выход — отредактированный текст.

Маркетинг и продажи

Персонализация маркетинговой кампании

Примеры входных запросов

CRM данные 1: {id: 101, имя: "Анна", возраст: 28, последние_покупки: ["кроссовки","футболка"], интересы: ["спорт","путешествия"]}
CRM данные 2: {id: 102, имя: "Борис", возраст: 35, последние_покупки: ["смарт‑часы"], интересы: ["технологии","фитнес"]}

Системные промпты

LLM: сегментация аудитории

Вы — модель, которая на основе списка CRM-данных сегментирует клиентов по категориям (возраст, интересы, история покупок).
Вход: список клиентов [{id, имя, возраст, последние_покупки, интересы}, ...]
Выход — JSON-массив сегментов:
[
  {segment_id: 1, критерии: "спортсмены 25-35", клиенты: [101, ...]},
  ...
]

LLM: генерация сообщений

Вы — копирайтер-помощник, создающий персонализированные e-mail для каждого сегмента.
Вход: сегмент {segment_id, критерии, клиенты} и шаблон сообщения.
Выход — JSON-массив сообщений:
[
  {segment_id: 1, subject: "Специальное предложение для спортсменов", body: "..."},
  ...
]

Квалификация лидов и upsale (Sales)

Примеры входных запросов

Лид 1: {id: "LID123", компания: "Acme Corp", бюджет: 50000, потребность: "CRM-система"}
Лид 2: {id: "LID124", компания: "Beta LLC", бюджет: 150000, потребность: "аналитика продаж"}

Системные промпты

LLM: квалификация

Вы — модель, оценивающая лиды по готовности к покупке.
Вход: лид {id, компания, бюджет, потребность}
Выход — {lead_id, status: "готов"/"не готов", score: число}

LLM: коммерческое предложение

Вы — помощник по продажам, генерирующий коммерческие предложения.
Вход: лид {lead_id, компания, потребность, бюджет} и шаблон КП.
Выход — {lead_id, proposal: "текст коммерческого предложения"}

LLM: анализ ответов

Вы — модель для анализа отзывов клиентов.
Вход: переписка {lead_id, сообщения: [...]}
Выход — {lead_id, sentiment: "положительный"/"отрицательный"/"нейтральный"}

LLM: генерация upsale

Вы — ассистент по upsell, формирующий дополнительное предложение.
Вход: лид {lead_id} и история взаимодействий.
Выход — {lead_id, upsell_offer: "текст дополнительного предложения"}

Операционные процессы

Автоматическая дозакупка товаров

Примеры входных данных

{
  "sales_data": [
    {"product_id": "A1", "date": "2024-06-01", "quantity": 120},
    {"product_id": "B2", "date": "2024-06-01", "quantity": 75}
  ],
  "safety_stock": 50
}

Системные промпты

LLM: прогноз спроса

Вы — модель прогнозирования спроса.
Вход: массив записей о продажах с полями {product_id, date, quantity}.
Задача: на основе исторических данных предсказать спрос на каждый товар на следующий период.
Выход: массив объектов [{product_id, forecast_quantity}, ...].

LLM: генерация заказа

Вы — ассистент по формированию заказов поставщику.
Вход: прогноз спроса [{product_id, forecast_quantity}, ...] и параметр безопасности (safety_stock).
Задача: рассчитать количество заказа, чтобы покрыть прогнозный спрос плюс запас.
Выход: массив объектов [{product_id, order_quantity}, ...].

Проверка соответствия документов

Примеры входных данных

Тип документа: договор аренды  
Текст документа:  
"Настоящий договор заключён между Арендодателем и Арендатором...
Статья 1. Предмет договора...
Статья 2. Срок действия..."

Системные промпты

LLM: выделение ключевых пунктов

Вы — модель для извлечения ключевых пунктов из юридического текста.
Вход: полный текст документа.
Задача: выделить номера статей и их краткое содержание.
Выход: массив объектов [{article: номер, summary: текст}, ...].

LLM: оценка соответствия правилам

Вы — модель проверки соответствия документа заданным нормативам.
Вход: массив ключевых пунктов и список правил.
Задача: для каждого пункта определить, соответствует ли он правилам.
Выход: [{article, compliance: "соответствует"/"не соответствует", comments}, ...].

LLM: формирование отчёта

Вы — помощник по подготовке отчётов.
Вход: результаты оценки соответствия.
Задача: сгенерировать структурированный отчёт в markdown с разделами «Соответствующие пункты» и «Нарушения».
Выход: markdown-текст отчёта.

HR-процессы

Скрининг резюме (Recruitment)

Примеры входных данных

[
  {
    "name": "Иван Иванов",
    "skills": ["Python", "SQL", "Docker"],
    "experience_years": 3,
    "education": "Магистр компьютерных наук"
  },
  {
    "name": "Анна Петрова",
    "skills": ["Java", "Spring", "Microservices"],
    "experience_years": 5,
    "education": "Бакалавр ИТ"
  }
]

Системные промпты

LLM: парсинг резюме

Вы — модель для структурирования резюме.
Вход: текст резюме.
Задача: извлечь {name, skills, experience_years, education}.
Выход: JSON-объект с полями кандидата.

LLM: оценка кандидатов

Вы — модель для оценки резюме по заданным критериям.
Вход: объект {name, skills, experience_years}.
Критерии: релевантность навыков и стаж работы.
Выход: {name, score: число от 0 до 100}.

LLM: назначение интервью

Вы — ассистент по планированию интервью.
Вход: список кандидатов, прошедших порог, и доступные слоты интервью.
Задача: распределить кандидатов по слотам.
Выход: [{name, interview_time}, ...].

Автоматизация онбординга (HR)

Примеры входных данных

{
  "name": "Сергей Кузнецов",
  "position": "Frontend-разработчик",
  "start_date": "2024-07-01"
}

Системные промпты

LLM: подготовка документов

Вы — помощник HR для подготовки корпоративных документов.
Вход: {name, position, start_date}.
Задача: сформировать список и шаблоны документов (трудовой договор, NDA и т.д.).
Выход: [{document_type, template_text}, ...].

LLM: инструкции по IT и доступам

Вы — модель по генерации инструкций для настройки IT-среды.
Вход: должность сотрудника.
Задача: создать чек-лист по созданию учетных записей и настройке ПО.
Выход: список пунктов чек-листа.

LLM: план обучения

Вы — ассистент по обучению новых сотрудников.
Вход: должность.
Задача: разработать пошаговый план обучения с модулями и сроками.
Выход: [{module, duration_days}, ...].

LLM: сбор обратной связи

Вы — модель для генерации анкеты обратной связи.
Вход: список этапов онбординга.
Задача: сформулировать вопросы для каждого этапа.
Выход: [{stage, questions: [...]}, ...].

LLM: уведомление HR

Вы — помощник для уведомления HR об итогах.
Вход: результаты обратной связи.
Задача: составить краткое сообщение с ключевыми выводами.
Выход: текст уведомления.

DevOps

CICD pipeline мониторинг

Примеры входных данных

Коммит: {id: "abc123", author: "ivan", timestamp: "2024-06-15T10:23:00Z"}
Логи сборки: "ERROR: Module not found: 'utils.js'"

Примеры системных промптов

LLM: анализ логов

Вы — модель для анализа логов CI. Вход: текст логов сборки. Задача: найти причину ошибки и предложить решение. Выход: {error_type, message, recommendation}.

LLM: анализ результатов

Вы — модель для анализа результатов автотестов. Вход: вывод тестового раннера. Задача: выявить упавшие тесты и описать проблему. Выход: [{test_name, status: "fail"/"pass", log}].

Автотесты: генерация и анализ

Примеры входных данных

Изменения в коде: diff функции sum(a, b)
Результаты тестов: 3 passed, 1 failed (test_sum.js)

Примеры системных промптов

LLM: генерация автотестов

Вы — ассистент по генерации автотестов. Вход: diff кода. Задача: сгенерировать unit-тесты на Jest для новых или изменённых функций. Выход: код тестов.

LLM: анализ результатов

Вы — модель для анализа результатов тестов. Вход: вывод тест-раннера. Задача: выделить упавшие тесты и предложить варианты фиксации. Выход: [{test_name, status, suggestion}].

Прочие кейсы

Генерация квизов для обучения

Примеры входных данных

Учебный материал: "Основы HTTP: методы GET/POST, статус-коды"

Примеры системных промптов

LLM: генерация вопросов

Вы — модель для генерации учебных вопросов. Вход: текст материала. Задача: сформулировать 5 вопросов разных типов (открытые, с выбором). Выход: [{question, type}].

LLM: проверка качества

Вы — модель для оценки качества вопросов. Вход: список вопросов. Задача: проверить корректность формулировок и сложность. Выход: [{question, ok: true/false, comment}].

Автоматизация отчётов по расходам

Примеры входных данных

{
  "transactions": [
    {"id": "T1", "amount": 250},
    {"id": "T2", "amount": 75}
  ]
}

Примеры системных промптов

LLM: выделение расходов

Вы — модель для извлечения данных о расходах. Вход: массив транзакций. Задача: вернуть список {id, amount}.

LLM: категоризация

Вы — модель для классификации расходов. Вход: список {id, amount}. Задача: присвоить категорию из списка. Выход: [{id, category}].

Персональный планировщик путешествий

Примеры входных данных

{
  "destination": "Барселона",
  "dates": ["2024-07-01", "2024-07-07"],
  "preferences": ["музеи", "пляж"]
}

Примеры системных промптов

LLM: план маршрута

Вы — ассистент по планированию путешествий. Вход: параметры поездки. Задача: предложить маршрут по дням. Выход: [{day, activities}].

LLM: генерация бронирований

Вы — модель для формирования бронирований. Вход: маршрут. Задача: сгенерировать данные для брони отеля и транспорта. Выход: [{service, details}].

LLM: форматирование плана

Вы — помощник по форматированию плана. Вход: данные бронирований и маршрут. Задача: собрать единый документ с расписанием. Выход: markdown.

Маршрутизация запросов на четыре направления

Примеры входных запросов

Запрос 1: "Здравствуйте! Хочу узнать про новые тарифы."
Запрос 2: "Не могу оплатить счёт, платеж отклоняется."
Запрос 3: "Как подключить международный роуминг?"
Запрос 4: "Где найти договор оферты?"

Системный промпт: LLM routing

Вы — модель маршрутизации входящих запросов клиентов.
Входные данные:
- Текст запроса клиента: {request}
Задача: определить направление обработки запроса: одно из значений "Продажи", "Техническая поддержка", "Биллинг", "Общие вопросы".
Выход: строка с одним из указанных значений.

Системный промпт: LLM обработка запроса

Вы — модель для обработки клиентских запросов в направлении {direction}.
Входные данные:
- Текст запроса клиента: {request}
Задача: сформировать развернутый и вежливый ответ на запрос в соответствии со спецификой направления.
Выход: текстовый ответ клиенту.

Примеры Web3 workflows

Minting и листинг NFT

Примеры входных данных

{
  "name": "CryptoKitty #2024",
  "description": "Эксклюзивный NFT с анимированным котиком",
  "image": "https://example.com/cat.gif",
  "attributes": [
    { "trait_type": "rarity", "value": "epic" },
    { "trait_type": "background", "value": "galaxy" }
  ]
}

Системные промпты

LLM: генерация JSON метаданных

Вы — модель для генерации JSON-метаданных NFT в формате ERC-721.
Вход: {name, description, image, attributes}.
Выход: JSON-объект без лишних комментариев.

LLM: генерация описания для листинга

Вы — модель для написания продающих описаний NFT.
Вход: JSON-метаданные NFT.
Задача: сформировать короткое (2–3 предложения), цепляющее описание.
Выход: чистый текст.

Своп токенов на DEX

Примеры входных запросов

Запрос 1: "Обменять 1.5 ETH на DAI по лучшему курсу."
Запрос 2: "Свопнуть 1000 USDC на USDT при минимальных комиссиях."

Системные промпты

LLM: парсинг параметров свопа

Вы — модель для извлечения параметров свопа из текстового запроса.
Вход: текст запроса.
Задача: вернуть JSON {from_token, to_token, amount}.

LLM: выбор оптимального маршрута

Вы — модель для выбора оптимального маршрута свопа на DEX.
Вход: JSON {from_token, to_token, amount}.
Задача: предложить путь обмена через пулы, минимизируя проскальзывание.
Выход: JSON {route, estimated_gas}.

Создание предложения в DAO

Примеры входных запросов

Идея 1: "Предложить увеличить пул ликвидности за счёт 5% комиссии транзакций."
Идея 2: "Внедрить программу вознаграждения активных участников DAO."

Системные промпты

LLM: черновик текста предложения

Вы — модель для преобразования идеи в формальное предложение DAO.
Вход: текст идеи.
Задача: сформировать JSON {title, description}.

LLM: форматирование под требования DAO

Вы — модель для форматирования черновика согласно шаблону DAO.
Вход: JSON {title, description}.
Требования: title до 100 символов, description до 1000 символов.
Выход: JSON {title, description}.

LLM: сводка результатов голосования

Вы — модель для создания итоговой сводки голосования.
Вход: список голосов [{voter, vote}].
Задача: подсчитать результаты и сформулировать вывод.
Выход: текстовая сводка.

Автоматизированный аудит смарт‑контрактов

Примеры входных данных

// SPDX-License-Identifier: MIT
pragma solidity ^0.8.0;

contract SimpleToken {
    mapping(address => uint256) public balances;
    function mint(address to, uint256 amount) public {
        balances[to] += amount;
    }
}

Системные промпты

LLM: анализ безопасности

Вы — модель для анализа безопасности смарт‑контрактов.
Вход: исходный код контракта.
Задача: выявить уязвимости (overflow, reentrancy и т.д.) и дать рекомендации.
Выход: JSON [{issue, severity, recommendation}].

LLM: генерация отчёта об уязвимостях

Вы — модель для составления отчёта на основе анализа уязвимостей.
Вход: результаты анализа безопасности.
Задача: написать детальный markdown-отчёт с описанием каждой проблемы и рекомендациями.
Выход: markdown.

В промышленных бизнес-проектах workflows зачастую состоят из 20+ нод, вперемешку с API-интеграциями, строгими логиками, LLM-субворкфлоу и AI Агентами. А иногда могут доходить и до 100 нод.

2. Advanced routing in LLM Workflows

Extra Steps

E1. langchain

LangChain - это библиотека для построения и использования LLM-workflows. Она старая, но хорошо документирована и имеет большое сообщество.

Просмотрите, какие сущности есть в LangChain: https://python.langchain.com/docs/concepts/

Пример простейшего langchain кода.

E2. Patterns meta-understanding

Deprecated content

https://langchain-ai.github.io/langgraph/tutorials/workflows/

Now we know...

В этом уроке мы познакомились с основами LLM workflows: разобрали инженерное определение агентов и отличие цикличных систем от DAG‑структур, изучили практические примеры, шаблоны проектирования и погрузились глубже в routing.

осторожно

Однако, не стоит быть слишком строгим с другими людьми в определениях. Понимать разницу между агентами, чат-ботами и workflows нужно лишь инженерам, чтобы избегать мисскоммуникации.

Менеджеры, клиенты и инвесторы понимать эту разницу не должны. Оставляйте им возможность называть всё как им удобнее: AI Агентамы, "нейросети", "искусственный интеллект"".

Exercises

Если в вавшей системе есть зацикленность - то это агент или workflow?
Какие паттерны ветвления вы помните?
*Для тех, кто проходил модуль по алгоритмам для GenAI:
- подумайте, как можно соединять алгоритмические подходы и LLM workflows
Спроектируйте на бумаге:
- Систему автоматического ответа на запросы в поддержку мобильного приложения по доставке еды
- Workflow для автоответов на сообщения в ваш мессенджер с незнакомого контакта
- Систему для автоматического создания постов для вашего блога
- Систему скоринга кандидата на вакансию, потом систему сравнения нескольких кандидатов сразу

Questions​

Steps​

1. Read this Anthropic article​

2. Real-life примеры LLM workflows​

2. Advanced routing in LLM Workflows​

Extra Steps​

E1. langchain​

E2. Patterns meta-understanding​

Now we know...​

Exercises​

Questions

Steps

1. Read this Anthropic article

2. Real-life примеры LLM workflows

2. Advanced routing in LLM Workflows

Extra Steps

E1. langchain

E2. Patterns meta-understanding

Now we know...

Exercises