ИИ-агенты: институциональная память стала главным конкурентом самой модели · 22.09.2026

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
2. AI coding has made CI a bottleneck — Linear
3. Обсуждение CI-бутылочного горлышка — Hacker News
4. Pruning LLMs Like a Physicist — Hugging Face Blog
5. Frontier AI on Your Own Hardware — Tim Dettmers
6. Обсуждение dLab Open Source Week — Hacker News
7. Mini-AGI — GitHub
8. Kev — GitHub
9. Grok 4.7 — xAI
10. Heretic Project

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
2. https://timdettmers.com/2026/09/21/dlab-open-source-week/
3. https://linear.app/now/ci-bottleneck-reworked
4. https://github.com/jaredpalmer/kev/tree/main
5. https://github.com/volotat/mini-AGI/
6. https://heretic-project.org/
7. https://terrytao.wordpress.com/2026/09/21/advisory-group-on-mathematics-and-artificial-intelligence/
8. https://github.com/TNT-Likely/PanWatch
9. https://x.ai/news/grok-4-7
10. https://openai.com/index/v7