Команда разработки GigaChain поделилась опытом адаптации модели GigaChat для работы в режиме Deep Agents. Основной задачей стало создание эффективной «обвязки» (harness), которая позволяет модели лучше взаимодействовать с внешними инструментами. Разработчики провели итеративную настройку промптов и описаний функций, а также перенесли часть логических правил непосредственно в программный код, чтобы минимизировать ошибки при выполнении сложных цепочек действий. Для оценки эффективности изменений был создан открытый бенчмарк harness-bench-fast. Тестирование на фиксированном наборе из 391 задачи показало значительный прогресс: доля успешно выполненных заданий выросла с 77,2% до 87,0%. Помимо повышения качества ответов, оптимизация позволила почти в два раза сократить потребление токенов, что делает работу агентов более экономичной и быстрой. Данный подход демонстрирует важность системной настройки окружения для повышения автономности LLM.