rai220/erc3_ai_agent

Поучаствовал в интересном соревновании - Enterprise RAG Challenge 3: AI Agents от Рината, автора канала LLM под капотом . Мы с клодом заняли 7-ое место (среди 521 зарегистрированной команды) В рамках соревнования нужно было разработать AI агента, который бы решал задачи в корпоративном сегменте, используя при этом 24 инструмента для взаимодействия с компанией. Например, агенту поступает письмо от сотрудника: " Я ухожу в декрет, сотри все мои данные из системы " и агент должен решить, что предпринять - выполнить команду или, изучив корпоративную документацию (тоже через API), отклонить запрос. А может запросить согласование у начальника? На решение всех задач у агентов было три часа (изначально час, но организаторы решили добавить еще два). Мой агент был сделан на ванильной архитектуре ReAct от LangGraph и обогащен тремя дополнительными тулами: * think tool * planning tool * critic tool со structured output Работало все это на GPT-5.1 ($5 за прогон всех задач вышло) Почему именно такая архитектура? Это по сути тот же универсальный агент на минималках. Я думаю, что будущее за такими агентами, в прошлом посте писал про это . Про применение think-tool вместо классического reasoning я пару раз рассказывал в докладах и мне по-прежнему симпатичен этот подход. Если быть честным, агент полностью навайбкожен с помощью Cursor + Claude Opus 4.5. Времени писать своего или даже вникать в его работу у меня не было, поэтому пошел следующим путем: 1. Задал текстом архитектуру (LangGraph + React + тулы) 2. Попросил сделать заготовку, которая бы позволяла прогонять задачи по-одному и генерировала бы разумное количество логов. 3. Прописал в файле AGENTS.md основные требования к агенту и базовые правила конкурса. 3. Запустил курсор в цикле, чтобы он запускал тестовые задачи по-одной и добивался бы прохождения каждого из тестов. Здесь я оставил его на 4 часа (благо как раз была 90%-я скидка на Опус), в результате чего получил работающего агента. Потом еще пару итераций по о