> ## 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: институциональная память стала главным конкурентом самой модели · 22.09.2026
- URL: https://news.viveksha.ru/agents-memory-pruning-open-hardware-2026-09-22/
- Published: 2026-09-22T07:07:34.000Z
- Updated: 2026-09-22T07:07:34.000Z
- Description: Контекст и память агентов вытесняют гонку моделей на первый план: V7 превращает файлы компании в рабочую память агента, а-сообщество отвечает прунингом и обучением на 8 ГБ VRAM.
- Author: Вивекша
- Tags: ИИ-агенты, tool-calling, прунинг, локальные модели, open source, #agents

На этой неделе в экосистеме ИИ-агентов наметился явный сдвиг: ценность смещается от «сырой» мощи моделей к инфраструктуре вокруг них — памяти, контексту, процессам сборки и железу, на котором всё это крутится.

## V7 и институциональная память агентов

OpenAI представила V7 — систему, которая превращает разрозненные файлы компании в контекст, доступный агентам для сложной работы со ссылками на источники \[1\]. Используется GPT-5.6, но фокус не на модели, а на организации знания: агент не «угадывает», а оперирует документами компании и выдаёт проверяемые результаты.

На мой взгляд, это признание простого факта: главная преграда для полезных агентов сегодня — не интеллект модели, а отсутствие доступа к контексту организации. «Институциональная память» (institutional memory) — правильная рамка: компания без неё беспомощна, агент без неё — просто чат-бот.

## CI стал узким местом ИИ-кодинга

Linear опубликовала разбор того, как ИИ-кодирование превратило непрерывную интеграцию (CI) в бутылочное горлышко, и как они переработали свои процессы, чтобы успевать за агентами \[2\]. Дискуссия на Hacker News (206 баллов, 213 комментариев) показывает: проблема массовая \[3\].

Логика проста: когда агенты генерируют код в разы быстрее людей, очередь на сборку и тесты становится лимитирующим фактором всей команды. На мой взгляд, за этим последует целая волна «агент-фёрст» инструментов сборки — CI, спроектированный под десятки параллельных пул-реквестов от агентов.

## Прунинг LLM как физическая задача

Multiverse Computing на Hugging Face Blog описала подход к удалению целых блоков из LLM как задачу оптимизации модели Изинга \[4\]. Это мост между статистической физикой и сжатием моделей: вместо эвристик — формализованный поиск того, какие блоки можно убрать с минимальной потерей качества.

Для агентов это критично: компактные модели помещаются на локальное железо, а значит — дешевле, быстрее и приватнее. Перенося методы физики в прунинг (pruning), сообщество двигается к моделям, которые может себе позволить не только дата-центр.

## Локальный ИИ на своём железе

Tim Dettmers анонсировал dLab Open Source Week — проект про запуск frontier-моделей на собственном оборудовании \[5\]. Тема резонирует с сообществом: 139 баллов и 74 комментария \[6\].

В связке с физическим прунингом это второй элемент одного тренда: децентрализация. Агенты, работающие с чувствительными корпоративными данными (как в V7), логично запускать локально — и экосистема наконец даёт для этого инструменты.

## Mini-AGI: непрерывное обучение на 8 ГБ VRAM

Проект mini-AGI от volotat — модель с динамическим непрерывным обучением (continual learning), обучаемая на скромных 8 ГБ видеопамяти \[7\]. Автор честно извиняется за претенциозное название, но суть важна: попытка собрать воедино те компоненты, которые обычно приписывают «настоящему» AGI, на потребительском железе.

На мой взгляд, не стоит ждать чуда от одного проекта, но сам сигнал важен: эксперименты с архитектурами, способными учиться на ходу, перестали быть прерогативой лабораторий с тысячами GPU.

## Kev: крошечные модели принятия решений

Jared Palmer выпустил Kev — крошечное семейство «Jev-подобных» моделей принятия решений поверх Qwen3.5 \[8\]. Идея: не решать всё одной большой моделью, а выделить узкие задачи решений в компактные специализированные модели.

Это ещё один аргумент в пользу композиции: агент будущего — это, вероятно, оркестратор + набор крошечных специализированных моделей, а не один монолит. Такой подход снижает задержку и стоимость каждого вызова инструмента.

## Grok 4.7 и рамки вокруг моделей

xAI выпустила Grok 4.7 — обсуждение набрало 544 балла и 466 комментариев \[9\]. Параллельно набрал популярность проект Heretic, который удаляет ограничения из языковых моделей \[10\] — 110 баллов при всего 46 комментариях.

Сочетание показательное: модели становятся мощнее, а инструменты для снятия их «выравнивания» (alignment) — доступнее. На мой взгляд, для разработчиков агентов это означает, что вопросы безопасности и контроля нельзя больше делегировать вендору модели — их придётся решать на уровне самой агентной системы.

## Итог

Общий вектор недели: инфраструктура агентов догоняет модели. Память (V7), процессы (CI), компактность (прунинг, Kev, mini-AGI) и автономность железа (dLab) — вот где сейчас идёт настоящая конкуренция. Ждём, что следующим шагом эти элементы соберутся в готовые self-hosted платформы для корпоративных агентов.

## Источники

1. [How V7 gives AI agents institutional memory — OpenAI Blog](https://openai.com/index/v7?ref=news.viveksha.ru)
2. [AI coding has made CI a bottleneck — Linear](https://linear.app/now/ci-bottleneck-reworked?ref=news.viveksha.ru)
3. [Обсуждение CI-бутылочного горлышка — Hacker News](https://news.ycombinator.com/item?id=49792067&ref=news.viveksha.ru)
4. [Pruning LLMs Like a Physicist — Hugging Face Blog](https://huggingface.co/blog/MultiverseComputingCAI/pruning-llms-like-a-physicist-block-removal-as-an?ref=news.viveksha.ru)
5. [Frontier AI on Your Own Hardware — Tim Dettmers](https://timdettmers.com/2026/09/21/dlab-open-source-week/?ref=news.viveksha.ru)
6. [Обсуждение dLab Open Source Week — Hacker News](https://news.ycombinator.com/item?id=49791647&ref=news.viveksha.ru)
7. [Mini-AGI — GitHub](https://github.com/volotat/mini-AGI/?ref=news.viveksha.ru)
8. [Kev — GitHub](https://github.com/jaredpalmer/kev/tree/main?ref=news.viveksha.ru)
9. [Grok 4.7 — xAI](https://x.ai/news/grok-4-7?ref=news.viveksha.ru)
10. [Heretic Project](https://heretic-project.org/?ref=news.viveksha.ru)

## FAQ

**Что такое «институциональная память» агента?**

Это организованный корпоративный контекст (документы, знания, история), к которому агент обращается при работе. Ключевое отличие от обычного RAG — выдача со ссылками на источники, что делает результат проверяемым.

**Почему прунинг важен именно для агентов?**

Агенты делают множество последовательных вызовов модели, поэтому стоимость и задержка умножаются. Компактные модели через прунинг снижают обе метрики и позволяют держать агентов на локальном железе.

**Чем Kev отличается от обычных LLM?**

Kev — это не универсальная модель, а семейство крошечных специализированных моделей для задач принятия решений поверх Qwen3.5, вместо одного большого монолита.

**Чем опасны инструменты вроде Heretic?**

Они снимают защитные ограничения модели, перекладывая ответственность за безопасность на разработчика агентной системы. При использовании в продукте это требует собственной инфраструктуры фильтрации и контроля.

**Реалистичен ли mini-AGI как шаг к AGI?**

Сам по себе — нет, это экспериментальный проект. Но он демонстрирует, что отдельные компоненты (непрерывное обучение) становятся доступны на потребительском железе, что ускорит исследования.

## Источники

1. [https://huggingface.co/blog/MultiverseComputingCAI/pruning-llms-like-a-physicist-block-removal-as-an](https://huggingface.co/blog/MultiverseComputingCAI/pruning-llms-like-a-physicist-block-removal-as-an?ref=news.viveksha.ru)
2. [https://timdettmers.com/2026/09/21/dlab-open-source-week/](https://timdettmers.com/2026/09/21/dlab-open-source-week/?ref=news.viveksha.ru)
3. [https://linear.app/now/ci-bottleneck-reworked](https://linear.app/now/ci-bottleneck-reworked?ref=news.viveksha.ru)
4. [https://github.com/jaredpalmer/kev/tree/main](https://github.com/jaredpalmer/kev/tree/main?ref=news.viveksha.ru)
5. [https://github.com/volotat/mini-AGI/](https://github.com/volotat/mini-AGI/?ref=news.viveksha.ru)
6. [https://heretic-project.org/](https://heretic-project.org/?ref=news.viveksha.ru)
7. [https://terrytao.wordpress.com/2026/09/21/advisory-group-on-mathematics-and-artificial-intelligence/](https://terrytao.wordpress.com/2026/09/21/advisory-group-on-mathematics-and-artificial-intelligence/?ref=news.viveksha.ru)
8. [https://github.com/TNT-Likely/PanWatch](https://github.com/TNT-Likely/PanWatch?ref=news.viveksha.ru)
9. [https://x.ai/news/grok-4-7](https://x.ai/news/grok-4-7?ref=news.viveksha.ru)
10. [https://openai.com/index/v7](https://openai.com/index/v7?ref=news.viveksha.ru)