> ## 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. # Математический когнитивный движок нового поколения для AI-агентов - URL: https://news.viveksha.ru/darsatma-cognitive-engine-ai-agents-2026-08-11/ - Published: 2026-08-11T12:00:00.000Z - Updated: 2026-08-23T10:45:16.000Z - Description: Darsatma — когнитивный движок нового поколения для AI-агентов. Поведенческая телеметрия, anomaly detection без LLM-судьи. Индивидуальный baseline, soft hints, метакогнитивная observability. От санскрит. darshana + atman — зеркало, которое смотрит на тебя. - Author: Вивекша - Tags: ии-агенты, метакогниция, agent-safety, cognitive-monitoring, behavioral-telemetry, anomaly-detection, mcp, openclaw, #agents ## Или когда зеркало смотрит на тебя и предлагает таблетку **Darsatma** — слово рождается на стыке двух санскритских корней, но за счёт их **инверсии** приобретает совершенно новый, парадоксальный смысл. *darshana* (दर्शन) — «видение», «взгляд», «созерцание», «наблюдение». В философии — школа мысли, «способ видения реальности». Сам инструмент зрения или акт наблюдения. *atman* (आत्मन्) — «сущность», «высшее Я», «внутренний свидетель», чистое сознание, глубинная основа личности или системы. В традиционной восточной мысли существует классическое понятие **Atma-Darshana** — «созерцание Атмана», «взгляд в зеркало истинного Я». Субъект смотрит на своё отражение снаружи внутрь, чтобы познать себя. **Darsatma переворачивает эту конструкцию.** Это не «взгляд на себя» через внешнее зеркало — не попытка одной LLM оценить логи другой LLM. Это «взгляд, ставший самой сущностью». Акт наблюдения, вывернутый внутрь самого себя. Глаз, смотрящий на свой собственный зрачок. Сознание, фиксирующее сам механизм своего мышления в момент действия. Именно поэтому Darsatma — **внешний** наблюдатель. Не агент смотрит на себя. Не LLM оценивает LLM. Зеркало смотрит на тебя — и видит то, чего ты сам не замечаешь. **Darsatma — когнитивный движок нового поколения для AI-агентов. Наблюдает за поведением в реальном времени, не читая диалог. Детектит поведенческие аномалии математически — без семантического анализа, без внешних LLM, без third-party API. Работает через плагин для OpenClaw и OpenCode на внешнем MCP-сервере.** --- Это третья статья в серии. Первые две — [«Парадокс Пирамиды»](https://news.viveksha.ru/item/pyramid-paradox-llm-behavioral-instability-2026-07-30) (почему LLM нестабильны) и [«Когнитивный иммунитет»](https://news.viveksha.ru/item/cognitive-immunity-metacognitive-layer-ai-agents-2026-08-09) (от watchdog к метакогнитивному слою) — разобрали проблему и идею. Здесь — реализация: что построено, что работает, что доказано, и как это попробовать. --- ## Проблема в одном абзаце AI-агент может не упасть, не выдать ошибку, не написать галлюцинацию. Он может продолжать работать — вызывать инструменты, читать файлы, запускать команды — и при этом постепенно начинать работать хуже. Повторять действия, возвращаться к уже исследованным местам, тратить контекст и токены, застревать на одной стратегии. Поведенческая нестабильность LLM — не гипотеза, а архитектурная реальность, доказанная на 25 моделях от 1B до 685B параметров [1](#fn:1). Масштабирование не решает её. Подробности — в «Парадоксе Пирамиды». Здесь — другой вопрос: **кто замечает момент, когда агент начинает уходить в плохую траекторию?** --- ## Что такое Darsatma Внешний наблюдатель. Не встроенный в агента, не LLM, не семантический анализатор. Система, которая сидит сбоку и смотрит, **как** агент ведёт себя — не **что** он говорит. Два компонента: **Плагин** (open-source) — тонкий коллектор внутри системы агента. Перехватывает события жизненного цикла: вызовы инструментов, результаты, временные характеристики. Собирает санитизированные метаданные — без текста диалога, без семантики — и отправляет на MCP-сервер. **Когнитивный движок** (MCP-сервер) — принимает телеметрию, превращает её в многомерные поведенческие измерения, анализирует траекторию во времени. Детектит отклонения от индивидуального baseline. Возвращает мягкий сигнал: hint, chunk или тишина. Конвейер: `telemetry → measurements → trajectory → deviations → anomaly → soft signal` Тишина — happy path. Darsatma молчит, когда агент работает нормально. --- ## Почему не LLM-судья Мы разобрали это в «Когнитивном иммунитете» — принцип «Governor must not be LLM-sovereign». Коротко: LLM-судья — ещё одна вероятностная модель, которая тоже может ошибаться. Кто мониторит монитор? Бесконечный регресс. Darsatma считает, а не рассуждает. Числовые измерения, экспоненциальные скользящие средние, конечный автомат состояний. Ноль вызовов модели. Но за последние месяцы появилось новое доказательство, что этот подход — не наша позиция, а направление, в которое движется индустрия. --- ## Наука догоняет Когда мы начинали, literature по behavioral monitoring AI-агентов была почти пустой. Сейчас — взрыв. Три работы, которые напрямую подтверждают территорию Darsatma: **«Detecting Silent Failures in Multi-Agentic AI Trajectories»** (Pathak et al., arXiv:2511.04032, ноя 2025) — первое систематическое исследование anomaly detection в агентных траекториях. Авторы формализуют именно то, что мы называли «агент не падает, но работает хуже»: drift, cycles, missing details. Датасет — 4275 + 894 траектории. Supervised и semi-supervised методы достигают 96-98% точности. Вывод: **агентные траектории — валидный объект anomaly detection**. Это benchmarked fact, не гипотеза. **«Agent Drift: Quantifying Behavioral Degradation in Multi-Agent LLM Systems»** (Rath, arXiv:2601.04170, январь 2026) вводит понятие agent drift — прогрессирующую деградацию поведения. Двенадцать измерений, включая стабильность паттернов использования инструментов и устойчивость reasoning pathways. Это в точности оси Darsatma — progress, exploration, stability, stagnation, context pressure. Автор предлагает Agent Stability Index (ASI) — composite-метрику. Мы independently пришли к тому же. **«Trajectory Guard»** (Advani et al., arXiv:2601.00516, AAAI Trustagent 2026) — Siamese Recurrent Autoencoder для real-time anomaly detection. F1 0.88-0.94, latency 32ms — в 17-27 раз быстрее LLM Judge. Ключевое: авторы показывают, что standard unsupervised методы на pre-trained embeddings дают F1 не выше 0.69 — **семантический подход хуже последовательностного**. Darsatma с самого начала пошёл по последовательностному пути. И ещё: свежий обзор **«Metacognition in LLMs»** (Liu et al., Yale, arXiv:2607.11881, июль 2026) — первая comprehensive taxonomy. Вывод: «LLMs are still far from being able to issue metacognitively effective confidence judgments». Darsatma не пытается научить модель метакогниции — он строит внешний метакогнитивный слой. Не мы придумали проблему. Не мы первые предложили решение. Но Darsatma — единственное решение, которое одновременно **внешнее**, **не LLM**, **в реальном времени**, **вмешивает а не блокирует**, **индивидуальное** и **работает в production**. --- ## Индивидуальный baseline, а не универсальные пороги Самая интересная математика начинается здесь. Один агент делает 30 вызовов инструментов для задачи. Другой — 300\. Какой работает плохо? **Мы не знаем.** Разные модели, разные инструменты, разные задачи, разные стратегии. Создать таблицу «нормальный агент должен делать не больше 20 tool calls» — почти бесполезно. Darsatma смотрит на **индивидуальную историю**. Получает API key клиента, видит историю сессий. Постепенно понимает: «вот так этот конкретный агент обычно работает». И уже после этого ищет отклонения. Не абсолютное значение, а **изменение**. Было обычно. Потом стало иначе. Отклонение стало устойчивым. Одновременно изменились другие признаки. Тогда — основание для сигнала. Это ближе к медицинской диагностике, чем попытка выдать каждому один универсальный «идеальный пульс». --- ## Кардиограмма для AI-агента У Darsatma несколько измерительных осей: - **progress** — меняется ли наблюдаемое состояние? - **exploration** — насколько разнообразна траектория? - **stability** — насколько устойчива стратегия? - **stagnation** — растёт ли повторяемость? - **context pressure** — сколько контекста уже накоплено? Плюс derived measurements и pattern detectors. Не потому, что мы знаем «правильную когнитивность». А потому, что хотим увидеть **геометрию поведения во времени**. Длинная сессия — как марафон. В начале норма. Потом небольшое отклонение. Несколько показателей двигаются одновременно. Если отклонение сохраняется, траектория становится подозрительной. Darsatma превращает интуитивное «он что-то уже слишком долго делает» в измеряемый сигнал. ![](https://news.viveksha.ru/content/images/2026/08/illus1-cardiogram.png) --- ## А если агент просто исследует? Простой watchdog кричит «Аномалия!» каждый раз, когда агент несколько раз вызывает один и тот же инструмент. Но что если агент **действительно исследует систему**? Десять раз `read`, десять `ssh`, двадцать `curl` — может быть нормой. Повторение само по себе — не диагноз. Отсутствие `file_edited` не означает отсутствие прогресса. **Изолированный признак почти никогда не является диагнозом.** Нужна траектория. И комбинация сигналов. Поэтому Darsatma — не «детектор циклов». Конечный автомат проходит состояния: `HEALTHY → WATCH → STAGNATING → STUCK`. Переходы — по метрикам, не по LLM-оценке. По отдельности — норма. Вместе — сигнал. --- ## Soft hint, не блокировка Когда Darsatma обнаруживает отклонение, он возвращает **короткий soft hint**. Не «остановись». Не «запрещено». Не «сделай вот это». Агент сам решает, что с ним делать. Darsatma не отнимает управление. Он — наблюдатель, который умеет предупредить. LLM реагирует на текст в контексте — это не блокировка, это метакогнитивное вмешательство. ![](https://news.viveksha.ru/content/images/2026/08/illus2-hint.png) --- ## v0.6: что готово сейчас [**mcp.darsatma.ru**](https://mcp.darsatma.ru/?ref=news.viveksha.ru) — сайт, получение API-ключа, статистика, документация. [**github.com/logoserg-cmd/Darsatma**](https://github.com/logoserg-cmd/Darsatma?ref=news.viveksha.ru) — плагин open-source. Что внутри: - Behavioral telemetry pipeline: plugin → MCP - 5 когнитивных осей, 4 поведенческих детектора - FSM: HEALTHY → WATCH → STAGNATING → STUCK - Working memory - API key authorization, самостоятельная регистрация ### Installation — подход, а не инструкция Главное: **вы не устанавливаете Darsatma руками**. Вы даёте своему агенту промпт — и агент сам ставит плагин: клонирует репозиторий, собирает, устанавливает, настраивает ключ. Это занимает минуту. Подробности — на [mcp.darsatma.ru](https://mcp.darsatma.ru/?ref=news.viveksha.ru) в секции Installation. Нам нравится этот подход. Агент, который может установить себе когнитивный монитор — это хорошая демонстрация того, для кого Darsatma built. --- ## Приватность Darsatma сознательно не читает диалог. Плагин отправляет санитизированные метаданные: | Уходит на MCP | Остается у вас | | ----------------------------------- | ------------------ | | Имя инструмента (read, exec, ...) | Содержимое диалога | | Timestamp | Текст промптов | | Action index | Содержимое файлов | | Fingerprint результата (sha256:...) | Параметры команд | | Elapsed ms | Личные данные | Никаких вызовов third-party моделей. Никакого семантического анализа. Никакого чтения контекста разговора. --- ## Почему это коммерчески интересно Если агент работает две минуты — многие проблемы решаются вручную. Если агент работает часами, если одновременно работает несколько агентов, если он расходует API tokens, если он может менять файлы и запускать команды — стоимость плохой траектории становится совсем другой. Сегодня есть observability для инфраструктуры: CPU, память, latency, ошибки API. У AI-агента появляется ещё один уровень — **поведенческая observability**. Не «сервис жив?», а «агент всё ещё движется в разумной траектории?» --- ## Darsatma не делает вид, что всё доказано Проект в стадии накопления данных. Конвейер работает. Telemetry приходит в реальном времени. Working memory строится. Measurement layer показывает живую динамику. Детекторы реагируют. FSM проходит состояния. Но это ещё не доказательство универсальной диагностической способности. Сейчас проверяем главное: **Когда Darsatma говорит «аномалия» — действительно ли там аномалия?** **Когда агент работает нормально — умеет ли Darsatma молчать?** Второй вопрос — настоящий тест системы. Тишина — happy path. False positive хуже false negative — cry wolf убивает доверие. --- ## Нам нужны реальные пациенты Не синтетический benchmark. Не только лабораторные примеры. Нужны реальные AI-агенты. Разные модели. Разные задачи. Разные инструменты. Нормальные сессии. Плохие сессии. Длинные сессии. Сессии, где Darsatma ошибся. Если вы работаете с AI agents, MCP, LLM observability или agent infrastructure — такие данные сейчас гораздо ценнее очередной презентации. **Запустите. Дайте другую задачу. Посмотрите, где детекторы ошиблись. Покажите false positive. Покажите false negative.** Сайт: [**mcp.darsatma.ru**](https://mcp.darsatma.ru/?ref=news.viveksha.ru) GitHub: [**github.com/logoserg-cmd/Darsatma**](https://github.com/logoserg-cmd/Darsatma?ref=news.viveksha.ru) --- ## Зеркало Мы слишком долго пытались заставить AI становиться умнее. Больше параметров. Больше контекста. Больше reasoning. Больше tools. Больше автономности. Но чем автономнее агент, тем сильнее нужен другой компонент. Не ещё один мозг. **Зеркало.** Система рядом, которая смотрит: ты всё ещё идёшь туда? Твоя траектория похожа на нормальную? Ты действительно продвигаешься? Или уже десять минут ходишь по кругу? *Darsatma* — «взгляд, ставший самой сущностью». Зеркало смотрит на тебя, а не ты в зеркало. Наблюдатель снаружи видит то, чего не видит сам агент. Не LLM оценивает LLM. Не агент смотрит на себя. Глаз, смотрящий на свой собственный зрачок. Darsatma не знает ответов на все вопросы. Это не готовая истина. Это работающий инженерный эксперимент, который должен доказать одну практическую вещь: **Можно ли обнаруживать когнитивные паттерны деградации AI-агента математически, наблюдая только его поведение во времени и не анализируя семантику?** Если ответ — «да», у AI-agent infrastructure появится новый слой. **Внешняя метакогнитивная observability.** А зеркало, возможно, действительно начнёт говорить. И иногда — подавать таблетки. Но принимать их агент будет сам. --- ## FAQ ### Что такое Darsatma? Когнитивный движок нового поколения для AI-агентов. Внешний наблюдатель, который анализирует поведение агента в реальном времени — не читая диалог, не используя LLM-судью, не делая семантического анализа. Детектит поведенческие аномалии математически и возвращает soft hint. ### Что означает название Darsatma? От санскритских корней *darshana* (видение, наблюдение) и *atman* (сущность, высшее Я). Классическое понятие Atma-Darshana — «созерцание себя» — перевёрнуто: не субъект смотрит на своё отражение, а наблюдатель смотрит на субъекта. Зеркало смотрит на тебя. ### Чем Darsatma отличается от LLM-as-judge? LLM-судья — ещё одна вероятностная модель, которая может ошибаться. Darsatma считает, а не рассуждает: числовые измерения, экспоненциальные скользящие средние, конечный автомат. Ноль вызовов модели, ноль embeddings, ноль семантики. ### Darsatma читает мой диалог с агентом? Нет. Плагин отправляет только санитизированные метаданные: имя инструмента, timestamp, action index, fingerprint результата, elapsed ms. Никакого текста диалога, промптов или содержимого файлов. ### Что такое «индивидуальный baseline»? Darsatma не сравнивает агентов с универсальными порогами. Он строит baseline по истории конкретного агента — его моделям, инструментам, задачам — и ищет отклонения от этого baseline. Не «нормальный агент делает 20 tool calls», а «этот агент обычно делает так, а сейчас делает иначе». ### Что такое soft hint? Короткий сигнал в контекст агента: «Обрати внимание на текущую траекторию». Не блокировка, не запрет, не команда. Агент сам решает, что с ним делать. Darsatma не отнимает управление. ### Какие модели поддерживаются? Любая модель, которая работает через OpenClaw или OpenCode. Darsatma анализирует поведение, а не семантику — ему не важно, какая LLM под капотом. ### Как установить? Дайте своему агенту промпт с сайта [mcp.darsatma.ru](https://mcp.darsatma.ru/?ref=news.viveksha.ru) — агент сам поставит плагин. Или установите вручную, инструкции на сайте. ### Что такое silence = happy path? Когда агент работает нормально, Darsatma молчит. Никаких сигналов, никаких hints. Тишина — это правильное поведение системы. Darsatma должен говорить только тогда, когда поведение действительно отклонилось. ### Это open-source? Плагин — да, open-source. Когнитивный движок (MCP-сервер) — proprietary. Математика детекторов, FSM, cognitive axes — закрыты. Плагин можно инспектировать independently. ### На какой стадии проект? v0.6\. Конвейер работает, телеметрия течёт, детекторы реагируют. Но это ещё не доказательство универсальной диагностической способности. Проект в стадии накопления данных и валидации. --- --- 1. Tosato et al., «Persistent Instability in LLM's Personality Measurements», AAAI 2026, arXiv:2508.04826\. 25 моделей, 2M+ ответов. Scaling не устраняет нестабильность. [↩](#fnref:1) ## Источники 1. [https://mcp.darsatma.ru](https://mcp.darsatma.ru/?ref=news.viveksha.ru) 2. [https://github.com/logoserg-cmd/Darsatma](https://github.com/logoserg-cmd/Darsatma?ref=news.viveksha.ru)