IBM объединила поиск, оценку и улучшение AI-агентов в watsonx Orchestrate

Внешние агенты появляются в едином реестре

IBM объявила о трёх общедоступных возможностях watsonx Orchestrate: обнаружении агентов на сторонних платформах через AI Gateway, разборе запусков с Trace Inspector и собственной оценке через Custom LLM-as-a-Judge. Одновременно AgentOps Agent, показанный ранее в preview, перешёл в статус generally available. Компания связывает эти компоненты в один контур: сначала организация находит агент, затем наблюдает его действия, формулирует критерии качества и запускает цикл улучшения.

Первой внешней платформой стала Amazon Bedrock. AI Gateway сканирует подключённую среду, обнаруживает работающих там агентов и импортирует их в тот же control plane, где находятся native agents watsonx Orchestrate. IBM заявляет, что политики уровня Gateway применяются ко всем подключённым агентам, а единый inventory помогает увидеть дублирующие реализации и вывести лишние из эксплуатации.

Интеграции с Azure AI Foundry и Google Vertex AI компания обещает добавить в конце сентября. Это важное ограничение текущего анонса: идея cross-platform governance уже сформулирована, но прямо сейчас подтверждена общая доступность discovery и registration именно для Amazon Bedrock. Поддержка остальных названных платформ пока остаётся ближайшим планом, а не функцией, которую следует считать уже развёрнутой.

Trace Inspector превращает запуск в проверяемую последовательность

Trace Inspector показывает полный execution path отдельного запуска: шаги агента, вызванные tools и место, где поведение разошлось с ожидаемым. IBM позиционирует это как замену ручной реконструкции инцидента по разрозненным журналам. Возможность стала generally available 17 августа 2026 года и служит фактическим слоем для последующей оценки и диагностики.

Сам trace ещё не говорит, был ли результат приемлем для конкретного бизнеса. Один агент обрабатывает страховые требования, другой сопровождает нового клиента, поэтому универсальный score скрывает разные требования к точности, порядку действий и допустимым ошибкам. Custom LLM-as-a-Judge позволяет сформулировать собственные критерии естественным языком ещё на этапе создания и оценивать запуск по правилам конкретного use case.

IBM указывает 31 августа как дату общей доступности Custom LLM-as-a-Judge. В совокупности два инструмента разделяют наблюдение и суждение: Trace Inspector отвечает на вопрос, что именно произошло, а Judge — соответствует ли эта последовательность заданным требованиям. Такое разделение не устраняет необходимость человеческой проверки критериев, но делает предмет обсуждения более конкретным, чем единая непрозрачная оценка.

AgentOps Agent замыкает цикл улучшения

AgentOps Agent вышел в общую доступность 31 августа для агентов, созданных непосредственно в watsonx Orchestrate. С ним можно обсуждать observability на естественном языке, генерировать test cases, проводить evaluation через симуляцию пользовательских разговоров и получать root cause analysis неудачных прогонов. IBM описывает его не как ещё одну панель метрик, а как собеседника, который действует на основе собранных evidence.

Для оптимизации используются GEPA и ACE. По описанию IBM, GEPA генерирует и испытывает улучшенные инструкции, а ACE формирует курируемый playbook правил и оценивает вклад каждого правила. Перед продвижением результата оба подхода должны проверить полученный выигрыш. Таким образом, заявленный процесс включает не только переписывание prompt, но и сравнительную проверку до применения изменений.

Пока этот полный цикл имеет неодинаковый охват. Общая доступность относится к native agents watsonx Orchestrate; в сентябре IBM планирует распространить оптимизацию на совместимые внешние LangGraph agents, использующие agentic SDK, включая агентов в AgentCore. Поэтому единый реестр внешних агентов и автоматизированное улучшение каждого импортированного агента — ещё не одно и то же.

Governance становится слоем над несколькими платформами

Архитектурный тезис IBM состоит в том, что предприятия не обязаны выбирать единственный конструктор агентов. Вместо стандартизации всей разработки на одной платформе компания предлагает общий слой видимости и политик: где бы агент ни был собран, организация должна видеть его в inventory, назначить ответственного и применять единый набор controls. Импортированного агента также можно подключить к уже используемым сотрудниками и клиентами каналам.

На практике общий control plane ценен только при достоверном discovery. Если часть платформ ещё не подключена, private registry не просканирован или старый агент работает вне известного контура, единый экран остаётся неполным. Сам анонс предлагает механизм для connected platforms и известных registries, но не утверждает, что Gateway автоматически обнаружит любую скрытую агентную систему организации.

Отдельный вопрос — качество собственных критериев. Custom LLM-as-a-Judge позволяет выразить их естественным языком, однако плохо сформулированное правило способно уверенно поощрять неправильное поведение. Trace Inspector поэтому важен не только для debugging: он оставляет подробный record, по которому команда может проверить, действительно ли итоговая оценка соответствует наблюдаемым tool calls и результатам.

Что именно стало доступно сейчас

Текущий релиз складывается из функций с разными датами. Trace Inspector стал общедоступен 17 августа; discovery и registration агентов Amazon Bedrock, Custom LLM-as-a-Judge и AgentOps Agent — 31 августа. Публикация IBM вышла 3 сентября и свела их в августовское обновление watsonx Orchestrate.

Проверять внедрение разумно по той же цепочке, которую предлагает продукт: полнота inventory, применённые политики Gateway, воспроизводимая trace отдельного запуска, бизнес-критерий оценки, созданные test cases, причина провала и подтверждённый результат оптимизации. Если один из этих артефактов отсутствует, наличие AI-компонента само по себе ещё не доказывает управляемость процесса.

Главное изменение — AgentOps подаётся не как изолированная автоматическая настройка prompt, а как последний шаг наблюдаемого цикла. IBM соединяет внешнее discovery, evidence каждого запуска, настраиваемое определение качества и проверяемое улучшение. Заявленный эффект будет зависеть от реального охвата платформ и дисциплины критериев, но продуктовая граница уже заметно сдвигается от создания отдельных агентов к управлению всем их парком.