Bot Factory на Amazon Bedrock: как AutoScout24 стандартизировала разработку AI-агентов для всей компании

От хаоса к конвейеру: почему стандартизация убивает инновации (и это хорошо)

В 2024-2025 годах каждая вторая команда в AutoScout24 экспериментировала с AI-агентами. Маркетинг строил чат-бота для лидов. Поддержка клиентов - агента для обработки запросов. Продажи - помощника для менеджеров. Каждый делал по-своему. На разных моделях. С разными prompt-инженерами. С уникальными (читай: несовместимыми) системами логирования.

Результат? Технический долг размером с Альпы. Агент поддержки не мог передать контекст агенту продаж. Мониторинг работал в пяти разных дашбордах. Стоимость одного запроса колебалась от $0.01 до $1.50 в зависимости от того, кто и как настроил модель.

Именно тогда родилась идея Bot Factory. Не очередной фреймворк. Не библиотека. А полноценная фабрика - конвейер, на котором любой разработчик мог собрать агента за дни, а не недели. С гарантированным SLA. С единым мониторингом. С предсказуемой стоимостью.

Архитектура, которая работает: три слоя вместо хаоса

AutoScout24 выбрала Amazon Bedrock не потому что это модно. А потому что в 2026 году это единственная платформа, которая дает реальную мультимодельность без головной боли. Claude 3.5 Sonnet для сложных рассуждений. GPT-4o для креативных задач. Command R+ для работы с данными. Все через единый API.

Архитектура Bot Factory строится на трех слоях:

1 Слой стандартизации: контракты вместо импровизации

Каждый агент в фабрике реализует единый интерфейс. Это не просто "у нас есть стандарт". Это железное правило:

class AgentContract:
    def __init__(self, agent_id: str, version: str):
        self.agent_id = agent_id
        self.version = version
        
    async def process(self, 
                     session_id: str,
                     user_input: str,
                     context: Optional[Dict] = None) -> AgentResponse:
        # Все агенты возвращают одинаковую структуру
        pass
    
    def get_metrics(self) -> AgentMetrics:
        # Единая система метрик
        pass
    
    def validate_input(self, input: str) -> ValidationResult:
        # Единая валидация
        pass

Звучит банально? Попробуйте заставить 50 разработчиков из разных отделов следовать одному контракту. В AutoScout24 это сделали через систему внутренних лицензий: если хочешь запустить агента в продакшн - используй фабрику. Иначе инфраструктура не выделит ресурсы.

2 Слой оркестрации: один мозг для всех агентов

Вот где большинство компаний ошибаются. Они создают агентов-одиночек. AutoScout24 пошла другим путем - Supervisor Agent. Это главный диспетчер, который:

• Определяет интент пользователя (помощь, покупка, жалоба)
• Выбирает подходящего специализированного агента
• Управляет контекстом между агентами
• Обрабатывает эскалации к человеку

Supervisor построен на Claude 3.5 Sonnet (на январь 2026 это все еще лучшая модель для сложных рассуждений). Его промпт весит 1200 токенов и описывает все 17 бизнес-процессов компании.

3 Слой данных: единая память вместо разрозненных БД

Раньше каждый агент хранил свою историю диалогов. В своей БД. Со своей схемой. Теперь все агенты работают с единой Vector Memory - векторной базой на Amazon Aurora с поддержкой pgvector.

Почему это важно? Агент поддержки видит, что пользователь уже общался с агентом продаж. Агент рекомендаций знает, какие вопросы задавали в поддержке. Это не просто удобно - это меняет качество диалога.

Пошаговый план: как внедрить Bot Factory за 90 дней

AutoScout24 не строил фабрику год. Они сделали это за квартал. Вот их рецепт:

1 День 1-30: Инвентаризация и стандартизация

Собрали всех, кто работал с агентами. Составили таблицу: какой агент, на чем работает, какие задачи решает, сколько стоит. Ужаснулись.

Выбрали три самых успешных агента (по метрикам бизнеса, не по технической красоте). Разобрали их на части. Выделили общие компоненты.

Создали первый контракт AgentContract. Не идеальный. Минимально рабочий.

2 День 31-60: Первый конвейер

Настроили CI/CD пайплайн в GitLab. Он делает простые вещи:

1. Проверяет, что агент реализует контракт
2. Запускает тесты на 1000+ предопределенных диалогов
3. Измеряет latency и стоимость запроса
4. Если все ок - деплоит в staging

Ключевой момент: тестовые диалоги. Их собирали из реальных логов. 100 диалогов с поддержкой. 100 - с продажами. 100 - с рекомендациями. Каждый новый агент должен пройти через эту батарею.

3 День 61-90: Миграция и масштабирование

Переписали трех самых важных агентов под новый стандарт. Не всех 17 сразу. Трех.

Запустили A/B тест: старые агенты vs новые из фабрики. Измерили разницу в метриках бизнеса (конверсия, удовлетворенность, стоимость).

Когда цифры показали преимущество (а они показали - конверсия +15%, стоимость -40%), начали мигрировать остальных. Добровольно-принудительно.

Ошибки, которые повторяют все (и как их избежать)

AutoScout24 наступила на те же грабли, что и другие. Вот топ-3 ошибки их первого подхода:

Самая болезненная ошибка - экономия на тестах. В начале 2025 команда запустила агента без теста на регрессию. Он работал идеально... пока не сломался после обновления модели в Bedrock. Оказалось, новая версия Claude иначе интерпретировала промпт. На поиск и фикс ушло 3 дня. Сейчас каждый промпт проходит через 4 типа тестов перед деплоем.

Цифры, которые заставят вашего CFO улыбнуться

Через 6 месяцев после запуска Bot Factory:

• Время разработки нового агента: с 6 недель до 5 дней
• Средняя стоимость запроса: снизилась с $0.23 до $0.07
• Конверсия в диалогах с поддержкой: +22% (агенты лучше понимают контекст)
• Инфраструктурные затраты: -65% (экономия на масштабе)
• Количество инцидентов: с 47 в месяц до 3

Но главная цифра не в таблице. Раньше запуск нового AI-продукта требовал согласований с 5 отделами. Теперь - один тикет в Jira. Разработчик получает шаблон, заполняет конфиг, запускает пайплайн. Через 2 часа агент в staging. Через день - в продакшн.

Что будет дальше? Пять предсказаний на 2026-2027

Опыт AutoScout24 показывает тренды, которые станут мейнстримом:

1. Agent Mesh: агенты будут общаться не только с пользователем, но и между собой. Продающий агент автоматически передаст лида onboarding-агенту. Как в статье про переход от чат-ботов к агентам.
2. Автономные улучшения: агенты будут сами анализировать свои ошибки и корректировать промпты. Уже сейчас AutoScout24 тестирует систему, где Supervisor предлагает улучшения для специализированных агентов.
3. Кросс-платформенность: фабрика будет поддерживать не только Bedrock. Уже есть прототип с OpenAI и Anthropic. Потому что в 2026 году зацикливаться на одном провайдере - самоубийство.
4. Low-code для бизнес-пользователей: маркетологи смогут создавать простых агентов без программистов. Через интерфейс вроде Google UCP.
5. Юридические агенты: следующий шаг - агенты, которые следят за compliance. Проверяют, не нарушает ли промпт GDPR. Не дает ли агент продаж неверных гарантий.

Главный урок от AutoScout24 прост: AI-агенты - это не про технологии. Это про операционную эффективность. Можно иметь лучшие модели, самые умные промпты, идеальную архитектуру. Но если каждый отдел изобретает свой велосипед - вы проиграете.

Bot Factory - это не про контроль. Это про скорость. Когда любой разработчик может запустить production-ready агента за дни, а не месяцы - компания начинает двигаться в 10 раз быстрее. И в 2026 году это единственный способ не отстать.

P.S. Если думаете, что ваша компания слишком мала для фабрики - ошибаетесь. Начните с единого контракта для агентов. Просто договоритесь, что все новые агенты будут следовать одним правилам. Это бесплатно. А сэкономит тысячи часов уже в первый год.