Саранг Кулкарни представил развёртывание Deep Research Agents для фармацевтического R&D

На Arc of AI Conference 2026 Саранг Кулкарни (Thoughtworks) описал практический опыт команды по проектированию и выводу в продакшн многоагентных систем для глубоких исследований в клинических и фармацевтических R&D:

На Arc of AI Conference 2026 Саранг Кулкарни (Thoughtworks) рассказал о развёртывании Deep Research Agentic Systems в реальных проектах клинического и фармацевтического R&D и объяснил, почему это важно: разработка новых лекарств стоит примерно $2,6 млрд, а около половины исследований проводятся без учёта существующих доказательств из‑за проблем доступа и интеграции знаний, поэтому автоматизация глубокого извлечения и синтеза может снизить риски и ускорить принятие решений.

Kulkarni представил эволюцию подхода команды: двухлетний опыт с RAG‑чатботом, переход к agentic RAG и дальнейшее развитие в Agentic RAG++ для глубоких исследований. Архитектура системы включает три основных цикла автономной работы агентов — цикл уточнения, исследовательский цикл (think → plan → execute → reflect → adjust) и цикл написания/рефлексии — которые вместе обеспечивают итеративное уточнение задач и синтез результатов. Технические детали, по словам докладчика, опираются на два ключевых инструмента. Первый — RAG‑инструмент с weighted hybrid search, 20 контекстными чанками, ре‑ранкером и семью уточнёнными чанками, используемый для многопрыжкового извлечения релевантной информации. Второй — text2sql‑инструмент, который возвращает ошибки SQL обратно в LLM, что повышает точность выполнения запросов и позволяет собирать структурированные данные для последующего синтеза отчётов.

Авторы подчёркивают отраслевой контекст и требования: в критических областях, таких как фарма, помимо ответов важны надёжность, прослеживаемость и соответствие нормативным требованиям. Это диктует необходимость не только точных выводов, но и сохранения цепочек доказательств, возможностей аудита и контроля версий при генерации синтезов и отчётов. Kulkarni перечислил основные проблемы и режимы отказа, с которыми столкнулась команда: высокие токен‑затраты, снижение точности при стремлении к низкой задержке, «context anxiety» при недостатке релевантного контекста и неполнота данных, приводящая к ошибочной самопроверке. В ответ были введены отражающие петли (reflection) и отдельный Draft Writing Loop для обнаружения и заполнения пробелов в синтезе.

Практические приёмы для стабилизации поведения агентов в продакшне включают явное разбиение длительной задачи на этапы think, plan, inspect и update; использование инструментов вроде Anthropic "think" для формализации пауз в рассуждении; а также harness engineering и agentic loops, которые позволяют управлять состоянием агентов и снижать нестабильность при масштабировании. Доклад базировался на практических разработках команды и кейсах использования агентов для сложного многозадачного исследования данных. Отдельное обсуждение было посвящено применению многоагентных систем для структурированного синтеза отчётов и поддержке сложных аналитических сценариев. Статья с отчётом о докладе опубликована 27 мая 2026 года автором Srini Penchikala.