Почему AI-агент для маркетинга ломается не на модели, а на памяти и границах действий

Почему AI-агент для маркетинга ломается не на модели, а на памяти и границах действий

У типового agentic-пайплайна три точки отказа: память, инструменты и политика действий. Если агент ведёт email-цепочку, CRM-обновления и генерацию креативов в одном контуре, он быстро теряет, что уже сделал, и начинает дублировать шаги или противоречить сам себе.

Что проверять до запуска:
— есть ли явный state store, а не «контекст в промпте»;
— ограничены ли инструменты по ролям: запись в CRM отдельно, генерация отдельно;
— есть ли hard stop после N итераций, а не бесконечный self-reflection loop.

Самая частая ошибка — позволить агенту самому решать, когда «достаточно данных». В маркетинге это почти всегда означает лишние вызовы модели, рост latency и расхода, а ещё накопление мусора в reasoning-трейсе. Для долгих цепочек лучше хранить краткое резюме шага и ссылку на артефакты, чем весь диалог целиком.

Ещё один тест: если убрать один инструмент, агент должен деградировать предсказуемо, а не начинать фантазировать доступ к несуществующей CRM. Хороший агент не «умный», а ограниченный по зоне действия и устойчивый к потерям контекста.

Если архитектура не отвечает на вопрос «что агент может изменить необратимо», её надо переделывать до продакшена, а не после первых странных кампаний.