Inžinierstvo kontextu pre AI agentov: Majstrovstvo v poskytovaní správnych informácií LLM

Úvod

Budovanie AI agentov, ktorí spoľahlivo fungujú v produkčnom prostredí, je zásadne odlišné od vytvárania jednoduchých chatovacích aplikácií. Chat modely pracujú s relatívne statickým kontextovým oknom – prevažne s používateľskou správou a systémovými inštrukciami – zatiaľ čo agenti čelia oveľa komplexnejšej výzve. Agenti robia volania nástrojov v cykloch a každý výstup nástroja sa stáva súčasťou kontextu, ktorý musí LLM v ďalšom kroku spracovať. Táto dynamická akumulácia kontextu vytvára to, čo mnohí praktici dnes nazývajú „problém inžinierstva kontextu“. Keď v roku 2024 začalo viac tímov stavať agentov, objavilo sa spoločné poznanie: správa kontextu nie je triviálna úloha. Je to azda najdôležitejšia inžinierska výzva pri budovaní agentov na produkčnú úroveň. Tento článok skúma princípy, stratégie a praktické techniky inžinierstva kontextu, ktoré vám pomôžu stavať agentov, ktorí efektívne škálujú, zachovávajú výkon a držia náklady pod kontrolou.

Čo je inžinierstvo kontextu?

Inžinierstvo kontextu predstavuje zásadnú zmenu v tom, ako premýšľame o budovaní AI systémov. Termín popularizoval Andrej Karpathy, ktorý ho definoval ako „jemné umenie a vedu napĺňania kontextového okna presne tými správnymi informáciami pre ďalší krok“. Táto definícia vystihuje podstatné: kontextové okno LLM je ako RAM počítača – má obmedzenú kapacitu a to, čo doň vložíte, priamo ovplyvňuje výkon. Rovnako ako operačný systém starostlivo spravuje, aké dáta sa zmestia do RAM procesora, inžinieri stavajúci agentov musia premyslene kurátorovať, aké informácie prúdia do kontextového okna LLM v každom kroku vykonávania.

Koncept vznikol zo spoločnej skúsenosti AI inžinierskej komunity. Keď developeri začali budovať agentov naplno, zistili, že naivný prístup – jednoducho posielať všetky výstupy nástrojov späť do histórie správ – vedie ku katastrofálnym problémom. Vývojár, ktorý staval hĺbkového výskumného agenta, mohol napríklad zistiť, že jedno spustenie spotrebovalo 500 000 tokenov, čo stálo 1 až 2 doláre za vykonanie. Nebola to limitácia samotnej architektúry agenta; bola to neschopnosť správne inžinierovať kontext. Problém nie je len v dosiahnutí limitu kontextového okna, aj keď aj to je určite dôležité. Výskum od Chroma a iných zdokumentoval tzv. „context rot“ – jav, kedy výkon LLM reálne klesá s rastúcou dĺžkou kontextu, aj keď model teoreticky zvládne viac tokenov. To znamená, že bezhlavé vkladanie ďalších informácií do kontextového okna nielenže stojí viac peňazí, ale aktívne zhoršuje výkon vášho agenta.

Inžinierstvo kontextu sa uplatňuje na tri hlavné typy kontextu, s ktorými agenti pracujú: inštrukcie (systémové prompty, pamäte, few-shot príklady, popisy nástrojov), znalosti (fakty, historické informácie, doménová expertíza) a nástroje (spätná väzba z volaní nástrojov a ich výsledky). Každý z týchto vyžaduje iný inžiniersky prístup a výzva spočíva v efektívnom orchestrácii všetkých troch počas toho, ako agent vykonáva desiatky až stovky krokov.

Prečo je inžinierstvo kontextu dôležité pre produkčných AI agentov

Dôležitosť inžinierstva kontextu sa nedá preceňovať pre každého, kto stavia agentov vo veľkom meradle. Zamyslite sa nad rozsahom moderných agentových systémov: multiagentový výskumný systém Anthropic operuje s agentmi, ktorí robia stovky volaní nástrojov na jednu úlohu. Výskum Cognition o architektúre agentov odhalil, že typickí produkční agenti vedú konverzácie presahujúce stovky ťahov. Keď vynásobíte počet volaní nástrojov nákladom na tokeny každého výstupu, rýchlo pochopíte, prečo je správa kontextu primárnou úlohou inžinierov budujúcich AI agentov. Bez správneho inžinierstva kontextu je váš agent ekonomicky neudržateľný a technicky nespoľahlivý.

Ekonomický argument je priamy. Ak každé spustenie agenta stojí 1 až 2 doláre kvôli nadmernej spotrebe tokenov a denne spúšťate tisíce agentov, ide o tisíce dolárov denne, ktoré by sa dali eliminovať lepšou správou kontextu. No výkonový argument je rovnako presvedčivý. Ako kontext rastie, LLM čelia viacerým režimom zlyhania. Otrava kontextu nastáva, keď halucinácia alebo chyba z predchádzajúceho kroku prenikne do kontextu a ovplyvní všetky ďalšie rozhodnutia. Rozptýlenie kontextu nastáva, keď model zahltí objem informácií a nedokáže sa sústrediť na aktuálnu úlohu. Zmätok kontextu nastáva, keď nadbytočné informácie neočakávane ovplyvnia odpovede. Konflikt kontextu vzniká, keď si rôzne časti kontextu odporujú, čo vytvára nejasnosť o ďalšom kroku agenta. Toto nie sú teoretické problémy – sú to zdokumentované režimy zlyhania, s ktorými sa tímy pravidelne stretávajú pri budovaní agentov bez správneho inžinierstva kontextu.

Stávky sú obzvlášť vysoké pre dlho bežiacich agentov. Agent, ktorý má skúmať komplexnú tému, písať kód, ladiť ho a iterovať, môže urobiť 50 až 100 volaní nástrojov. Bez inžinierstva kontextu by história správ obsahovala všetky priebežné výsledky, všetok debugging output, všetky neúspešné pokusy. Agent by sa snažil rozhodovať, zatiaľ čo by sa topil v nerelevantných historických informáciách. Správnym inžinierstvom kontextu si agent udržiava len informácie potrebné pre aktuálny krok, čo dramaticky zlepšuje výkon aj nákladovú efektivitu.

Pochopenie rozdielu medzi inžinierstvom promptov a kontextu

Bežným zdrojom zmätku je vzťah medzi inžinierstvom promptov a kontextu. Tieto pojmy spolu súvisia, ale sú odlišné, a pochopenie rozdielu je kľúčové pre efektívne budovanie agentov. Inžinierstvo promptov v tradičnom zmysle znamená starostlivé vytváranie počiatočného promptu – systémovej a používateľskej správy – ktorú posielate jazykovému modelu. Pri práci s ChatGPT alebo Claude v chat rozhraní trávite čas optimalizáciou počiatočného promptu pre lepšie výsledky. Môžete upravovať inštrukcie, pridávať príklady, upresniť požadovaný výstupný formát. To je inžinierstvo promptov a zostáva dôležité.

Inžinierstvo kontextu je širší pojem, ktorý zahŕňa inžinierstvo promptov, ale ide ďaleko zaň. Inžinierstvo kontextu platí špecificky pre agentov, kde kontext nie je statický – je dynamický a vyvíja sa. Pri chat modeli je hlavným vstupom ľudská správa a väčšina inžinierskeho úsilia smeruje do jej vytvárania. Pri agentovi je situácia zásadne odlišná. Agent prijíma kontext nielen z úvodnej požiadavky človeka, ale aj z volaní nástrojov, ktoré sa vykonávajú počas trajektórie agenta. V každom kroku vykonávania agenta prichádza nový kontext z výstupu nástroja. To vytvára kaskádový problém: ak naivne zahrniete všetky tieto výstupy nástrojov do histórie správ, vaše kontextové okno rastie exponenciálne s každým krokom.

Myslite na to takto: inžinierstvo promptov je o optimalizovaní počiatočných podmienok. Inžinierstvo kontextu je o správe celého toku informácií počas životného cyklu agenta. Zahŕňa rozhodnutia o tom, aké výstupy nástrojov zahrnúť, ako ich sumarizovať, kedy komprimovať históriu správ, či odkladať informácie do externého úložiska a ako štruktúrovať stav agenta na minimalizáciu nerelevantného kontextu. Inžinierstvo promptov je podmnožinou inžinierstva kontextu. Systémové a používateľské inštrukcie sú stále dôležité – sú súčasťou kontextu, ktorý treba inžinierovať. No inžinierstvo kontextu zahŕňa aj všetky stratégie na správu dynamického kontextu, ktorý sa akumuluje počas vykonávania agenta.

Štyri základné stratégie inžinierstva kontextu s FlowHunt

Najpraktickejší rámec pre inžinierstvo kontextu sa skladá zo štyroch komplementárnych stratégií: write, select, compress a isolate. Tieto stratégie možno implementovať samostatne alebo kombinovane a tvoria základ toho, ako produkční agenti efektívne spravujú kontext. Pochopenie každej stratégie a vedieť, kedy ktorú použiť, je nevyhnutné pre budovanie škálovateľných agentov.

Write: Externé ukladanie kontextu cez poznámky a pamäte

Stratégia „write“ znamená ukladať kontext mimo kontextového okna tak, aby bol agentovi dostupný, ale nezaberal tokeny v histórii správ. Je to možno najefektívnejšia technika inžinierstva kontextu, pretože priamo rieši problém akumulácie tokenov. Namiesto zahrnutia všetkých výstupov nástrojov do histórie správ ich zapíšete do externého systému a v kontexte ponecháte len referenciu alebo zhrnutie.

Poznámky (scratchpady) sú jednou implementáciou tejto stratégie. Koncept je prevzatý od toho, ako ľudia riešia komplexné problémy – robíme si poznámky, zapisujeme priebežné výsledky a podľa potreby sa k nim vraciame. Agenti môžu robiť to isté. Multiagentový výskumný systém Anthropic je jasným príkladom: agent LeadResearcher si na začiatku úlohy uloží plán do pamäte. Je to kľúčové, pretože ak by kontextové okno prekročilo 200 000 tokenov, bude orezané a strata plánu by bola katastrofálna. Zápisom plánu do poznámky agent zabezpečí, že táto kľúčová informácia pretrvá aj v prípade naplnenia kontextového okna. Poznámky možno realizovať rôzne: ako volanie nástroja, ktorý zapisuje do súborového systému, ako pole v runtime stave agenta (ako v LangGraph), alebo ako záznamy v databáze. Podstatné je, že informácia je uložená externe a dá sa vyžiadať na požiadanie.

Pamäte tento koncept rozširujú naprieč viacerými reláciami alebo vláknami. Kým poznámky pomáhajú agentovi riešiť jednu úlohu, pamäte umožňujú agentom učiť sa a zlepšovať naprieč mnohými úlohami. Framework Reflexion zaviedol koncept reflexie – po každom kroku si agent vytvorí zhrnutie toho, čo sa naučil, a uloží ho ako pamäť. Generatívni agenti išli ďalej, keď periodicky syntetizovali pamäte zo zbierky minulých spätých väzieb. Tieto koncepty sa dostali aj do populárnych produktov ako ChatGPT, Cursor a Windsurf, ktoré všetky automaticky generujú dlhodobé pamäte pretrvávajúce naprieč reláciami. Agent môže ukladať epizodické pamäte (príklady žiadaného správania), procedurálne pamäte (návody, ako niečo robiť) a sémantické pamäte (fakty a doménové znalosti). Externým zápisom týchto pamätí môže agent udržiavať bohatú bázu znalostí bez nafukovania kontextového okna.

Výzvou stratégie write je rozhodnúť, čo zapísať a ako to organizovať. Nechcete zapísať všetko – to by stratilo zmysel. Chcete zapísať informácie, ktoré sú užitočné pre ďalšie kroky, ale nie sú okamžite potrebné. Pre hĺbkového výskumného agenta môžete zapísať celé články na disk a v kontexte ponechať len zhrnutie. Pre kódového agenta uložíte celý kód do súborového systému a v kontexte ponecháte len aktuálny súbor na úpravu. Podstatné je vyberať selektívne, čo sa zapíše, a zabezpečiť, že v kontexte zostanú informácie potrebné na vedomie o tom, čo bolo zapísané a ako to v prípade potreby vyžiadať.

Select: Vyberanie relevantného kontextu do okna

Stratégia „select“ znamená vybrať, ktorý kontext zahrnúť do histórie správ v každom kroku. Tu agent rozhoduje, aké informácie skutočne potrebuje pre aktuálne rozhodnutie. Ak ste kontext zapísali externe, potrebujete mechanizmus na jeho opätovné načítanie, keď je relevantný. Môže to byť jednoduché volanie nástroja na čítanie súboru alebo sofistikovanejšie použitie embeddingov či znalostných grafov na nájdenie semanticky relevantných informácií.

Pri poznámkach býva výber jednoduchý. Agent si načíta poznámku vždy, keď potrebuje plán či predchádzajúce poznámky. Pri pamätiach je výber zložitejší. Ak agent za mnoho relácií nahromadil stovky pamätí, nemôže ich všetky zahrnúť do kontextu. Musí vybrať najrelevantnejšie. Tu prichádzajú vhod embeddingy. Každú pamäť môžete embedovať a použiť semantické vyhľadávanie na nájdenie tých najrelevantnejších k aktuálnej úlohe. Pamäťový systém ChatGPT je dobrým príkladom – ukladá používateľovo špecifické pamäte a vyberá relevantné podľa aktuálnej konverzácie.

Výzvou pri výbere je zabezpečiť, že vyberiete správne informácie. Ak vyberiete príliš málo, agent nemá dôležitý kontext a robí chybné rozhodnutia. Ak vyberiete príliš veľa, ste späť pri pôvodnom probléme nafúknutého kontextu. Niektorí agenti používajú jednoduché heuristiky: vždy zahrnúť určité súbory alebo pamäte (napríklad CLAUDE.md v Claude Code, alebo súbor s pravidlami v Cursor). Iní používajú prepracovanejšie výberové mechanizmy na základe semantickej podobnosti alebo explicitného uvažovania agenta o tom, čo je relevantné. Najlepší prístup závisí od vášho konkrétneho použitia, no princíp je jasný: buďte zámerní v tom, aký kontext v každom kroku zahrniete.

Compress: Zmenšovanie veľkosti kontextu pri zachovaní informácie

Stratégia „compress“ znamená zmenšovať veľkosť kontextu pri zachovaní potrebných informácií pre agenta. Je to iné ako jednoducho vymazať kontext – kompresia znamená sumarizovať, abstrahovať alebo preformátovať informácie tak, aby boli stručnejšie. Kompresia je obzvlášť dôležitá pre správu histórie správ počas mnohých krokov agenta. Aj pri odkladaní a výbere môže história správ výrazne narásť. Kompresia ju pomáha udržať zvládnuteľnú.

Jedným prístupom ku kompresii je sumarizácia. Keď agent dokončí fázu práce, môžete zhrnúť, čo sa stalo, a nahradiť detailné logy zhrnutím. Napríklad ak agent strávil 10 krokov výskumom témy a spravil 10 volaní nástrojov, môžete všetko nahradiť jediným zhrnutím: „Preskúmal tému X a zistil, že Y je hlavný poznatok.“ To zachová základné informácie, ale dramaticky zníži počet tokenov. Výzvou je spraviť sumarizáciu tak, aby sa zachovala spätná dohľadateľnosť – agent musí vedieť dosť o tom, čo bolo zhrnuté, aby sa rozhodol, či potrebuje vyhľadať plné detaily.

Výskum Cognition o architektúre agentov zdôrazňuje, že sumarizácia si zaslúži významné inžinierske úsilie. Dokonca používajú špeciálne doladené modely pre sumarizáciu, aby zachytili všetky relevantné informácie. Podstatné je starostlivo promptovať krok sumarizácie. Chcete, aby sumarizačný model zachytil vyčerpávajúci zoznam bodov o tom, čo je v pôvodnom kontexte, aby agent neskôr vedel, či potrebuje vyhľadať plné detaily. To je iné ako bežná sumarizácia – je to kompresia s vysokou spätnou dohľadateľnosťou.

Ďalšou technikou kompresie sú hranice agentov. V multiagentových systémoch môžete komprimovať kontext na hraniciach medzi agentmi. Keď jeden agent odovzdáva úlohu ďalšiemu, neposielate celú históriu správ. Namiesto toho posielate komprimované zhrnutie toho, čo bolo vykonané, a čo ďalší agent potrebuje vedieť. Tu sa ukazuje rozdiel medzi jednoagentovým a multiagentovým systémom. Multiagentové systémy síce zavádzajú zložitosť do komunikácie, ale poskytujú prirodzené body pre kompresiu a izoláciu kontextu.

Isolate: Oddelenie kontextu medzi viacerými agentmi

Stratégia „isolate“ znamená používať viacerých agentov s oddelenými kontextmi namiesto jedného agenta s monolitickým kontextom. Je to multiagentový prístup, ktorý je obzvlášť užitočný pre komplexné úlohy, ktoré sa prirodzene dajú rozdeliť na podúlohy. Oddelením kontextu pre konkrétnych agentov predídete neobmedzenému rastu kontextu a umožníte každému agentovi sústrediť sa na jeho špecifickú úlohu.

Argument pre multiagentové systémy je z pohľadu inžinierstva kontextu presvedčivý. Ak máte jedného agenta, ktorý rieši výskum, písanie aj editáciu, jeho kontextové okno bude obsahovať informácie o všetkých troch úlohách. No keď agent píše, nepotrebuje detaily výskumu v kontexte – stačia mu kľúčové zistenia. Pri editovaní tiež nepotrebuje detaily výskumu. Oddelením agentov pre výskum, písanie a editáciu môže byť kontext každého optimalizovaný pre jeho úlohu. Výskumný agent má výskumné nástroje a kontext. Písací agent má písacie nástroje a zistenia z výskumu. Editačný agent má editačné nástroje a draft na úpravu. Kontext každého agenta je menší a viac zameraný.

Výzvou pri multiagentových systémoch je komunikácia. Keď jeden agent odovzdáva úlohu ďalšiemu, musíte zabezpečiť odovzdanie dostatočného kontextu. Tu je kritická stratégia kompresie. Výskumný agent musí komprimovať svoje zistenia do formy použiteľnej pre písacieho agenta. Písací agent musí komprimovať draft tak, aby s ním editačný agent vedel pracovať. Výskum Cognition upozorňuje, že tento komunikačný overhead môže byť značný a vyžaduje dôkladné inžinierstvo. No ak je správne navrhnutý, multiagentové systémy môžu dramaticky znížiť nafukovanie kontextu a zlepšiť celkový výkon systému.

Automatizačné možnosti pracovných tokov FlowHunt sú obzvlášť vhodné na implementáciu multiagentových systémov so správnou izoláciou kontextu. Definovaním jasných pracovných tokov s oddelenými agentmi a explicitnými bodmi odovzdania môžete zabezpečiť efektívnu správu kontextu v každej fáze. FlowHunt vám umožňuje definovať stav, ktorý prechádza medzi agentmi, implementovať kompresiu pri odovzdávaní a monitorovať využitie kontextu naprieč vaším agentovým systémom.

Praktická implementácia: Od teórie k produkcii

Pochopiť štyri stratégie je jedna vec, efektívne ich implementovať druhá. Prejdime si konkrétny príklad: budovanie hĺbkového výskumného agenta. Naivná implementácia by spôsobila, že agent vykoná sériu webových vyhľadávaní, všetky výsledky zahrnie do histórie správ a nechá ich syntetizovať. To sa rýchlo stane drahým a neefektívnym. Dobre navrhnutá implementácia by použila všetky štyri stratégie.

Najskôr by agent využil stratégiu „write“ na uloženie celých článkov na disk pri ich získavaní. Namiesto zahrnutia celého textu do histórie správ by si ponechal len referenciu alebo zhrnutie. Po druhé, využil by stratégiu „select“ na načítanie len najrelevantnejších článkov pri syntetizovaní zistení. Po tretie, využil by stratégiu „compress“ na zhrnutie výsledkov výskumu do kľúčových bodov pred prechodom do ďalšej fázy. Po štvrté, ak je úloha dostatočne komplexná, mohol by použiť stratégiu „isolate“ tým, že bude mať samostatných agentov pre výskum, syntézu a písanie, každý s optimalizovaným kontextom.

Detaily implementácie sú dôležité. Pre stratégiu write musíte rozhodnúť, kde články uložiť – súborový systém, databáza alebo vektorový úložisko. Pre stratégiu select musíte rozhodnúť, ako vyberať relevantné články – kľúčové slová, semantické vyhľadávanie alebo explicitné uvažovanie agenta. Pre stratégiu compress musíte starostlivo promptovať sumarizačný krok pre vysokú spätnú dohľadateľnosť. Pre stratégiu isolate musíte definovať jasné hranice agentov a komunikačné protokoly.

Jedným z kľúčových poznatkov z produkčnej praxe je, že inžinierstvo kontextu nie je jednorazová optimalizácia – je to neustály proces. Ako váš agent vykonáva úlohy, mali by ste monitorovať využitie kontextu, identifikovať úzke miesta a iteratívne zlepšovať inžinierstvo kontextu. Nástroje ako LangGraph poskytujú prehľad o stave agenta a toku kontextu, čo uľahčuje identifikovať, kde sa kontext zbytočne akumuluje. FlowHunt to rozširuje poskytovaním prehľadu na úrovni pracovných tokov, takže môžete vidieť, ako kontext prechádza celým vaším agentovým systémom a identifikovať príležitosti na optimalizáciu.

Výzvy a riešenia z reálnej praxe

Budovanie agentov s inžinierstvom kontextu v produkcii odhaľuje výzvy, ktoré z teórie nie sú zrejmé. Častým problémom je „problém výberu kontextu“ – ako zistiť, ktorý kontext je vlastne relevantný? Agent môže mať prístup k stovkám dokumentov, tisíckam pamätí či obrovskému množstvu historických dát. Vybrať správnu podmnožinu nie je triviálne. Pomáha semantické vyhľadávanie pomocou embeddingov, no nie je dokonalé. Niekedy je najrelevantnejšia informácia niečo, na čo by agent ani nepomyslel hľadať. Niektoré tímy to riešia tak, že agenti explicitne uvažujú, aký kontext potrebujú, a robia volania nástrojov na vyžiadanie konkrétnych informácií namiesto spoliehania sa na automatický výber. Iní používajú kombináciu semantického vyhľadávania a explicitného uvažovania agenta.

Ďalšou výzvou je „problém kvality sumarizácie“ – ako zhrnúť kontext bez straty kritických informácií? Zle zhrnutý kontext môže agenta zaviesť k chybným rozhodnutiam. Riešením je investovať do kroku sumarizácie. Starostlivo promptovať sumarizačný model. Testovať rôzne prístupy k sumarizácii. Zvážiť použitie doladeného modelu, ak máte dostatok dát. Monitorovať, či agent nerobí rozhodnutia, ktoré naznačujú, že mu chýbajú dôležité informácie zo zhrnutého kontextu.

Tretím problémom je „problém komunikácie medzi agentmi“ – ako zabezpečiť efektívne odovzdanie kontextu medzi agentmi? Tu záleží na explicitných protokoloch. Definujte presne, aké informácie má každý agent odovzdať ďalšiemu. Používajte štruktúrované formáty (napríklad JSON) namiesto voľného textu. Pridajte metadáta o tom, čo kontext obsahuje, aby prijímajúci agent vedel, s čím pracuje. Otestujte komunikačný protokol na realistických scenároch, aby ste sa presvedčili, že funguje v praxi.

Meranie a monitoring inžinierstva kontextu

Efektívne inžinierstvo kontextu vyžaduje meranie. Musíte vedieť, koľko kontextu váš agent využíva, kde sa akumuluje a ako ovplyvňuje výkon. Kľúčové metriky zahŕňajú celkový počet tokenov na spustenie, tokeny na krok, využitie kontextového okna a výkonnostné metriky ako úspešnosť úloh a latencia. Sledovaním týchto metrík môžete zistiť, kedy inžinierstvo kontextu funguje a kedy treba zlepšiť.

Využitie tokenov je najzjavnejšia metrika. Sledovať, koľko tokenov váš agent spotrebuje na spustenie a na krok. Ak využitie tokenov časom rastie, je to znak, že sa kontext akumuluje. Ak je spotreba tokenov vysoká vzhľadom na komplexnosť úlohy, je to znak, že inžinierstvo kontextu sa dá zlepšiť. Dôležitá je aj cena – ak je agent drahý na prevádzku, pravdepodobne je na vine kontext.

Rovnako dôležité sú výkonnostné metriky. Sledovať, či agent robí lepšie alebo horšie rozhodnutia s rastúcim kontextom. Ak výkon klesá s dlhším kontextom, je to dôkaz degradácie kontextu. Ak sa výkon zlepšuje s lepším inžinierstvom kontextu, je to potvrdenie vášho prístupu. Úspešnosť, latencia a chybovosť sú všetko užitočné metriky na sledovanie.

Analytické možnosti FlowHunt uľahčujú monitoring týchto metrík naprieč vašimi agentovými pracovnými tokmi. Integráciou monitoringu inžinierstva kon