Создание целеустремленного диалогового агента на LLM: архитектура, промпты и техники для планирования путешествий

Зачем вашему чат-боту цель? (Он же не человек)

Большинство диалоговых систем на LLM в 2026 году все еще страдают от одной болезни: они прекрасно болтают, но совершенно бесполезны в достижении конкретного результата. Пользователь спрашивает про отель в Париже, а ему в ответ — трехстраничное эссе об истории французской архитектуры. Звучит знакомо? Это проблема бесцельности, и она съедает всю практическую ценность агента.

Целеустремленный (goal-oriented) диалоговый агент — это не просто чат-интерфейс к API авиакомпаний. Это система, которая ведет переговоры, заполняет пробелы в информации, строит многораундовый план и, в конечном счете, выполняет задачу: бронирует поездку, подбирает маршрут, находит компромисс между бюджетом и комфортом. Здесь мы разберем, как построить такого агента для планирования путешествий, используя последние LLM (на 2026 год это могут быть модели вроде GPT-4.5 Turbo, Claude 4 Opus или Gemini 2.5 Pro) и архитектурные паттерны, которые не дадут ему свернуть в философские дебри.

Из чего состоит агент, который не заблудится

Однослойная архитектура (пользователь -> LLM -> ответ) здесь не работает. Нужен координационный слой, который разбивает высокоуровневую цель (\"спланируй путешествие\") на последовательность действий и диалоговых ходов. Вспомните про System 2 архитектуру. Для планирования путешествий я использую четыре ключевых модуля:

• Диалоговый менеджер (Dialog Manager): Отвечает за состояние разговора. Отслеживает, какую информацию мы уже собрали (бюджет, даты, предпочтения), а какую еще нужно уточнить.
• Планировщик (Planner): Принимает текущее состояние диалога и определяет следующее действие. Запрос данных у пользователя? Вызов внешнего API для поиска рейсов? Предложение компромисса?
• Модуль знаний (Knowledge Module): Хранит и извлекает контекстно-зависимую информацию. Это не просто RAG с брошюрами отелей. Это упакованные skills, например, \"как сравнивать цены на авиабилеты с учетом багажа\" или \"какие визовые требования актуальны для граждан РФ в 2026\".
• Исполнитель (Executor): Выполняет действия, определенные планировщиком: формирует запросы к внешним API (Amadeus, Booking.com), вычисляет бюджет, генерирует финальный маршрут в PDF.

1Определите цель так, чтобы ее нельзя было проигнорировать

\"Планирование путешествия\" — это абстракция. Агент будет тонуть. Разбейте цель на конкретные, измеримые подцели (success criteria).

• Сбор ограничений: Получить от пользователя бюджет, даты, пункт назначения, количество путешественников, предпочтения (тип жилья, активность).
• Поиск и оценка вариантов: Найти минимум 3 варианта перелета и 3 варианта проживания, соответствующих ограничениям.
• Переговоры и уточнения: Обсудить компромиссы (\"Отель у моря дороже на 20%, но есть бесплатный трансфер\").
• Формирование итога: Предоставить сводный маршрут с ценами, ссылками и следующем шагом (например, переход к бронированию).

Эти подцели становятся состояниями в вашем диалоговом менеджере. Агент не может перейти к поиску отелей, пока не подтвердит даты. Это жесткая логика, а не рекомендация.

2Спроектируйте диалоговый поток как конечный автомат

Не надейтесь, что LLM сама будет вести логичную беседу. Задайте сценарии. Для каждого состояния (\"сбор дат\", \"выбор отеля\") определите:

• Интенты пользователя: Что он может сказать в этом состоянии? (\"Я передумал на эти даты\", \"Покажите варианты подешевле\").
• Действия агента: Как он должен реагировать? (Обновить состояние, вернуться на шаг назад, вызвать API).
• Валидацию ввода: Даты должны быть в будущем, бюджет — числом. Делегируйте валидацию отдельному компоненту, а не LLM.

# Упрощенный пример состояния в диалоговом менеджере (Python, 2026)
class DialogState:
    def __init__(self):
        self.stage = \"COLLECTING_DATES\"  # Текущий этап
        self.slots = {  # Собранные данные
            \"destination\": None,
            \"budget\": None,
            \"travel_dates\": None,
            \"travelers\": None
        }
    
    def transition(self, user_input: str, llm_planner):
        # Планировщик на LLM анализирует input и текущее состояние
        # и возвращает следующее действие и обновленные слоты
        action = llm_planner.decide_next_action(self, user_input)
        if action == \"UPDATE_SLOT\":
            self.slots[action.slot_name] = action.value
            # Проверяем, все ли обязательные слоты заполнены
            if self.all_required_slots_filled():
                self.stage = \"SEARCHING_OPTIONS\"
        elif action == \"REQUEST_CLARIFICATION\":
            # Вернуться в то же состояние, но с запросом уточнений
            pass

3Промпты — это код. Пишите их соответственно

Системный промпт — это ДНК вашего агента. Он должен быть конкретным, императивным и включать четкие правила игры. Вот пример для модуля-планировщика, актуальный для моделей 2026 года (учтены последние возможности, like reasoning tokens):

Ты — планировщик диалога для агента по планированию путешествий. Твоя единственная цель — определить следующее действие системы на основе текущего состояния и реплики пользователя.

ТЕКУЩЕЕ СОСТОЯНИЕ ДИАЛОГА:
{диалоговое состояние в JSON}

ИСТОРИЯ ДИАЛОГА (последние 3 реплики):
{история}

ПОСЛЕДНЯЯ РЕПЛИКА ПОЛЬЗОВАТЕЛЯ: \"{user_input}\"

ДОСТУПНЫЕ ДЕЙСТВИЯ:
1. REQUEST_SLOT: Запросить у пользователя значение для определенного поля (например, budget, dates). Используй, если поле пустое или значение некорректно.
2. CONFIRM_SLOT: Подтвердить у пользователя значение важного поля (например, \"Вы подтверждаете даты с 15 по 22 апреля?\").
3. SEARCH_EXTERNAL: Запустить поиск вариантов (рейсов, отелей) на основе заполненных слотов. Только если все обязательные слоты заполнены.
4. PRESENT_OPTIONS: Представить пользователю найденные варианты с ключевыми параметрами (цена, рейтинг, условия).
5. NEGOTIATE: Предложить компромисс или альтернативу, если пользователь недоволен вариантами.
6. FINALIZE: Сформировать итоговый маршрут и завершить диалог.

ПРАВИЛА:
- Никогда не переходи к поиску (SEARCH_EXTERNAL), пока не заполнены обязательные слоты: destination, budget, travel_dates, travelers.
- Если пользователь меняет уже заполненный слот (\"Я передумал, бюджет 100 тысяч\"), немедленно обнови значение и, если нужно, вернись на этап поиска.
- Если пользователь спрашивает о чем-то за пределами планирования путешествий (\"Расскажи анекдот\"), вежливо отклони и верни фокус к цели.

ТВОЙ ВЫВОД ДОЛЖЕН БЫТЬ ТОЛЬКО В ФОРМАТЕ JSON:
{
  \"next_action\": \"название_действия\",
  \"action_parameters\": {},  // например, {\"slot_name\": \"budget\"}
  \"reasoning\": \"Краткое объяснение выбора (1 предложение)\"
}

4Интегрируйте внешний мир: API и не только

Агент, который только говорит — это справочник. Исполнитель должен делать. Для поиска рейсов и отелей в 2026 году все еще актуальны API Amadeus, Skyscanner (RapidAPI) и прямые интеграции с агрегаторами. Важный нюанс: LLM не должна формировать финальный HTTP-запрос. Она должна выдавать структурированный запрос на поиск, который ваш код преобразует в вызов API с правильными заголовками и аутентификацией.

# Пример: Исполнитель получает от планировщика задачу SEARCH_FLIGHTS
# с параметрами и делает вызов
class FlightSearchExecutor:
    def execute(self, search_params: dict):
        # Преобразуем параметры от LLM в формат внешнего API
        # LLM могла написать \"завтра\", нам нужно преобразовать в дату
        formatted_params = self._format_params(search_params)
        
        # Вызов реального API (пример с aiohttp)
        async with aiohttp.ClientSession() as session:
            async with session.get('https://api.skyscanner.com/v3/flights',
                                   params=formatted_params,
                                   headers={'API_KEY': os.environ["API_KEY"]}) as resp:
                search_results = await resp.json()
        
        # Фильтрация и ранжирование результатов (можно с помощью другого вызова LLM)
        ranked_results = self._rank_flights(search_results, search_params['budget'])
        return ranked_results[:3]  # Возвращаем топ-3

5Оценивайте не слова, а результат

Традиционные метрики типа BLEU или ROUGE бесполезны. Вам нужны метрики, измеряющие успех цели.

• Коэффициент завершенности задачи (Task Completion Rate): Какой процент диалогов заканчивается предоставлением валидного, полного маршрута?
• Эффективность сбора слотов (Slot Filling Efficiency): Сколько реплик потребовалось, чтобы собрать все обязательные данные? Меньше — лучше.
• Коэффициент успешных API-вызовов: Сколько поисковых запросов вернули релевантные, непустые результаты?
• Удовлетворенность пользователя (User Satisfaction Score): Опрос после диалога или косвенная метрика — согласился ли пользователь с предложенным вариантом.

Создайте тестовую панель с этими метриками. Запускайте диалоги с заранее подготовленными сценариями (персонажами с разными предпочтениями) и смотрите, где агент ломается. Часто ломается он именно в точках переговоров, где нужно проявить гибкость — тут может помочь введение суб-агента-переговорщика.

Где все пойдет не так: подводные камни 2026 года

Даже с самой продуманной архитектурой вы наткнетесь на эти проблемы. Лучше знать заранее.

Что дальше? Агенты начинают договариваться

Следующий эволюционный шаг для таких систем — мультиагентность. Ваш агент по планированию путешествий не будет одинок. Он станет координироваться с агентом-финансистом (который следит за бюджетом и курсами валют) и агентом-юристом (который проверяет визовые правила). Они будут обмениваться сообщениями, как в эксперименте, описанном в статье про AI-картель, но, надеюсь, с более полезными целями. Архитектурно это означает переход к полностью децентрализованной системе с шиной сообщений, где каждый агент — это независимый сервис со своими промптами и skills. Инструменты вроде Amazon Bedrock AgentCore или открытые фреймворки для мультиагентного взаимодействия (например, Camel) уже в 2026 году делают это доступным.

Главный неочевидный совет? Не пытайтесь сделать агента универсально вежливым и дружелюбным. Его цель — выполнить задачу, а не понравиться. Иногда лучший диалог — это тот, который закончился за 5 реплик, а не за 50, даже если последняя реплика агента была сухой констатацией факта: \"Ваш маршрут составлен. Вот ссылка на оплату. Хорошей поездки.\" В мире, заваленном болтливыми AI, именно целеустремленность станет вашим главным конкурентным преимуществом.

Подписаться на канал