Фреймворк оркестрации LLM: выпускайте AI-агентов с одним API (июль 2026)


2026-07-23


Создание AI-агентов для реальной эксплуатации в 2026 году означает сборку всей инфраструктуры с нуля: API LLM, фреймворков оркестрации, векторных баз данных, хранилищ памяти, пайплайнов эмбеддингов, серверов инструментов и хостинга. Каждый компонент добавляет собственную поверхность интеграции, режимы отказа и требования к масштабированию. Jenova Agent API полностью устраняет эту проблему. Этот полностью управляемый бэкенд агентов заменяет самодельный стек оркестрации LLM одной интеграцией: один вызов API предоставляет оркестрацию нескольких моделей, постоянную память, управляемое хранилище со встроенным RAG и нативное подключение инструментов через MCP.

✅ Любая модель от OpenAI, Anthropic, Google, xAI, DeepSeek — без привязки к поставщику ✅ Встроенная постоянная память и управляемое реляционное + векторное хранилище ✅ Нативная интеграция инструментов MCP без кастомных оберток ✅ Создавайте и запускайте кастомных агентов промышленного уровня за считанные минуты

Чтобы понять, почему полностью управляемый подход важен, рассмотрим, что на самом деле требуется для сборки фреймворка оркестрации LLM с нуля — и почему большинство инженерных команд тратят месяцы на инфраструктуру, прежде чем выпустить хотя бы одного агента.

Jenova Agent API — один API для всего бэкенда ваших агентов

Краткий ответ: что такое фреймворк оркестрации LLM?

Фреймворк оркестрации LLM — это программный слой, координирующий языковые модели, инструменты, память и системы поиска для сквозного выполнения рабочих процессов AI-агентов. Традиционные фреймворки, такие как LangChain и LlamaIndex, требуют самостоятельного хостинга и ручного подключения каждого компонента. Jenova Agent API предоставляет эту оркестрацию как полностью управляемый сервис.

Ключевые возможности:

  • Оркестрация агентов на нескольких моделях и у разных поставщиков через единый API
  • Постоянная память и управление контекстом, встроенные в каждую сессию
  • Управляемое реляционное и векторное хранилище со встроенным RAG — инфраструктуру не нужно развертывать
  • Нативная интеграция инструментов MCP с инструментами платформы и любым удаленным сервером

Проблема: создание собственного стека оркестрации агентов

Создание стека оркестрации LLM стало одной из самых ресурсоемких задач в современной разработке программного обеспечения. То, что начинается с «просто вызовем API LLM», быстро превращается в проект по интеграции множества поставщиков и сервисов, охватывающий пайплайны данных, логику оркестрации, управление состоянием, инфраструктуру поиска и подключение инструментов.

Формирующийся стек LLM-приложений — полная архитектура, которую команды должны собрать для AI-приложений промышленного уровня

Формирующийся стек LLM-приложений теперь включает три ключевых инфраструктурных уровня — инструменты, данные и оркестрацию, — каждый из которых требует отдельных архитектурных решений, оценки поставщиков и операционных вложений. В то же время инфраструктура агентов для реальной эксплуатации требует песочниц, оркестрации окружений и предварительных окружений до того, как агенты смогут безопасно взаимодействовать с конечными пользователями.

Однако для большинства команд сборка таких возможностей чрезмерно сложна:

  • Логика оркестрации для нескольких моделей, инструментов и потоков поиска без единого координационного слоя
  • Привязка к поставщику при разработке на API одного поставщика, тогда как поддержка нескольких поставщиков требует управления параллельными SDK
  • Управление памятью и контекстом, которое целиком ложится на разработчика, поскольку API LLM по своей природе не хранят состояние
  • Инфраструктура RAG, требующая развернутых векторных баз данных, стратегий чанкинга, пайплайнов эмбеддингов и оптимизации поиска
  • Время до запуска, измеряемое месяцами, пока команды создают и отлаживают инфраструктуру перед выпуском любой функциональности агента

Сложность оркестрации

Слой оркестрации — это плоскость управления любой системой агентов: он объединяет модели, инструменты, память и поиск в согласованные рабочие процессы, направленные на достижение целей. Исследования архитектур с несколькими агентами определяют слой оркестрации как компонент, который превращает автономные компоненты в согласованную систему, ориентированную на достижение цели, требующую продуманного проектирования последовательных, параллельных, иерархических и событийно-управляемых паттернов.

Последовательные, параллельные, иерархические и событийно-управляемые паттерны оркестрации — каждый из них требует отдельных архитектурных решений, обработки сбоев и стратегий масштабирования (Accelirate)

Большинство команд используют для построения этого слоя фреймворки вроде LangChain или LlamaIndex. Но это библиотеки, а не инфраструктура: вам все равно нужно развертывать вычислительные ресурсы, управлять зависимостями, обрабатывать повторные попытки и восстановление после ошибок, а также поддерживать логику оркестрации по мере роста сложности агента.

Привязка к поставщику моделей

Разработка на базе одного поставщика LLM создает жесткую зависимость от его API, цен, лимитов запросов и жизненного цикла моделей. Когда у конкурирующего поставщика выходит более совершенная модель, команде предстоит проект миграции, а не простое изменение конфигурации. Поддержка нескольких поставщиков означает необходимость поддерживать параллельные SDK, нормализовать форматы ответов и обрабатывать специфичные для каждого поставщика пограничные случаи в слое оркестрации.

Microsoft Azure описывает несколько паттернов оркестрации — последовательный, параллельный и гибридный, — каждый из которых требует отдельной реализации для координации агентов между поставщиками (Microsoft Learn)

Управление памятью и контекстом в масштабе

API LLM не хранят состояние. Каждый вызов начинается с нуля, если вы не создадите и не будете поддерживать внешнюю инфраструктуру памяти: хранилища сессий, базы данных истории разговоров, постоянное хранение пользовательских профилей и управление контекстным окном. Руководство IBM по оркестрации подчеркивает ключевое архитектурное отличие простой оркестрации LLM от полной оркестрации агентов: агентам необходимо постоянное состояние между взаимодействиями, а не только циклы «запрос—ответ».

Создание такой системы с нуля означает интеграцию Redis или аналогичных хранилищ для состояния сессий, проектирование схем для истории разговоров и разработку промежуточного слоя, который передает релевантный контекст в каждый вызов LLM, — и все это при управлении лимитами токенов и ограничениями контекстного окна.

Инфраструктура пайплайна RAG

Retrieval-Augmented Generation требует выделенного инфраструктурного пайплайна: загрузки документов, их корректного чанкинга, генерации эмбеддингов, хранения в векторной базе данных и оптимизации поисковых запросов для повышения релевантности. Руководства по инфраструктуре автономных агентов выделяют пять отдельных уровней инфраструктуры данных — от исходных баз данных до логики поиска, — каждый из которых требует отдельного развертывания, масштабирования и мониторинга.

Команды обычно соединяют такие сервисы, как Pinecone или Weaviate для векторного хранилища, OpenAI или Cohere для эмбеддингов и кастомные пайплайны для загрузки документов. Каждый сервис добавляет собственный API, модель ценообразования и операционную нагрузку.

Время до запуска и инженерные затраты

Совокупный эффект — месяцы инфраструктурной работы до того, как хотя бы один агент попадет в эксплуатацию. Командам необходимо оценить и интегрировать фреймворк оркестрации, развернуть векторные и реляционные базы данных, создать промежуточный слой памяти, настроить подключение инструментов, внедрить логирование и мониторинг, а также развернуть инфраструктуру хостинга. Тенденция к архитектурам «агент как бэкенд» отражает признание отраслью того, что традиционная API-first разработка не успевает за сложностью, которую требуют агенты.

Именно эту проблему Jenova Agent API был создан устранить.

Jenova Agent API

Jenova Agent API — первый полностью управляемый бэкенд агентов: одна интеграция, заменяющая связку API LLM, фреймворков оркестрации, векторных баз данных, хранилищ памяти и серверов инструментов. Вместо сборки и сопровождения всего стека разработчики задают инструкции для агента, выбирают модель, настраивают инструменты и базу знаний, а затем выполняют один вызов API. Платформа берет на себя все остальное.

Самодельный стек агентовJenova Agent API
Связка 5–8 сервисов для оркестрацииЕдиный API выполняет полную оркестрацию
Привязка к одному поставщику или управление несколькими SDKЛюбая модель — OpenAI, Anthropic, Google, xAI, DeepSeek — одна интеграция
Создание и поддержка внешних хранилищ состояния и памятиВстроенная постоянная память и управление контекстом
Развертывание векторных БД, управление чанкингом и поискомУправляемое хранилище со встроенным RAG
Кастомные обертки MCP и потоки авторизации APIНативная интеграция инструментов MCP, готовая к работе из коробки
Недели или месяцы инфраструктурной работы до запускаГотовность к эксплуатации с первого вызова API

Оркестрация агентов

Проверенная в реальных условиях оркестрация, которая автоматически координирует модели, инструменты, память и поиск для любого рабочего процесса. Не нужно самостоятельно размещать фреймворк, писать и поддерживать логику оркестрации. API обрабатывает многошаговые рассуждения, вызовы инструментов, поиск и генерацию ответов в одном управляемом пайплайне. Вы определяете, что делает ваш агент; платформа определяет, как он это выполняет.

Используйте любые модели

Используйте в своих агентах новейшие модели OpenAI, Anthropic, Google, xAI, DeepSeek и других поставщиков через одну интеграцию. Переключайте модели для каждого агента или каждого вызова без изменений кода: без отдельных SDK, нормализации для конкретных поставщиков и привязки к вендору. Когда выходит новая модель, она сразу становится доступна без миграционных работ.

Память и контекст

Неограниченная память разговоров и контекст, встроенные в каждую сессию. Никакого внешнего управления состоянием, интеграции Redis или кастомного промежуточного слоя. API автоматически хранит полную историю разговоров, пользовательские предпочтения и данные между сессиями — агенты помнят контекст без какой-либо инфраструктуры на стороне разработчика.

Полностью управляемое хранилище

Управляемые реляционные и векторные базы данных со встроенным RAG. Загружайте документы и базы знаний; платформа берет на себя загрузку, создание эмбеддингов, хранение и поиск. Не нужно развертывать векторную базу данных, создавать пайплайн чанкинга или управлять сервисом эмбеддингов. Ваш агент может основывать ответы на приватных знаниях без единой строки кода поиска.

Инструменты и MCP

Неограниченные интеграции инструментов с нативными инструментами платформы и любым удаленным сервером MCP, готовые к использованию из коробки. Gmail, Google Calendar, Drive, Search, Scholar, Notion, Dropbox, YouTube и другие сервисы доступны через Model Context Protocol. Подключайте любой сервер, совместимый с MCP, для кастомного доступа к инструментам без создания оберток и управления потоками авторизации.

Инфраструктура промышленного уровня

Полностью управляемая инфраструктура, созданная для рабочего трафика. Стабильные API, шифрование данных при передаче и хранении, а также инфраструктура, которая масштабируется без вмешательства разработчиков. Данные никогда не используются для обучения публичных моделей и не передаются третьим лицам.

bash
curl -X POST https://api.jenova.ai/v1/chat \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent_id": "your-custom-agent",
    "message": "Analyze Q3 revenue trends and flag anomalies",
    "session_id": "session-abc-123"
  }'

Полное описание эндпоинтов и сведения о SDK доступны в документации API.

Что можно создать

Jenova Agent API разработан для разработчиков, которым нужно выпускать кастомных AI-агентов в составе собственных продуктов. Задайте инструкции, модель, инструменты и знания агента — API управляет оркестрацией, памятью, хранилищем и масштабированием за кулисами.

Поддержка клиентов на базе AI для SaaS

Создайте агента поддержки, который решает тикеты с помощью документации вашего продукта, прошлых разговоров и данных аккаунта. Задайте кастомные инструкции, соответствующие голосу вашего бренда и политикам эскалации. Управляемый RAG в API позволяет загрузить всю базу знаний: справочную документацию, примечания к релизам, внутренние руководства — и агент автоматически получает релевантный контекст. Постоянная память обеспечивает непрерывность для возвращающихся пользователей между сессиями.

  • Агенты основывают ответы на вашей реальной документации, а не на общих знаниях LLM
  • Память между сессиями устраняет повторный сбор контекста
  • Интеграция инструментов MCP подключает ваши системы тикетов и CRM

Встроенный финансовый консультант для Fintech

Разверните собственный консультант по портфелям на своей панели управления. Настройте агента с учетом инвестиционной методологии вашей компании, ограничений комплаенса и потоков рыночных данных. Используйте любую модель: направляйте сложный количественный анализ в модели, оптимизированные для рассуждений, а быстрые запросы — в более быстрые альтернативы, и все это через одну интеграцию. Агент получает доступ к управляемому хранилищу с данными клиентских портфелей и извлекает рыночный контекст через встроенный RAG.

  • Гибкость нескольких моделей сопоставляет возможности модели со сложностью задачи
  • Управляемое хранилище содержит структурированные клиентские данные наряду с неструктурированными исследованиями
  • Кастомные инструкции обеспечивают соблюдение нормативных требований и ограничений комплаенса

Персонализированный преподаватель для платформ Edtech

Запустите адаптивного учебного помощника, который подстраивается под уровень каждого учащегося, отслеживает прогресс между сессиями и использует вашу учебную программу. Загрузите учебные материалы в базу знаний агента: учебники, программы курсов, практические задания — а API позаботится о поиске. Постоянная память означает, что преподаватель помнит, что учащийся уже освоил и где ему требуется дополнительная практика.

  • База знаний основана на материалах вашей конкретной учебной программы
  • Постоянная память отслеживает прогресс каждого учащегося
  • Выбор модели оптимизирован для качества педагогических ответов

Контентный пайплайн для издателей

Создайте систему генерации контента, которая сохраняет ваш редакционный стиль в статьях, публикациях для социальных сетей и рассылках. Задайте руководства по стилю, ограничения тона и тематические границы в кастомных инструкциях. Подключайте инструменты через MCP для исследований, SEO-данных и интеграции с системой управления контентом. Каждый созданный материал использует базу знаний вашего издания для фактической обоснованности.

  • Кастомные инструкции обеспечивают соблюдение редакционных стандартов в масштабе
  • Инструменты MCP подключаются к исследовательским, аналитическим и издательским процессам
  • Генерация, основанная на RAG, уменьшает количество галлюцинаций и нагрузку на проверку фактов

Ассистент по внутренним знаниям для предприятий

Разверните ассистента, который находит информацию во всей вашей внутренней документации: Confluence, Notion, общих дисках, материалах для адаптации сотрудников и документах политик. Загрузите базы знаний и подключите инструменты; агент сам обрабатывает поиск по источникам. Сотрудники получают точные ответы с цитатами, не переходя между несколькими платформами.

  • Единый поиск по разрозненным внутренним источникам знаний
  • Управляемая инфраструктура справляется с корпоративными объемами документов
  • Шифрование данных при передаче и хранении без передачи данных третьим лицам

Получите ключ API и выпустите первого агента за несколько минут — начните здесь.

Как это работает

Шаг 1: получите ключ API

Зарегистрируйтесь на jenova.ai/platform и создайте ключ API. Этот единый ключ аутентифицирует все запросы к моделям, агентам, инструментам и хранилищу — отдельные учетные данные для каждого сервиса не нужны.

Шаг 2: создайте или выберите своего агента

Создайте кастомного агента, определив его инструкции, выбрав поставщика модели, загрузив документы базы знаний и настроив доступ к инструментам. Либо выберите готового агента, оптимизированного для распространенных рабочих процессов. Платформа берет на себя всю базовую конфигурацию оркестрации, памяти и хранилища.

json
{
  "name": "Support Agent",
  "instructions": "You are a support agent for Acme SaaS. Answer using only the product knowledge base. Escalate billing issues to human support.",
  "model": "anthropic/claude-sonnet",
  "knowledge_base": ["product-docs.pdf", "faq.md"],
  "tools": ["gmail", "google-calendar"]
}

Шаг 3: добавьте кредиты

Пополните аккаунт API-кредитами. Кредиты обеспечивают единый биллинг для всех поставщиков моделей и возможностей — отдельные счета от каждого вендора не требуются. Актуальные сведения о ценах приведены в документации API.

Шаг 4: выполните первый вызов

Отправьте сообщение своему агенту. API в рамках одного обращения обрабатывает маршрутизацию моделей, выполнение инструментов, поиск по знаниям, управление памятью и генерацию ответа.

bash
curl -X POST https://api.jenova.ai/v1/chat \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "agent_id": "support-agent",
    "message": "How do I reset my API key?",
    "session_id": "user-42-session"
  }'

Ответ содержит ответ агента, основанный на вашей базе знаний, а история разговора для сессии сохраняется автоматически. Полные спецификации эндпоинтов, варианты SDK и расширенная конфигурация приведены в полной документации.

Результаты и сценарии использования

📊 Стартап запускает агента поддержки за дни, а не месяцы

Сценарий: SaaS-стартап из трех человек нуждается в поддержке клиентов на базе AI, но не располагает инженерными ресурсами для создания инфраструктуры оркестрации.

Традиционный подход: Оценить фреймворки оркестрации, развернуть векторную базу данных для документации продукта, создать промежуточный слой памяти для непрерывности разговоров, реализовать подключение инструментов к системе тикетов и развернуть инфраструктуру хостинга. Оценочный срок: 8–12 недель инженерной работы.

Jenova Agent API: Команда задает кастомные инструкции, загружает документацию продукта, подключает инструмент для работы с тикетами через MCP и выполняет первый вызов API — и все это за один день. Управляемый бэкенд агентов берет на себя оркестрацию, RAG, память и масштабирование.

  • Время на инфраструктуру сокращается с месяцев до часов
  • Нулевые затраты на управление поставщиками хранилища, эмбеддингов или хостинга
  • Качество поддержки основывается на реальной документации продукта благодаря встроенному RAG

💼 Fintech-команда развертывает мультимодельного консультанта без привязки к поставщику

Сценарий: Fintech-компания хочет предоставить анализ портфелей на базе AI в своей панели управления, но ей необходима гибкость для маршрутизации разных типов запросов к разным поставщикам моделей.

Традиционный подход: Создавать и поддерживать параллельные интеграции с API OpenAI и Anthropic, нормализовать форматы ответов, управлять отдельными лимитами запросов и биллингом, а также писать кастомную логику маршрутизации. Каждое обновление поставщика может нарушить интеграцию.

Jenova Agent API: Команда выбирает поставщиков моделей для каждого агента или каждого вызова через единый интерфейс API. Сложный количественный анализ направляется в модели, оптимизированные для рассуждений; для быстрых проверок используются более быстрые альтернативы. Одна интеграция, единый биллинг, мгновенное переключение моделей.

  • Решения о маршрутизации моделей принимаются для каждого вызова без изменений кода
  • Единый биллинг всех поставщиков устраняет работу со счетами от множества вендоров
  • Новые модели доступны сразу, без миграционных работ

📱 Платформа Edtech масштабирует обучение по предметам с одной интеграцией

Сценарий: Edtech-компания хочет развернуть персонализированных преподавателей по математике, естественным наукам и языковым дисциплинам, каждый из которых основывается на материалах учебной программы по конкретному предмету.

Традиционный подход: Создать отдельный пайплайн RAG для базы знаний каждого предмета, реализовать постоянную память для каждого учащегося и масштабировать инфраструктуру векторной базы данных по мере роста пользовательской базы. Каждый новый предмет многократно увеличивает сложность инфраструктуры.

Jenova Agent API: Команда создает по одному агенту на предмет с отдельными инструкциями и базами знаний. Управляемое хранилище обрабатывает все учебные документы. Постоянная память автоматически отслеживает прогресс каждого учащегося между сессиями. Добавление нового предмета означает создание нового определения агента, а не развертывание новой инфраструктуры.

  • Каждый предметный агент получает собственную базу знаний без дополнительной инфраструктуры
  • Память между сессиями автоматически отслеживает прогресс каждого учащегося
  • Масштабирование от сотен до тысяч учащихся не требует изменений инфраструктуры

🎯 Предприятие заменяет стек оркестрации из пяти поставщиков единым API

Сценарий: Инженерная команда предприятия поддерживает самодельный стек агентов, используя LangChain для оркестрации, Pinecone для векторного хранилища, Redis для состояния сессий, OpenAI для эмбеддингов и AWS для хостинга. Операционная нагрузка занимает двух инженеров на полной ставке.

Традиционный подход: Продолжать поддерживать пять отдельных интеграций с поставщиками, каждая из которых имеет собственные мониторинг, биллинг, конфигурацию масштабирования и цикл обновлений. Любое изменение у поставщика вызывает каскад корректировок интеграций. Сложность многокомпонентных архитектур агентов возрастает с каждой дополнительной возможностью.

Jenova Agent API: Команда переходит на единый API, предоставляющий оркестрацию, векторное и реляционное хранилище, память и подключение инструментов в качестве управляемых сервисов. Два инженера, прежде занятые обслуживанием инфраструктуры, переключаются на разработку продукта.

  • Пять интеграций с поставщиками объединены в одну
  • Накладные расходы на обслуживание инфраструктуры полностью устранены
  • Инженерные ресурсы перенаправлены с эксплуатации на функции продукта

FAQ

Сколько стоит Jenova Agent API?

API работает по модели ценообразования на основе кредитов. Кредиты обеспечивают единый биллинг для всех поставщиков моделей, хранилища и использования инструментов — отдельные счета для каждого сервиса не требуются. Цена масштабируется вместе с использованием, поэтому команды платят пропорционально объему обрабатываемых взаимодействий с агентами. Текущие цены на кредиты и сведения о тарифах доступны на платформе API.

Какие модели можно использовать с Jenova Agent API?

API предоставляет доступ к новейшим моделям OpenAI, Anthropic, Google, xAI, DeepSeek и других поставщиков через одну интеграцию. Вы выбираете модели для каждого агента или вызова и свободно переключаете их без изменений кода или управления отдельными SDK. Новые модели становятся доступны сразу после выпуска, без необходимости миграции.

Сколько времени занимает интеграция Jenova Agent API?

Большинство команд выполняет первый успешный вызов API за несколько минут. Поток интеграции — получить ключ API, определить агента, добавить кредиты и выполнить вызов — не требует развертывания инфраструктуры. Кастомные агенты с базами знаний, конфигурацией инструментов и выбранными моделями могут быть полностью настроены и готовы к эксплуатации за один день. Полные сведения об интеграции приведены в документации.

Можно ли создавать кастомных агентов с собственными инструкциями и знаниями?

Да. API создан для разработки кастомных агентов. Вы определяете системные инструкции агента, выбираете предпочитаемого поставщика модели, загружаете приватные документы базы знаний для поиска с опорой на источники и настраиваете доступ к инструментам через MCP — и все это через API. Платформа управляет оркестрацией, памятью, хранилищем и масштабированием каждого созданного вами кастомного агента.

Готов ли Jenova Agent API к эксплуатации?

API работает на полностью управляемой инфраструктуре промышленного уровня, проверенной более чем 30 000 пользователей в 70+ странах на потребительской платформе Jenova. Данные шифруются при передаче и хранении, никогда не используются для обучения публичных моделей AI и не передаются третьим лицам. Инфраструктура масштабируется автоматически без вмешательства разработчиков.

Чем Jenova Agent API отличается от прямого использования LangChain или LlamaIndex?

LangChain и LlamaIndex — это библиотеки оркестрации: они предоставляют кодовые абстракции для построения логики агентов, но вам все равно необходимо самостоятельно размещать вычислительные ресурсы, развертывать базы данных, управлять слоем памяти и поддерживать инфраструктуру развертывания. Jenova Agent API — это управляемая инфраструктура: оркестрация, хранилище, память, RAG и подключение инструментов предоставляются как сервис. Вам не нужно писать код инфраструктуры или управлять серверами.

Заключение

Фреймворки оркестрации LLM предложили правильные абстракции: координацию моделей, инструментов, памяти и поиска в рабочих процессах агентов. Но они оставили разработчикам самую сложную часть: создание и обслуживание инфраструктуры, стоящей за этими абстракциями. Векторные базы данных, хранилища памяти, пайплайны эмбеддингов, обертки инструментов, хостинг и управление несколькими поставщиками потребляют месяцы инженерного времени, которое следует тратить на самого агента.

Jenova Agent API заменяет весь самодельный стек одной управляемой интеграцией. Задайте инструкции агента, выберите любую модель, загрузите знания, подключите инструменты и выполните один вызов API. Оркестрация, память, хранилище, RAG и подключение инструментов MCP уже обеспечены — на уровне, готовом к эксплуатации, с первого запроса.

Начните разработку на jenova.ai/platform. Полная документация и справочник эндпоинтов доступны на jenova.ai/platform/docs.