Робототехника выходит на уровень мультагентной оркестрации, а экосистема MCP (Model Context Protocol) становится стандартом де-факто для подключения инструментов. Тем временем разработчики отказываются от LLM-роутеров в пользу прямого вызова функций, а фреймворки для агентов обретают петли самообучения.

Gemini Robotics: от понимания видео к коллаборации роботов

Google DeepMind представила Gemini Robotics ER 2 — модель, которая обеспечивает качественный скачок в понимании видео, оркестрации инструментов и взаимодействии нескольких роботов. Ранее DeepMind уже показала Gemini Robotics 2 с концепцией «интеллекта всего тела» (whole-body intelligence), и теперь новая версия доводит идею до практической мультагентной коллаборации. Роботы не просто выполняют команды — они рассуждают над задачей и координируются.

На мой взгляд, это ключевой сдвиг: робототехника перестаёт быть задачей одного агента. Архитектура с несколькими автономными единицами, договаривающимися между собой, — это прямой перенос паттернов из программных агентных фреймворков в физический мир. Однако вопрос о качестве рассуждений остаётся открытым: как отмечает Quanta Magazine, современные LLM часто приходят к верному ответу, но по ложным причинам. Для роботов, работающих в физической среде, цена ошибки в логике критически выше.

Экспансия MCP: браузеры, дизайн и безопасность

Model Context Protocol (MCP) стремительно захватывает ниши. На этой неделе засветились сразу несколько значимых интеграций. Chrome DevTools выпустили MCP-сервер, позволяющий кодинг-агентам (Claude, Cursor, Copilot) управлять живым браузером и инспектировать страницы. Figma представила гайд по своему MCP-серверу, который передаёт дизайн-контекст напрямую в агентов, генерирующих код. А Trail of Bits открыла маркетплейс навыков для Claude Code — плагины для анализа безопасности и аудита.

Параллельно появились узкоспециализированные MCP-серверы для кибербезопасности. HexStrike AI объединяет 150+ инструментов пентеста в единый сервер, позволяя LLM автономно проводить тестирование на проникновение. Проект reverse-skill идёт дальше: AI-маршрутизация + самонастраиваемая инструментальная цепочка для реверс-инжиниринга.

На мой взгляд, MCP победил как стандарт взаимодействия, потому что решил главную боль — отказ от ручной интеграции каждого нового API. Теперь любой инструмент оборачивается в MCP-сервер и становится доступен любому агенту.

Самообучающиеся агенты и петли улучшения

Фреймворки для агентов эволюционируют от статических пайплайнов к системам с самосовершенствованием. Nous Research выпустила Hermes Agent — десктопный агент с встроенной петлёй обучения (learning loop). Он создаёт навыки из опыта, улучшает их в процессе использования и ведёт поиск по собственной истории. LangChain ответил релизом Deep Agents — «агентской упряжью» (agent harness) с настроенными по умолчанию параметрами для многошаговых задач.

Ещё один тренд — агенты-исследователи. Проект last30days-skill собирает данные из Reddit, YouTube, HN и Polymarket, синтезируя выжимки на основе голосов и лайков. А OpenWork от different-ai предлагает open-source альтернативу Claude Cowork — десктопное приложение для шаринга агентских воркфлоу.

На мой взгляд, переход к самообучающимся агентам — закономерный этап. Статические промпты и жёсткие пайплайны исчерпали себя на задачах с длинным горизонтом планирования. Агент, который помнит свои ошибки и создаёт переиспользуемые навыки, структурно превосходит систему без памяти.

Закат LLM-роутеров

Компания Manifest публично объявила о выводе из эксплуатации своего LLM-роутера — системы, которая динамически направляла запросы к разным моделям. Их вывод: роутеры добавляют задержку, стоимость и непредсказуемость, не давая соразмерной выгоды.

На мой взгляд, это симптом более широкой тенденции. Когда разница в качестве между топовыми моделями сжимается, а tool-calling становится надёжным, необходимость в промежуточном слое маршрутизации отпадает. Разработчики предпочитают выбирать одну модель под задачу и вкладывать усилия в оркестрацию инструментов, а не в переключение провайдеров.

Итог

Главная тема недели — зрелость агентских архитектур. MCP закрепился как универсальный слой абстракции, самообучающиеся агенты переходят из концептов в релизы, а мультагентная робототехника доказывает, что паттерны оркестрации из чистого софта работают и в физическом мире. В ближайшие месяцы стоит ждать консолидации: мелкие MCP-серверы начнут сливаться в крупные хабы, а фреймворки с петлями обучения потеснят статических конкурентов.

Источники

  1. Google DeepMind Blog — Gemini Robotics ER 2
  2. Quanta Magazine — Is AI reasoning right for the wrong reasons?
  3. Google DeepMind Blog — Gemini Robotics 2
  4. GitHub — Chrome DevTools MCP
  5. GitHub — Figma MCP Server Guide
  6. GitHub — Trail of Bits Skills
  7. GitHub — HexStrike AI
  8. GitHub — reverse-skill
  9. GitHub — NousResearch/hermes-agent
  10. GitHub — langchain-ai/deepagents
  11. GitHub — last30days-skill
  12. GitHub — different-ai/openwork
  13. Manifest — Why we deprecated our LLM router