Рівень додатків для агентів штучного інтелекту: чому майбутнє за дизайном на основі Canvas
Постачальники інфраструктури обробляють аудіо в реальному часі. Провайдери моделі обробляють міркування. Прикладного рівня, на якому ви розробляєте, розгортаєте та контролюєте агентів, бракує. Це те, що вирішують платформи на основі полотна.
Стек агентів AI має три рівні. Інфраструктура: передача аудіо/відео в реальному часі, телефонія, WebRTC (це те, що вирішують LiveKit, Twilio та подібні провайдери). Моделі: LLM, ASR, TTS, моделі бачення (це те, що вирішують OpenAI, Anthropic, Google і спільноти з відкритим кодом). І прикладний рівень: де ви фактично розробляєте поведінку агента, підключаєте його до ваших бізнес-систем, розгортаєте його для клієнтів і відстежуєте, що відбувається. Цей третій шар був помітно недорозвинутим.
Розрив між інфраструктурою та досвідом
Ви можете розпочати аудіосеанс у реальному часі за допомогою інфраструктурного SDK. Ви можете викликати API моделі. Те, що ви не можете зробити легко: розробити багатоетапну розмову з умовною логікою, підключити її до CRM і календаря, додати захист відповідності, розгорнути її на телефонному номері, відстежувати її ефективність у 10 000 дзвінків і повторювати потік на основі аналітики. Це прикладний рівень — рівень між інфраструктурою та досвідом користувача.
Чому дизайн на основі полотна перемагає
Фреймворки агентів на основі коду надають інженерам максимальну гнучкість, але нульову видимість для всіх інших. Платформи лише для підказок надають доступ нетехнічним командам, але жертвують надійністю та контролем. Платформи на основі Canvas, як-от Agent Canvas, займають праву середину: достатньо візуальні, щоб команди продуктів могли зрозуміти та модифікувати, достатньо структуровані, щоб перевірити відповідність, і достатньо потужні, щоб інженерні розробки могли розширюватися за допомогою спеціальних дій та інтеграції.
Поза голосом: полотно для всіх модальностей
Сьогодні полотна проектують голосові розмови. Завтра те саме полотно розробляє багатомодальний досвід: голос + показ екрана для адаптації, голос + камера для документації претензій, голос + відео для перевірки особи та, зрештою, передача візуального контенту від агента до користувача. Прикладний рівень не обмежуватиметься телефонними дзвінками — він керуватиме всіма способами, за допомогою яких агент ШІ взаємодіє з людиною. Компанії, які зараз створюють цей рівень, створюють інструмент розробки інтерфейсу для наступного десятиліття взаємодії людини та ШІ.
Готові створювати?
Подивіться, як мультимодальні ШІ-агенти Mazed працюють для вашого випадку використання.