ИИ-агенты: главный тренд — агенты перестают болтать и получают руки · 31.08.2026
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
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.