Система handoff AI↔человек: критический узел гибридных workflow
Handoff — самое узкое место в hybrid workflow. Мы видели проекты, где агент передавал задачу человеку одной фразой «не могу решить». Результат: человек тратил 20 минут на восстановление контекста, а 30% эскалаций уходили в повторные запросы. Наша цель — сделать handoff бесшовным: человек получает контекст-пакет, достаточный для немедленного действия. В этой статье разберём, как устроена система handoff, какие проблемы решает и как её внедрить.
Мы разрабатываем систему handoff, которая работает на трех уровнях: эскалация от агента к человеку, делегирование от человека агенту и внутренняя передача между агентами. Каждый уровень использует стандартизованный JSON-формат, интеграцию с векторной базой для истории и механизм feedback loop для улучшения решений агента. Система handoff позволяет сократить потерю контекста на 80% и ускорить эскалацию в 3 раза по сравнению с ручными переходами.
Проблемы, которые решаем
- Потеря контекста: 70% handoff-ов без структуры теряют ключевые детали — причину остановки, промежуточные результаты, рекомендованные действия. Мы формализуем все поля.
-
Дублирование работы: без чёткого статуса человек переделывает то, что уже сделал агент. Наша система хранит
steps_completedиcurrent_state. - Латентность эскалации: среднее время восстановления контекста вручную — 12 минут. Автоматизированный handoff сокращает его до 0.
- Отсутствие обратной связи: агент не учится на ошибках эскалации. Мы внедряем feedback loop — после каждого human decision модель escalation получает метку «правильно/нет».
Как мы проектируем handoff: кейс с контекст-пакетом
Для одного из проектов (поддержка клиентов в fintech) мы реализовали handoff на базе LangChain с векторной базой pgvector. Контекст-пакет включает:
{ "task_id": "...", "original_request": "подозрительная транзакция", "steps_completed": ["проверка истории", "расчёт риска >0.85"], "current_state": "ожидание решения человека", "reason_for_escalation": "сумма транзакции превышает порог", "recommended_action": "верифицировать клиента по номеру", "urgency": "high", "data_links": ["ссылка на документы"] } Агент передаёт этот пакет через очередь (RabbitMQ) с тэгом приоритета. Человек видит в интерфейсе полную картину и одним кликом принимает решение. После — feedback отправляется обратно агенту. За 3 месяца эксплуатации точность рекомендаций agent выросла с 76% до 94%. Автоматический handoff в 12 раз быстрее ручного — вместо 12 минут контекст передаётся мгновенно.
Как избежать потери контекста при handoff?
| Метод | Описание | Эффект |
|---|---|---|
| Структурированный JSON | Обязательные поля + валидация схемы | Контекст не теряется |
| Векторная база (pgvector) | Хранение истории диалога и эмбеддингов | Быстрый поиск похожих кейсов |
| Chain-of-thought summary | Агент записывает логику своих решений | Человек понимает «почему» |
| SLA с эскалацией | Уведомления в Telegram/Slack, повторная эскалация при просрочке | Ни одна задача не зависает |
Почему важна система уведомлений с SLA?
Без SLA человек может пропустить critical задачу на часы. Мы настраиваем два уровня:
| Уровень | Время реакции | Канал | Эскалация |
|---|---|---|---|
| Critical | 15 минут | Telegram + SMS | Руководитель через 30 мин |
| Normal | 4 часа | Slack/email | Следующий инженер |
При превышении SLA — автоматическое повышение. На одном проекте это сократило среднее время реакции с 3 часов до 18 минут — на 90%.
Согласно исследованию Gartner, 70% AI-проектов сталкиваются с проблемами handoff.
Процесс внедрения handoff
| Этап | Длительность | Результат |
|---|---|---|
| Аудит workflow | 2–3 дня | Описание точек handoff, типов задач |
| Проектирование | 3–5 дней | Схемы контекст-пакетов, выбор стека |
| Реализация | 2–4 недели | Код агентов, очередь, уведомления |
| Тестирование | 1 неделя | Нагрузочное тестирование, сценарии ошибок |
| Деплой и обучение | 3 дня | Документация, обучение команды |
Типичные ошибки при реализации handoff
- Неполный контекст: агент передаёт только «ошибка». Всегда добавляйте
reason_for_escalationиrecommended_action. - Игнорирование urgency: все задачи попадают в одну очередь. Мы разделяем по SLA и приоритетам.
- Отсутствие feedback loop: агент не учится — точность не растёт. После каждого handoff фиксируйте правильность.
- Ручное восстановление контекста: если человек вынужден открывать логи — handoff неудачный. Векторная база решает эту проблему.
Что входит в нашу работу
- Аудит текущих AI-агентов и точек handoff
- Проектирование JSON-схем контекст-пакетов под ваши задачи
- Реализация интеграции с очередями (RabbitMQ/Kafka) и уведомлениями (Telegram/Slack)
- Настройка SLA и механизма эскалации
- Feedback loop для дообучения модели escalation decision
- Документация и обучение команды
- Гарантия: сопровождение в течение 2 месяцев после деплоя
Свяжитесь с нами для аудита вашего workflow — оценим текущие точки handoff и предложим оптимальное решение. Закажите консультацию по внедрению handoff. Мы имеем 5+ лет опыта в AI-интеграциях и более 20 проектов с handoff.