Перейти к содержанию
Публикация AiManual

Cisco и AWS AI League: 1200 инженеров, агенты на Amazon Bedrock и уроки архитектуры

Cisco провела турнир AWS AI League для 1200 инженеров: два трека, живой лидерборд и финал в стиле шоу. Разбираем механику Learn, Build, Compete, инструменты Ama

Коротко

Что будет в материале

  1. 01

    Что такое AWS AI League и почему Cisco выбрала соревнование вместо курсов

  2. 02

    Два трека: агенты на Amazon Bedrock AgentCore и дообучение в Amazon SageMaker Studio

  3. 03

    Результаты кейса: 1200 инженеров, два чемпиона и хронология 2025-2026

  4. 04

    Архитектурные уроки из агента-победителя

Что такое AWS AI League и почему Cisco выбрала соревнование вместо курсов

AWS AI League - формат обучения продвинутым AI-навыкам через соревнование: каждая лига идёт в три шага Learn, Build и Compete (разбор кейса в блоге AWS). Вместо связки «вебинар плюс слайды» участник получает цикл: собрал, отправил, увидел оценку, исправил.

Cisco сформулировала задачу без иллюзий: доступ к технологии перестал быть главным препятствием. Сложность в том, чтобы помочь тысячам инженеров перейти от просмотра демо к уверенной работе с инструментом. Записанные сессии и презентации этот разрыв закрывают редко. Инженеры быстрее всего учатся, когда строят что-то реальное, видят, как оно ломается, исправляют и пробуют снова.

Границы кейса обозначим сразу. Это вендорская программа обучения AWS, а не независимое сравнение инструментов и не бенчмарк. В опубликованном разборе нет бюджета, сроков подготовки и внутренних метрик Cisco, поэтому оценивать формат приходится по механике, а не по возврату на вложения.

Три шага лиги: Learn, Build, Compete

Каждый этап решает свою задачу.

  1. Learn. Практический двухчасовой воркшоп от экспертов AWS: знакомит с инструментами и с самим заданием. Два часа отведены на вход в тему, глубина набирается на следующем шаге.
  2. Build. Участники экспериментируют в своём темпе и отправляют результат на живой лидерборд. Автоматический оценщик после каждой отправки даёт обратную связь в реальном времени.
  3. Compete. Топ-финалисты выходят на сцену в живом финале в формате шоу.

Рабочий элемент здесь один: автоматическая оценка после каждой отправки. Она превращает обучение в цикл, где сигнал приходит сразу, пока контекст задачи ещё в голове, и следующая итерация делается в тот же день. Лидерборд добавляет второй сигнал, социальный: видно свой балл и планку коллег.

Чем это отличается от курса, воркшопа и хакатона

Разница видна, если разложить форматы по осям, которые определяют результат обучения.

ФорматВходОбратная связьМасштабМотивация
Курсчасы видео и тестоврезультат теста, часто с задержкойне ограниченсертификат
Воркшопот 2 до 8 часовпомощь инструктора по ходуограничен числом инструкторовновый навык
Хакатон1-3 дняразбор жюри в концекоманды по 3-5 человекпрототип и приз
AWS AI League2 часа воркшопаавтооценщик после каждой отправки1200 участников в кейсе Ciscoлидерборд и пропуск на re:Invent

Хакатон решает другую задачу: собрать команду и довести прототип до демо за выходные. Лига закрывает массовое обучение, где каждый работает индивидуально, а проверка автоматизирована, поэтому 1200 человек не требуют 1200 ревьюеров. Держите в голове ограничение: автоматическая проверка возможна только там, где результат формализуем.

Два трека: агенты на Amazon Bedrock AgentCore и дообучение в Amazon SageMaker Studio

На Cisco AWS AI League предложила два челленджа, и оба предполагали работу с управляемыми сервисами AWS.

Агентный челлендж на Amazon Bedrock AgentCore

Задача обёрнута в игру: агент движется по лабиринтообразной сетке к сундуку с сокровищами и решает по дороге подзадачи. За игровой оболочкой типовые продовые требования: обработка неприемлемого контента, запуск кода, извлечение информации из веба, извлечение структурированных данных.

Свобода выбора оставалась в архитектуре. Участники могли выбирать модели для супервизора и суб-агентов, добавлять инструменты, включая AgentCore memory и AWS Lambda Event Functions, а контроли безопасности строить на Amazon Bedrock Guardrails. Эта свобода и делает задачу обучающей: результат зависит от принятых решений, а не от заготовленного шаблона.

Лабиринт здесь работает как формализованный граф задач с проверяемым результатом. Он даёт то, чего не даёт слайд: немедленный ответ на вопрос, дошёл ли агент до цели и за сколько шагов.

Челлендж по кастомизации моделей в Amazon SageMaker Studio

Второй трек - дообучение моделей в Amazon SageMaker Studio по актуальным тренировочным рецептам. Баллы начисляются, когда автоматический оценщик признаёт дообученную модель более точной и полной, чем референсная, на конкретных задачах соревнования.

Сравнение с референсной моделью важно методически: участник соревнуется не с соседом по лидерборду, а с базовой линией. Это защищает от ситуации, когда все «улучшили» модель, но никто не может показать, относительно чего измерялся прирост.

Результаты кейса: 1200 инженеров, два чемпиона и хронология 2025-2026

Проверяемые факты из опубликованного разбора (источник):

  • 2025 год: инженер Cisco Hemanth V прошёл путь от внутреннего мероприятия компании до титула первого чемпиона AWS AI League на AWS re:Invent 2025.
  • 2026 год: 1200 инженеров Cisco участвовали в турнире AWS AI League на Cisco Transformation Fest 4.0.
  • Победитель турнира 2026 года Nishanth Aluhonnu получил полный пропуск на AWS re:Invent 2026 в Лас-Вегасе.

Денег в призе нет: победитель получил полный пропуск на главную конференцию AWS. Для инженера это прямая валюта, потому что даёт обучение, контакты и контекст того, куда вендор движется. Награда попадает в интересы конкретной аудитории, а не в абстрактный «ценный опыт».

Чего в кейсе нет: времени прохождения этапов, числа попыток, распределения участников по трекам, правил подсчёта баллов в финале и внутренних метрик вроде доли дошедших до финала. Такие цифры пришлось бы выдумывать, поэтому в разборе их не будет.

Архитектурные уроки из агента-победителя

Опубликованное описание кейса раскрывает треки, инструменты и результаты, но не публикует конфигурацию агента, победившего в 2026 году: ни выбранные модели, ни структуру шагов, ни бюджет (что именно раскрыто в источнике). Четыре принципа ниже - инженерная рамка для собственных агентных систем, а не воспроизведение настроек победителя. Проверять их стоит на своей задаче: счётчиком токенов, логами шагов и воспроизводимостью результата.

Стоимость выходных токенов в агентном цикле

В агентном цикле модель генерирует выход многократно: рассуждение, вызов инструмента, промежуточный ответ, финальная формулировка. Вход растёт медленнее, потому что контекст переиспользуется, а выход генерируется заново на каждом шаге. Отсюда практическое правило: в агентах деньги уходят на количество шагов, а не на длину системного промпта.

Что делать: сокращать длину рассуждений, число шагов цикла и объём промежуточных ответов. Оценивать агента по числу шагов до результата вместе с качеством. Агент, решающий задачу за 4 шага вместо 12, дешевле при том же результате, и это видно по логам, а не по ощущениям.

Граница самостоятельной проверки: конкретные ставки за токены зависят от выбранной модели и тарифа, их нужно смотреть в актуальном прайсе провайдера. Разница между «дешёвой» и «дорогой» моделью измеряется в разы, и для рутинного шага вроде извлечения поля из текста дорогая модель часто не нужна.

Один агент вместо мультиагентной схемы с супервизором

Цена координации - главный аргумент против лишних уровней. Каждый переход от супервизора к суб-агенту и обратно означает дополнительные вызовы модели, токены, задержку и новую точку отказа. Если задача решается одним агентом с набором инструментов, супервизор добавляет стоимость без гарантированного прироста качества.

Когда мультиагентная схема оправдана: разные модальности (текст, изображения, код), изоляция прав доступа, независимые подзадачи с разными моделями и разными требованиями к латентности. Признак, что вы переусложнили: супервизор почти всегда выбирает один и тот же суб-агент, а логи координации не несут новой информации.

Что происходит, когда агентов становится много и они начинают конфликтовать ролями, разобрано отдельно: путь от одного агента к AI-холдингу.

Детерминированная логика - в AWS Lambda, а не в промпте

Если задачу решает алгоритм, модели там делать нечего. Планирование маршрута по сетке, валидация ответа, форматирование, проверка условий: всё это дешевле, быстрее и воспроизводимо в коде, например в AWS Lambda. Модель остаётся для неоднозначного: интерпретация запроса, выбор инструмента, разбор неструктурированного текста.

Признак правильного разделения простой: результат одинаков при повторном запуске и не зависит от формулировки промпта. Если ответ «плывёт» при перефразировании инструкции, вы отдали модели работу, которую должен был закрыть код. Это же правило защищает от роста расходов: детерминированный шаг не тратит токены.

Выбор действий по таблице ценности, а не по привычке

Агент, который всегда делает один и тот же шаг, экономит на рассуждении и теряет на результате. Альтернатива: сравнивать варианты по ожидаемой ценности, то есть по пользе действия для цели и по его цене в токенах, задержке и риске ошибки.

В лабиринте это видно наглядно. Движение к сундуку и исследование тупика выглядят как одинаковый шаг агента, но ценность у них разная. Таблица ценности заставляет явно оценить, что даёт следующий вызов инструмента, прежде чем его делать.

Ограничение: таблица требует, чтобы цель была формализуема. В открытых задачах вроде «сделай отчёт полезнее» её построение превращается в отдельный проект, и часто проще сузить задачу до измеримого результата, чем спорить о весах.

Как запустить собственное внутреннее AI-соревнование: практический чек-лист

Схема ниже собрана из механики лиги и адаптирована к внутреннему мероприятию. Это выводы из кейса Cisco и AWS, а не проверенная методика AI-Manual.

Шаг 1. Воркшоп на 2 часа с конкретным заданием

Вводите в тему через практику: одно задание, один набор инструментов, доступ у участника уже на воркшопе. Признак успеха: к концу двух часов каждый может запустить минимальный рабочий пример, пусть и плохой.

Доступы готовьте заранее. Если аккаунт в облаке выдают за неделю, воркшоп превратится в переписку с безопасностью. Похожий формат разбирали на кейсе Atos, где инженеры собирали агентные системы на Amazon Bedrock, AgentCore, Lambda, Guardrails и SageMaker: трехдневный AWS AI League для 400 инженеров.

Шаг 2. Самостоятельная сборка с автоматической оценкой и лидербордом

Автоматический оценщик позволяет масштабировать проверку без ревьюеров. Он должен быть детерминированным и воспроизводимым: одинаковая отправка даёт одинаковый балл. Иначе участники начнут спорить с оценкой вместо того, чтобы улучшать решение.

Ограничение: автоматическая оценка хорошо работает там, где результат проверяем (прохождение лабиринта, точность на фиксированном наборе задач, число шагов до цели), и плохо подходит для открытых творческих задач. Для них оставьте короткую защиту перед людьми и заранее объявленные критерии.

Шаг 3. Финал в стиле шоу и приз, который мотивирует

Финал на сцене держит внимание тех, кто уже не участвует, и превращает лидерборд в событие. Ему нужны ведущий и сценарий. Без них энергия таблицы угасает за пару дней, и соревнование сжимается до строчки в отчёте.

Приз в кейсе Cisco - полный пропуск на AWS re:Invent 2026 в Лас-Вегасе. Логика простая: награда должна быть ценной именно для этой аудитории. Инженеру полезнее конференция, обучение или оборудование, чем сертификат за пройденный курс. Более широкий взгляд на обучение через практику есть в разборе кейса КОРУС Консалтинг: как сотрудников без опыта превращают в создателей AI-продуктов.

Что нужно согласовать заранее и где границы самостоятельной проверки

Список того, что обычно всплывает уже в процессе:

  • доступы к облачным инструментам и порядок выдачи аккаунтов участникам;
  • бюджет на токены и лимит на участника, иначе один энтузиаст выберет квоту команды;
  • правила оценки и порядок апелляции, если результат оценщика спорный;
  • призовой фонд и налоговые последствия для победителя;
  • политика безопасности данных: какие данные можно отправлять в модель, а какие нельзя.

Кейс не раскрывает бюджет, сроки подготовки и внутренние метрики Cisco. Эти параметры придётся определять самостоятельно, и лучше заложить их в план до старта, чем выяснять по ходу.

Что из этого кейса применимо вне AWS

Разделим переносимое и платформенное.

Переносимое: принцип обучения через сборку и частую обратную связь, идея автоматического оценщика с лидербордом, архитектурные уроки про стоимость выходных токенов, цену координации, вынос детерминированной логики в код и выбор действий по ценности. Эти принципы работают на любом стеке, включая локальные модели.

Платформенное: Amazon Bedrock AgentCore, Amazon SageMaker Studio, AgentCore memory, AWS Lambda Event Functions, Amazon Bedrock Guardrails. Это конкретные сервисы, и их присутствие в кейсе не доказывает превосходство AWS над другими платформами: сравнения с альтернативами в материале нет.

Практический вывод для команды: берите механику (воркшоп, автооценка, лидерборд, финал), а инструменты выбирайте под свои ограничения по бюджету, данным и безопасности. И заранее решите, что считаете успехом: число участников, дошедших до работающего агента, или количество решений, которые позже доехали до продакшна. Второй показатель честнее, но его придётся считать через полгода после финала.

Подписаться на канал