TinyFish, dostawca infrastruktury sieciowej dla agentów AI, opublikował przewodniki techniczne dotyczące architektury szukania agentowego, która skutecznie funkcjonuje w rzeczywistych warunkach produkcyjnych, gdy systemom brakuje kompletnych dowodów, ponowienia powtarzają nieudane akcje, a wykonanie przekracza limity czasowe i budżetowe.
Architektura opiera się na czterech prymitywach sieciowych - TinySearch, TinyFetch, TinyBrowser oraz TinyAgent - które współpracują w siedmiofazowej pętli kontrolnej wokół modelu bazowego. Podejście rozdzielające rozumowanie modelu od aplikacyjnego zarządzania stanem, wykonywania narzędzi i ewaluacji dowodów pozwala agentom na planowanie pobierania informacji, ocenę dostępnych źródeł i adaptację strategii w miarę pojawiania się nowych danych. Kluczowe elementy to sztywne pętle kontrolne, ponowienia charakterystyczne dla konkretnych błędów i zunifikowane rozumowanie zamiast niezależnych planistów.
Wyniki na OpenBenchmarks pokazują 79,0% wskaźnik ukończenia dla zadań kodowania przy medianie kosztów wynoszące 0,050 USD i najniższym śladzie tokenu. Pracę TinyFish można traktować jako odpowiedź na rzeczywiste wyzwania wdrażania systemów agentowych - przejście od prototypów do działających w skali produkcji wymaga głębokich zmian architektury, a nie tylko lepszych modeli. Przewodniki szczegółowo omawiają lekcje z budowania systemów do głębokich badań, co stanowi wartościowy wkład w praktyczną inżynierię agentów AI.