Обзор Avenor AI 2026: мультиагентная GenAI-платформа с 7 агентами, RAG и генерацией изображений

Архитектура и принцип работы

Внутреннее устройство Avenor AI можно разделить на три ключевых слоя: оркестратор, пул агентов и инфраструктурный слой. Оркестратор (написан на Python с использованием asyncio) принимает входящие запросы через единый API-шлюз (Nginx + uWSGI). Каждый запрос проходит через маршрутизатор, который на основе анализа намерения (intent classification) направляет задачу одному или нескольким агентам. Оркестратор поддерживает параллельное выполнение: если запрос требует работы и текстового анализа, и генерации изображения, оба агента запускаются одновременно, результаты агрегируются через механизм слияния (merge pipeline).

Поток данных выглядит следующим образом: пользователь отправляет запрос через веб-интерфейс или REST API → оркестратор парсит запрос, извлекает контекст и прикрепленные файлы (до 50 МБ на файл) → если запрос требует внешних знаний, активируется RAG-модуль: документы чанкуются (размер чанка — 512 токенов с перекрытием 64 токена), эмбеддинги вычисляются и сравниваются с векторами в Qdrant через косинусную близость (порог — 0.78) → топ-5 релевантных чанков передаются агенту вместе с промптом → агент формирует ответ через Groq LLM (модель llama-3.1-70b-versatile) → если требуется изображение, запрос уходит на SDXL-ноду, результат возвращается как base64-строка → финальный ответ собирается и отправляется пользователю. Среднее время полного цикла для текстового запроса без изображений — 1.2 секунды, с генерацией изображения — 4.5 секунды.

Память агентов реализована через сессионное хранилище Redis (TTL сессии — 24 часа по умолчанию) и долговременное хранилище в PostgreSQL для истории диалогов. Каждый агент имеет доступ к общей базе знаний (векторное хранилище), но может иметь и приватные коллекции, привязанные к tenant'у. Разграничение доступа работает на уровне JWT-токенов с RBAC (роли: admin, editor, viewer).

Ключевые возможности

1. Семь специализированных агентов. В платформу встроены агенты: Text Analyst (анализ текстов), Data Extractor (извлечение структурированных данных), Code Assistant (генерация и ревью кода), Report Generator (создание отчетов в PDF/HTML), Image Creator (генерация изображений), Document Comparator (сравнение документов) и Workflow Orchestrator (кастомные пайплайны). Каждый агент имеет предобученные промпты и может быть донастроен через конфигурационный файл YAML. Важно: агенты не являются fine-tuned моделями — они используют один и тот же LLM, но с разными системными сообщениями и наборами инструментов.

2. RAG с гибридным поиском. Система RAG поддерживает не только векторный поиск, но и гибридный (векторный + BM25). Это критично для работы с технической документацией, где точное совпадение терминов важнее семантической близости. Индекс BM25 строится на лету при загрузке документов, хранится в Qdrant вместе с векторами. Пользователь может выбрать тип поиска в настройках коллекции. Поддерживаются форматы: PDF, DOCX, TXT, CSV, Markdown.

3. Генерация изображений с контролем качества. Модуль Image Creator использует SDXL с LoRA-адаптерами для корпоративных стилей (до 5 кастомных LoRA на tenant). Разрешение генерируемых изображений — до 1024x1024 пикселей, поддерживается upscale до 2048x2048 через ESRGAN. Есть встроенный NSFW-фильтр (на базе CLIP), который блокирует около 94% нежелательного контента по тестам разработчика.

4. Groq LLM как базовый движок. Использование Groq обеспечивает скорость генерации до 500 токенов/сек для модели llama-3.1-70b. Это в 3-5 раз быстрее типичных облачных LLM (OpenAI GPT-4, Anthropic Claude). Задержка первого токена — 80-120 мс. Groq работает на специализированных LPU (Language Processing Unit), что снижает стоимость инференса для enterprise-клиентов.

5. Кастомные пайплайны через Workflow Orchestrator. Администраторы могут создавать последовательности из нескольких агентов через визуальный редактор (drag-and-drop) или YAML-конфигурацию. Поддерживаются условия (if/else), циклы (for each), параллельное выполнение. Пример: загрузить PDF → Data Extractor извлекает таблицы → Report Generator формирует Excel-отчет → Image Creator генерирует диаграмму. Пайплайны можно запускать по расписанию (cron) или через webhook.

6. Аудит и логирование. Все действия агентов логируются с временными метками, ID запроса, использованными чанками RAG и версией модели. Логи хранятся 90 дней в Elasticsearch, доступен экспорт в CSV. Для compliance-требований (SOC 2, GDPR) есть возможность включить режим полного аудита, где сохраняются сырые промпты и ответы.

7. Multi-tenant архитектура. Платформа поддерживает неограниченное количество tenant'ов с полной изоляцией данных. Каждый tenant имеет собственное векторное хранилище, сессионные данные и настройки агентов. Тарификация — на основе количества активных пользователей и объема обработанных токенов.

Характеристики и тарифы

Установка и первые шаги

Для SaaS-версии установка не требуется — достаточно зарегистрироваться на портале Avenor AI и получить API-ключ. On-premise развертывание требует Docker Compose (версия 3.8+) и минимум 16 ГБ RAM, 4 vCPU, 50 ГБ SSD. Для работы генерации изображений необходима GPU с 8+ ГБ VRAM (NVIDIA T4 или выше).

# Быстрый старт с Docker Compose (on-premise)
git clone https://github.com/avenor-ai/deploy.git
cd deploy
# Настройка переменных окружения
cp .env.example .env
# Укажите GROQ_API_KEY и QDRANT_API_KEY в .env
docker compose up -d
# Проверка статуса
curl http://localhost:8000/health
# Пример запроса к API
curl -X POST http://localhost:8000/api/v1/chat \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent": "text_analyst",
    "message": "Проанализируй этот отчет",
    "files": ["base64_encoded_pdf"]
  }'

После запуска веб-интерфейс доступен на порту 3000. Первый вход — с учетными данными admin/admin (рекомендуется сменить пароль). Для настройки RAG-коллекции перейдите в раздел "Knowledge Base" и загрузите документы через интерфейс или API.

Сравнение с аналогами

Ближайшие конкуренты — AutoGen от Microsoft (гибкость, open-source) и CrewAI (популярность в сообществе). Avenor AI выигрывает за счет предустановленных агентов и встроенного RAG, что снижает порог входа для бизнес-пользователей. Однако проигрывает в кастомизации — AutoGen позволяет создавать агентов с произвольной логикой, а Avenor AI ограничен семью предопределенными ролями. Еще один конкурент — LangChain (библиотека, а не платформа), но он требует написания кода и не предоставляет UI.

Плюсы и минусы

Сильные стороны

• Скорость инференса: Groq LLM обеспечивает задержку первого токена менее 120 мс, что критично для real-time чат-интерфейсов. В тестах с llama-3.1-70b платформа обрабатывает 500+ токенов/сек против 150-200 у GPT-4o.
• Встроенный RAG с гибридным поиском: Комбинация векторного поиска и BM25 повышает точность извлечения информации на 15-20% по сравнению с чистым векторным поиском (по данным внутренних тестов Avenor на корпусе технической документации из 10K документов).
• Генерация изображений без внешних сервисов: SDXL с LoRA-адаптерами работает в том же контуре, что и текстовые агенты, что снижает задержки на передачу данных и упрощает compliance (данные не покидают инфраструктуру).
• Multi-tenant с изоляцией: Полное разделение данных между tenant'ами на уровне векторного хранилища и PostgreSQL, что соответствует требованиям SOC 2. Возможность on-premise развертывания для регулируемых отраслей (финансы, медицина).
• Визуальный редактор пайплайнов: Позволяет non-technical пользователям создавать сложные последовательности действий без написания кода. Поддержка условий и циклов делает его функционально близким к low-code платформам.

Ограничения

• Закрытая экосистема: Проприетарная лицензия и отсутствие доступа к исходному коду ограничивают возможности кастомизации. Нельзя добавить нового агента с уникальной логикой — только использовать семь предустановленных. Это делает платформу непригодной для исследовательских проектов или стартапов с нестандартными требованиями.
• Зависимость от Groq: Хотя Groq обеспечивает высокую скорость, он имеет ограниченную поддержку языков (основной фокус — английский, русский поддерживается, но качество хуже на 10-15% по тестам BLEU). При отказе Groq (например, из-за перегрузки API) платформа не имеет fallback-провайдера — запросы будут падать с ошибкой 503.
• Ограниченная масштабируемость RAG: Qdrant в текущей конфигурации поддерживает до 10 миллионов векторов на ноду. Для enterprise с миллиардами документов потребуется шардирование, которое не документировано и, вероятно, требует кастомной настройки за дополнительную плату.

Итог: вердикт Qantcore

Avenor AI — это прагматичное решение для бизнеса, которому нужна работающая мультиагентная система "из коробки" без глубоких технических знаний. Платформа лучше всего подходит для средних предприятий (50-500 сотрудников) в сферах консалтинга, юридических услуг и технической поддержки, где требуется обработка документов, генерация отчетов и базовых изображений. Скорость Groq LLM и встроенный RAG дают реальное преимущество в производительности по сравнению с облачными аналогами.

Кому стоит выбрать: командам, которые хотят внедрить AI-агентов за 1-2 недели без найма ML-инженеров. Кому стоит посмотреть альтернативы: разработчикам, которым нужна гибкость AutoGen или LangChain для создания кастомных агентов; стартапам с ограниченным бюджетом (open-source аналоги бесплатны); компаниям, работающим с неанглийскими языками (качество Groq для русского и китайского пока уступает GPT-4o).

Итоговая рекомендация: Avenor AI — добротный enterprise-продукт с понятным ценностным предложением, но его проприетарность и ограниченная кастомизация делают его нишевым инструментом. Если ваш сценарий укладывается в семь предустановленных агентов — это отличный выбор. Если нет — лучше инвестировать время в open-source альтернативы.