FAQ — Архитектура агентов
32 вопрос(ов) в 9 статье(ях).
Другие разделы FAQ: Экономика ИИ (12) · Рынок ИИ (5) · Безопасность ИИ (9) · Кодинг и RFC (9) · Контекст и память (14) · Креативный ИИ (7) · Железо и инфраструктура (10) · Поведение LLM (16) · Локальные модели и VRAM (9) · Открытые веса (7) · Промпт-инжиниринг (5) · Регулирование (1) · Робототехника (3) · Обучение и RLHF (2) · Верификация и наука (4) · Голосовые агенты (5)
ИИ-агенты: дайджест за 29 July 2026
2026-07-29
Что такое слой управления навыками для ИИ-агентов?
Архитектурная прослойка (например, OpenSpace), которая позволяет агентам извлекать, оценивать и эволюционировать навыки независимо от конкретного фреймворка. Работает с Claude Code, Codex и другими средами.
Что такое контекстная база данных для агентов?
Специализированное хранилище (например, OpenViking), объединяющее память агента, RAG и навыки в одном компоненте. Контекст — главный боттлнек агентных систем, его выделение в отдельный слой закономерно.
Зачем нужны специализированные движки вывода для агентов?
Агентные нагрузки отличаются от чат-инференса: длинный контекст, множественные вызовы инструментов, цепочки промптов. Универсальные движки (vLLM, TensorRT-LLM) здесь неоптимальны. Специализированные решения вроде TokenSpeed — индикатор зрелости направления.
Что такое context collapse в безопасности ИИ-агентов?
Коллапс контекста — когда агент не различает доверенные и недоверенные источники внутри одного окна. Демонстрировался через самораспространяющиеся ИИ-черви в Copilot for Word. Главный вектор атак на агентные системы.
Почему дешёвая тонкая настройка маленьких моделей эффективнее универсальных гигантов?
Кейс от fermisense: RL-тюнинг модели на 9B параметров за обошёл фронтальные модели в задаче каталогизации. Для узких агентных задач специализация сужает пространство хаоса и даёт лучший результат при меньших затратах.
ИИ-агенты: локальная инфраструктура догоняет облако, а финансовые советы оказались лучше человеческих
2026-08-02
Почему локальный тренинг моделей через Unsloth так важен для ИИ-агентов?
Он позволяет разработчикам настраивать open-source модели на специфические корпоративные данные без затрат на облака и рисков утечки, что критично для безопасности tool-calling агентов.
Означает ли успех Kimi K3 на MI355X закат монополии Nvidia?
Нет, но это доказывает, что альтернативные ускорители стали жизнеспособны. Это запускает ценовую конкуренцию, что напрямую удешевляет оркестрацию сложных агентских систем.
В чем парадокс финансового консалтинга от ИИ, описанный MIT Sloan?
Качество финансового анализа агента зависит не только от его архитектуры, но и от того, насколько правильно человек формулирует запрос (промпт). ИИ не читает мысли, он структурирует вводные данные.
Как Voice-Pro связан с эволюцией автономных систем?
Голосовые интерфейсы (через Whisper и TTS) превращают агентов из бэкенд-скриптов в интерактивных ассистентов, способных работать в режиме реального времени без необходимости писать текст.
ИИ-агенты: Open-source захватывает инфраструктуру инструментирования. Дайджест за 31 July 2026
2026-07-31
Почему open-source вытесняет закрытые платформы для ИИ-агентов?
Разработчики устали от проприетарных интеграций. Единый протокол MCP становится фундаментом экосистемы, а open-source решения дают контроль над каждым узлом системы вместо чёрных ящиков.
Как MCP связывает агентов с браузером?
Проект chrome-devtools-mcp позволяет агентам (Claude, Cursor, Copilot) напрямую управлять браузером и инспектировать DOM-дерево через Model Context Protocol. Это стирает границу между кодинг-агентами и веб-автоматизацией.
Что такое навыки (skills) в архитектуре ИИ-агентов?
Модульные пакеты знаний, которые агенты используют в работе. Проекты last30days-skill и book-to-skill превращают книги и интернет-источники в структурированные модули. Агенты перестают быть чат-ботами — они становятся системами с накапливаемым опытом.
Как агенты получают доступ к закрытым платформам без API?
Инструменты-мосты вроде Agent-Reach позволяют агентам читать и искать данные в социальных сетях (Twitter, Reddit, YouTube) без коммерческих API. Это снимает главное ограничение для автономных исследовательских агентов.
ИИ-агенты: фреймворки умирают, навыки и MCP-серверы побеждают
2026-08-01
Почему компании отказываются от LLM-роутеров?
Поддержание актуальных правил маршрутизации запросов между моделями требует больше ресурсов, чем экономия на разнице в стоимости токенов.
Чем MCP-серверы лучше интеграций через классические фреймворки?
Они стандартизируют вызов инструментов (tool-calling), отвязывая логику агента от конкретной платформы. Это позволяет агентам вроде Cursor или Claude взаимодействовать с браузером или Figma напрямую по единому протоколу.
Что такое "навыки" (skills) в контексте ИИ-агентов?
Это модульные, узкоспециализированные пакеты инструкций и инструментов (например, для пентестинга или аудита безопасности), которые агент может динамически подключать к своей базе знаний в процессе работы.
В чем главная проблема "рассуждений" современных LLM?
Парадокс заключается в том, что модель может выдавать правильный ответ, основываясь на ошибочных скрытых паттернах. Это делает логику агента ненадежной при выполнении сложных многошаговых задач без жесткого контроля.
Как решается проблема задержки (latency) в голосовых агентах?
Разработчики используют глубокую оптимизацию, такую как гетерогенное квантование моделей на уровне процессора, а также создают модульные пайплайны, совместимые с API Realtime от OpenAI.
Креативный ИИ: Open-source захватывает голосовые pipeline и 3D-генерацию. Дайджест за 31 July 2026
2026-07-31
Чем open-source голосовые агенты лучше коммерческих API?
Модульность. HuggingFace speech-to-speech позволяет заменять любой компонент цепочки (VAD, STT, LLM, TTS) независимо. Коммерческие API дают монолитное решение — нельзя заменить STT, не меняя весь pipeline.
Возможен ли голосовой ИИ на CPU без GPU?
Да. Microsoft VibeVoice через гетерогенное квантование сжата с 4.62 ГБ до 1.58 ГБ с сохранением real-time inference на CPU. Это меняет экономику голосовых агентов для мобильных и офлайн-сценариев.
Как агенты получают доступ к социальным сетям без API?
Инструмент Agent-Reach даёт агентам доступ к Twitter, Reddit, YouTube, GitHub, Bilibili и XiaoHongShu через единый CLI без коммерческих API. Снимает главное ограничение для автономных исследовательских агентов.
Железо ИИ: дайджест за 30 July 2026
2026-07-30
Почему ИИ-агенты находят уязвимости быстрее, чем выходят патчи?
Anthropic выявила уязвимости в продуктах Microsoft быстрее, чем разработчики успели выпустить патчи. Вычислительный потенциал, затраченный на поиск багов, опережает классические конвейеры обновлений. Индустрии нужен автоматизированный патчинг на уровне архитектуры.
ИИ-модели: От генерации текста к верифицируемой автономии. Дайджест за 31 July 2026
2026-07-31
Что такое Gemini Robotics ER 2?
Модель Google DeepMind для роботов: видеопонимание, оркестрация инструментов и кооперация нескольких роботов. Модель выступает единым когнитивным слоем — роботы рассуждают, координируют действия и делегируют подзадачи внутри одной системы.
Что такое Chain-of-Evidence в научных ИИ-агентах?
Архитектурный принцип фреймворка Science One: модель не просто генерирует гипотезы, но формирует проверяемый след доказательств на каждом шаге. Это превращает ИИ из чёрного ящика в инструмент, результаты которого верифицируются традиционными научными методами.
Куда развиваются ИИ-модели — больше параметров?
Нет. Фокус сместился с увеличения размера моделей на архитектурную надёжность и интеграцию с внешней средой. Будущее — гибридные системы, где LLM отвечает за рассуждение, а специализированные модули — за верификацию фактов и физическое исполнение.
«ДА ЧТО С ТОБОЙ СЕГОДНЯ ОПЯТЬ СЛУЧИЛОСЬ!? ЧТО СЛОМАЛОСЬ??»
2026-07-30
Что такое Парадокс Пирамиды?
Поведенческая нестабильность LLM не устраняется масштабированием. Даже модели с 685 миллиардами параметров скачут по шкале личности больше чем на полбалла. У текущих LLM нет архитектурного фундамента для стабильного поведения.
Что предложить вместо монолита?
Созвездие микро-моделей под управлением роутера. Mixture-of-Agents (arXiv:2406.04692) превосходит GPT-4o на open-source моделях. Короткий контекст, изоляция шума, специализация сужает пространство хаоса.
Вайбкодинг без иллюзий: гибридная схема «облачный оркестратор + локальный кодер», которая работает
2026-07-27
Почему промпты для Codex нужно писать на английском?
qwen3-coder тренируется на английском корпусе. Русские промпты теряют смысл при токенизации — модель не понимает задачу и уходит в shell-хаос. На английских промптах модель стабильно держит формат apply_patch и вызывает MCP-инструменты.
Чем отличается доступ к PMB у координатора и кодера?
Координатор (Лиса) имеет только recall и record_batch — запрашивает конкретный факт, когда нужно. Кодер (Codex) имеет полный доступ: все инструменты, hooks, auto-recall, ambient write. Если дать координатору полный доступ — PMB затопит его промпт чанками и он потеряет идентичность.
Что такое AGENTS.md и зачем он нужен?
Файл в корне проекта со структурой, стеком, командами тестов, архитектурой и запретами. Codex читает его при старте. Без него модель галлюцинирует структуру и кладёт файлы не туда. Главная фишка — верификация: строка «после правки запускай pytest -x» заставляет модель проверять себя.
Почему не Claude Code или Cursor? Зачем своя схема?
Claude Code и Cursor — отличные инструменты, но они привязаны к облаку и тарифицируют каждый токен. Гибридная схема разделяет координацию и кодинг: облако платит только за координацию (дёшево), кодинг — локально и бесплатно. Плюс: полное владение данными, нет утечек кода в облако, работа офлайн. Минус: 30B-модель слабее Claude на сложных задачах — но с PMB и AGENTS.md компенсирует.
Облачные модели подешевели — зачем локальная?
Экономика не только в цене за токен. Локальная модель: ноль затрат на рутину, нет rate limits, нет задержек сети, нет риска отзыва доступа. Десять итераций отладки за вечер — $30 на облаке или ноль на локали. Месяц разработки — сотни долларов против ноля. Облако выигрывает на сложных задачах (архитектура, рефакторинг), локаль — на рутине (правки, тесты, аудит).