Инженер Spotify Пратиk Расам описал, как Ads AI, мультиагентная платформа внутри Spotify Ads Manager, обслуживает реальное производство рекламы. После запуска в прошлом году более 70% объявлений используют инструменты ИИ, создано около 20 000 креативов для более чем 7 000 рекламодателей. Система превращает описание рекламодателя в сценарий ролика, подбор аудитории и проверку соответствия правилам. Для бизнеса это редкий пример мультиагентной архитектуры в промышленной эксплуатации.
Как Spotify построил Ads AI на Google ADK
Процесс начинается с описания на естественном языке, например запроса охватить инженерных руководителей в крупных технологических центрах США. Шлюз LLM на базе Vertex AI и внутренней инфраструктуры Spotify в GCP извлекает структурированное намерение: категорию аудитории, географию и цель кампании. Затем оно передается на уровень оркестрации мультиагентной системы, построенной на Google ADK Java. Параллельные агенты отвечают за отдельные задачи, а их совместный результат формирует два объекта: рекомендованную аудиторию и готовый креатив.
В примере названы три агента: Ad Script Generation Agent, Ad Guardrail Agent для проверки соответствия политике и Audience Recommendation Agent, который пока работает в пилотном режиме. Безопасность и оркестрация вынесены в отдельный уровень, а не встроены в каждого агента, что обеспечивает единообразное поведение всей системы. Клиентские приложения обращаются к единому gRPC-сервису, который также управляет сессиями агентов. Ниже находится платформа моделей и инструментов с исполнением LLM, плагинами и наблюдаемостью для всех агентов.
Главное правило владения звучит так: один агент, один пакет и один владелец. Каждый агент поставляется как Bazel-пакет с контролем зависимостей, файлом lib-info об owning-команде и маршрутизации ревью, а также YAML-файлом monitoring-info с дашбордами и оповещениями PagerDuty. Таким образом метрики и оповещения появляются еще до написания инструкций агента. Каркас дополняют компоненты AgentFactory, Adapter, Service и AgentModule, а конфигурация LLM хранится как front matter.
Что это значит для компаний, создающих агентов
Для внедряющих компаний модель разделяет агентов и инструменты отдельных команд и общую платформу с генерацией метрик, трассировкой и доступом к developer API Spotify Ads. Команды A, B или C могут владеть разными агентами и инструментами, работая в общем контексте и общей среде ADK с централизованно управляемым циклом инструментов. Дополнительный модерационный уровень под названием kutest отвечает за управление политиками ограничений. Небольшие команды получают шаблон параллельной работы без общего владения кодом, а крупные организации — проверку видимости Bazel на этапе сборки, блокирующую неразрешенный импорт агентов.
Принцип границ отдает агентам смысл, суждения и рассуждения, среди примеров — распознавание намерения по аудитории, составление брифа из сигналов и выявление чувствительных тем. Детерминированные ограничения, доменное владение и оценка на основе трассировки представлены как способ избежать недостатков монолитного агента. Расам также отметил уроки разграничения агентов, оптимизации схем инструментов и управления затратами. Вывод в том, что границы агентов должны следовать ответственности команд, а не только возможностям модели.
Подтверждением жизнеспособности подхода станут производственные метрики похожих внедрений, включая долю выпуска с участием ИИ, стоимость созданного материала и частоту срабатываний ограничений. Spotify уже опирается на реальные кампании, реальные бюджеты и реальную аудиторию для 20 000 креативов. Если другие рекламные и контентные платформы опубликуют сопоставимые модели владения и результаты оценки, модульные мультиагентные системы станут стандартным вариантом для предприятий.
