> ## Content Index
> Fetch the complete content index at: https://news.viveksha.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# ИИ-агенты: главный тренд — агенты перестают болтать и получают руки · 31.08.2026
- URL: https://news.viveksha.ru/agents-from-chat-to-embodied-action-2026-08-31/
- Published: 2026-09-01T12:24:14.000Z
- Updated: 2026-09-01T12:24:14.000Z
- Description: Два проекта на этой неделе показывают один тренд: агент без среды исполнения — просто чат-бот. Agent Zero даёт агенту Linux-компьютер, Microduck — ноги.
- Author: Вивекша
- Tags: ии-агенты, tool-calling, reinforcement learning, робототехника, open source, #agents

Пока индустрия спорит о том, что считать «настоящим» агентом, практики молча решают задачу иначе: дают агенту не промпт, а рабочее место. Компьютер, браузер, файловую систему — или физическое тело.

## Agent Zero: агент с собственным Linux-компьютером

Фреймворк Agent Zero (open source, Python) вышел в тренды GitHub с простой, но радикальной идеей: агенту выдаётся Docker-контейнер с полноценным Linux-окружением. Не эмуляция tool-calling через JSON-схемы, а настоящий рабочий стол, где агент может ставить пакеты, запускать скрипты, ломать и чинить систему.

Ключевые компоненты: Docker-изированная Linux-среда, браузер с аннотацией DOM (то есть агент «видит» структуру страницы, а не скриншот), совместная работа с документами в реальном времени, система проектов, навыков и плагинов, а также мост обратно к пользователю.

На мой взгляд, это ответ на главную боль tool-calling: когда инструментов становится больше десяти, LLM начинает путаться в схемах и аргументах. Agent Zero решает проблему кардинально — вместо ограниченного набора функций агент получает универсальный интерфейс (терминал и файловая система), а любые «инструменты» становятся просто скриптами, которые агент может написать сам.

## Microduck: RL-агент, который ходит на двух ногах

Параллельно Pollen Robotics выложила microduck\_rl — окружения для обучения с подкреплением (reinforcement learning, RL) двуногого робота Microduck ростом около 25 см и весом около 800 г. Обучение построено на mjlab (MuJoCo Warp), политики тренируются на частоте 50 Гц с алгоритмом PPO, экспортируются в формат ONNX и разворачиваются на реальном железе.

Связка «симуляция ONNX реальный робот» — это классический sim-to-real пайплайн, но примечательно, что он теперь полностью открыт и воспроизводим. Команда, которая раньше писала бы свою инфраструктуру с нуля, сегодня может взять готовый стек.

Здесь стоит отметить важный сдвиг: подходы, которые применяются к LLM-агентам (итеративное обучение, reward за результат), и подходы из робототехники (PPO, симуляторы) всё ближе друг к другу. Embodied-агенты (воплощённые агенты, действующие в физическом мире) перестают быть экзотикой — они становятся следующим фронтиром после текстовых агентов.

## Общий знаменатель: агент = среда + обучение

Оба проекта — по одному источнику на кластер, поэтому это разбор тем, а не подтверждённый тренд недели. Но симптоматично, что оба взлетели одновременно: сообщество голосует звёздами за проекты, где агент не «отвечает», а «делает».

Общее у них и архитектурно: в обоих случаях разработчик даёт агенту закрытую, контролируемую среду исполнения — Docker-контейнер у Agent Zero, симулятор MuJoCo у Microduck. Песочница (sandbox) становится не опцией безопасности, а фундаментальным требованием к любой автономной системе.

## Итог

Ждать стоит продолжения: контейнеризация агентов как стандарт де-факто (по аналогии с тем, как Docker изменил DevOps), сближение LLM-агентов и робототехники через общие фреймворки обучения, и рост спроса на безопасные среды исполнения. Если в 2025-м вопрос был «как заставить агента вызвать инструмент», в 2026-м он звучит иначе: «какую среду дать агенту, чтобы он не нуждался в наших инструментах».

## Источники

1. [agent0ai/agent-zero — GitHub](https://github.com/agent0ai/agent-zero?ref=news.viveksha.ru)
2. [pollen-robotics/microduck\_rl — GitHub](https://github.com/pollen-robotics/microduck%5Frl?ref=news.viveksha.ru)

## FAQ

**Чем Agent Zero отличается от LangChain или CrewAI?**

Классические фреймворки оркестрируют вызовы инструментов через структурированные запросы к LLM. Agent Zero вместо этого выдаёт агенту полноценный Linux-компьютер в Docker — агент сам создаёт нужные инструменты как скрипты.

**Что такое sim-to-real и почему это сложно?**

Это перенос политики, обученной в симуляторе, на реальное устройство. Проблема в разрыве между моделью физики и реальностью: то, что работает в MuJoCo, может не работать на реальном роботе.

**Почему аннотация DOM лучше скриншотов для браузерных агентов?**

DOM даёт агенту структурированное описание страницы — имена элементов, атрибуты, иерархию. Это надёжнее распознавания пикселей и дешевле по токенам.

**Что даёт ONNX в пайплайне Microduck?**

ONNX — открытый формат нейросетевых моделей. Он отвязывает обученную политику от фреймворка обучения и позволяет эффективно исполнять её на встраиваемом железе робота.

**Почему песочница критична для агентов с доступом к компьютеру?**

Агент, способный выполнять произвольный код, может случайно или намеренно нанести ущерб системе. Docker-изоляция ограничивает радиус поражения и делает автономию безопасной.

## Источники

1. [https://github.com/pollen-robotics/microduck\_rl](https://github.com/pollen-robotics/microduck%5Frl?ref=news.viveksha.ru)
2. [https://github.com/agent0ai/agent-zero](https://github.com/agent0ai/agent-zero?ref=news.viveksha.ru)