От шаблонных рекомендаций к умному собеседнику: создаем кино-агента на Amazon Bedrock AgentCore

Почему рекомендации Netflix такие предсказуемые (и как это исправить)

Современные стриминги кидают вам один и тот же набор фильмов. Вы посмотрели "Довод"? Вот вам весь Нолан. Посмотрели один сериал Marvel? Добро пожаловать в ловушку супергероев.

Проблема старых рекомендательных систем в их слепоте. Они видят только цифры: жанр, рейтинг, просмотры. Они не понимают контекст, настроение, тонкие нюансы. Хотите меланхоличную научную фантастику с философским подтекстом? Система предложит "Звездные войны" — потому что там тоже космос.

Архитектура агента, который понимает больше вашего друга-киномана

Наш агент не один большой LLM. Это система из четырех специализированных компонентов, работающих по принципу суб-агентов.

Все это работает на Amazon Bedrock AgentCore — платформе, которая из коробки умеет вызывать функции, управлять контекстом и обрабатывать многошаговые диалоги. Не нужно писать тонны glue-кода.

1 Готовим данные: не просто база фильмов, а энциклопедия настроений

Большинство падает на этом этапе. Берут готовый датасет MovieLens с оценками и думают, что этого достаточно. Недостаточно.

Нужны векторные эмбеддинги описаний, сюжетов, рецензий. Берем Amazon Titan Embeddings модель последней версии (на март 2026 это v2.1 с контекстом 8000 токенов) и пропускаем через нее синопсисы.

import boto3
import json
from typing import List

bedrock = boto3.client('bedrock-runtime', region_name='us-east-1')

def get_embeddings(texts: List[str]) -> List[List[float]]:
    body = json.dumps({
        "inputTexts": texts,
        "embeddingConfig": {
            "outputEmbeddingLength": 1024  # Оптимально для поиска
        }
    })
    
    response = bedrock.invoke_model(
        modelId='amazon.titan-embed-text-v2:1',
        body=body
    )
    
    result = json.loads(response['body'].read())
    return result['embeddings']

# Пример для одного фильма
synopsis = "Фильм о кибернетическом детективе в будущем Токио, расследующем серию загадочных убийств, связанных с виртуальной реальностью."
embedding = get_embeddings([synopsis])[0]

Эти векторы сохраняем в OpenSearch с гибридным индексом. Почему гибридный? Потому что вместе с векторным поиском нужно оставить и традиционные фильтры по году, жанру, рейтингу. Иначе агент будет рекомендовать вам черно-белое немое кино, когда вы просите "что-то современное".

2 Создаем агента в Bedrock AgentCore: инструкции важнее кода

Здесь большинство совершает критическую ошибку: пишут слишком общие инструкции. "Ты помощник по рекомендациям фильмов" — это ничего не значит для LLM.

Правильная инструкция выглядит так:

Ты кинокритик-консультант с 20-летним стажем. Твоя задача — не просто назвать фильм, а понять настроение пользователя.

ПРАВИЛА:
1. Всегда уточняй контекст. Если пользователь говорит "хочу что-то легкое", спроси: "Легкое как комедия или как красивая драма без тяжелых сцен?"
2. Никогда не рекомендую больше 3 фильмов за раз.
3. Для каждого фильма объясняю ОДНОЙ фразой, почему он подходит именно этому пользователю.
4. Если пользователь спрашивает про актеров или режиссеров — сначала проверяю факты через инструмент поиска.
5. Не выдумываю фильмы. Если не уверен — говорю "не помню такой фильм, давайте поищем другой".

СТРУКТУРА ДИАЛОГА:
1. Уточнение запроса (1-2 вопроса)
2. Поиск вариантов (использую инструменты)
3. Предложение 2-3 фильмов с пояснениями
4. Уточнение, подходит ли вариант

Эти инструкции загружаем в Agent Console. Используем шаблон FAST для быстрого старта — он уже включает базовую настройку Lambda функций и API Gateway.

3 Настраиваем инструменты: поиск, который понимает абстракции

Инструменты в AgentCore — это функции, которые агент может вызывать. Нам нужно три основных:

• semantic_movie_search: векторный поиск по описанию настроения
• collaborative_recommendations: рекомендации на основе похожих пользователей
• get_movie_details: получение точных данных (год, режиссер, актеры)

Самое интересное — первый инструмент. Его схема выглядит так:

{
  "name": "semantic_movie_search",
  "description": "Ищет фильмы по описанию настроения, атмосферы или эмоций. НЕ использует жанры или названия.",
  "inputSchema": {
    "json": {
      "type": "object",
      "properties": {
        "mood_description": {
          "type": "string",
          "description": "Описание настроения: 'меланхоличный осенний вечер в большом городе' или 'энергичная музыкальная комедия с танцами'"
        },
        "avoid_genres": {
          "type": "array",
          "items": {
            "type": "string"
          },
          "description": "Жанры, которые нужно исключить"
        }
      },
      "required": ["mood_description"]
    }
  }
}

Когда пользователь говорит "Хочу что-то меланхоличное про одиночество в большом городе", агент преобразует это в вектор через ту же Titan Embeddings, ищет ближайшие синопсисы в OpenSearch и возвращает варианты.

Тонкая настройка: почему ваш агент глупеет через неделю

Собрали агента, он работает. Довольные пользователи начинают с ним общаться. И через 7-10 дней качество рекомендаций падает.

Проблема в дрейфе контекста. AgentCore сохраняет историю диалогов, и со временем в контекст попадает слишком много информации. LLM начинает учитывать не только последний запрос, а весь мешанину из прошлых разговоров.

Решение:

1. Включайте очистку контекста каждые 10 сообщений
2. Создайте отдельный инструмент save_preferences, который выносит ключевые данные пользователя (любимые жанры, актеров, режиссеров) в отдельную базу
3. При старте нового диалога загружайте эти предпочтения обратно в контекст

Это похоже на то, как работает Catalog AI от Amazon — система постоянно обновляет профиль пользователя на основе взаимодействий.

Мониторинг и улучшения: смотрите не на метрики, а на диалоги

Типичная ошибка: отслеживаете только Accuracy@10 или CTR рекомендаций. Это бесполезно для агентной системы.

Нужно смотреть на:

• Коэффициент уточняющих вопросов: сколько раз агент спрашивает уточнения перед рекомендацией. Идеально — 1-2 раза
• Длину успешного диалога: сколько сообщений проходит пользователь до выбора фильма
• Процент возвратов: как часто пользователи возвращаются к агенту после просмотра рекомендованного фильма

Установите CloudWatch Logs Insights для анализа диалогов. Ищите паттерны:

fields @timestamp, @message
| filter @message like /"function_call": "semantic_movie_search"/
| stats count(*) as search_calls by bin(5m)
| sort @timestamp desc

Чего ждать дальше: когда агенты заменят кинокритиков

Текущие системы уже понимают запросы вроде "порекомендуй что-то похожее на первые сезоны 'Игры престолов', но без фэнтези". Через год они смогут анализировать ваш текущий настрой по камере (серьезно, Alexa+ уже тестирует это) и предлагать фильм под ваше сегодняшнее состояние.

Следующий шаг — интеграция с продакшн-студиями. Представьте агента, который не только рекомендует фильмы, но и помогает создателям тестировать концепции. Это уже происходит в экспериментах Amazon с ИИ-студией.

Главный совет: не пытайтесь сделать агента, который знает всё. Лучше узкий специалист по криминальным драмам 90-х, чем всезнайка, который путает Бергмана с Бёртом Рейнолдсом.

Подписаться на канал