Пока индустрия спорит о размерах контекста и количестве параметров, ключевые битвы за ИИ-агентов сместились в инфраструктурный слой. Неделя показала: тот, кто контролирует среду исполнения и оркестрацию, выигрывает больше, чем создатель лучшей модели.
Cloudflare строит операционную систему для агентов
Cloudflare анонсировала Cloudflare OS — открытую платформу для работы автономных агентов, приложений и автоматизации. В её основе лежит проект Cloudflare Computer: виртуальная файловая система внутри Durable Object, хранящая состояние в SQLite и предоставляющая единую поверхность исполнения. Три бэкенда уже доступны: Container provider, Worker provider и Flex provider. По сути, это полноценная виртуальная машина в облаке, спроектированная специально для агентов, которым нужен sandbox (изолированная среда) и персистентное состояние.
На мой взгляд, это один из самых значимых инфраструктурных анонсов года. Проблема большинства фреймворков — агенты эфемерны. Они запускаются, выполняют задачу, умирают. Cloudflare решает фундаментальную проблему: даёт агентам «дом», где они могут хранить файлы, держать контекст и переживать перезапуски. Это переход от stateless (без сохранения состояния) к stateful (с сохранением) архитектуре.
LiteLLM: шлюз к сотне моделей с Rust-ядром
BerriAI выпустила обновлённый LiteLLM — AI Gateway (ИИ-шлюз) с ядром на Rust и Python SDK. Решение позволяет вызывать более 100 различных LLM API в формате OpenAI или нативном, добавляя отслеживание затрат, балансировку нагрузки, guardrails (защитные ограничители) и логирование. Поддерживаются Bedrock, Azure, OpenAI, Anthropic, VertexAI, vLLM, Nvidia NIM.
Это кристаллизация важного тренда. Команды больше не хотят привязываться к одному провайдеру. LiteLLM становится стандартным слоем абстракции: вы пишете логику агента один раз, а модель меняете через конфигурацию. Rust-ядро решает проблему задержки, критичную для tool-calling (вызова инструментов), где каждый миллисекундный лаг умножается на количество шагов.
Agent Skills: инженерные практики как код
Репозиторий addyosmani/agent-skills предлагает production-grade (промышленного уровня) инженерные навыки для ИИ-агентов, пишущих код. По сути, это кодифицированные workflow (рабочие процессы), quality gates (контроль качества) и best practices (лучшие практики), которые используют senior-инженеры, упакованные так, чтобы агенты следовали им последовательно.
Здесь прослеживается чёткий тренд: сообщество осознало, что голая модель — плохой программист. Agent Skills — это попытка внедрить формальные инженерные стандарты в контекст агента. Вместо того чтобы надеяться, что LLM сама напишет тесты и проведёт ревью, мы явно прописываем эти шаги как обязательные этапы. Это переход от «агента-помощника» к «агенту-инженеру» с встроенной дисциплиной.
Prime Agent: самообучающийся RLM-агент
Prime Intellect представила Prime Agent — самообучающегося агента на базе RLM (Reasoning Language Model — модель рассуждений). Агент способен итеративно улучшать собственную производительность, накапливая опыт без дообучения с нуля.
Концепция самообучения — Святой Грааль агентного ИИ. Если традиционный подход требует сбора данных, разметки и повторного обучения, то Prime Agent предлагает агенту учиться на собственных ошибках в рантайме. На мой взгляд, именно самообучающиеся архитектуры станут следующим рубежом: разрыв между статичными агентами и адаптивными будет расти экспоненциально.
Open-source против frontier-моделей: 100-кратная разница в цене
Команда Neon показала, как их модель Castform обходит GPT-5.6 Sol в задачах retrieval (поиска и извлечения информации), будучи в 100 раз дешевле. Результат достигнут за счёт специализированной архитектуры и тесной интеграции с векторной базой данных Neon.
Параллельно Meta представила Muse Code и Muse Spark 1.2 — специализированные модели для генерации и анализа кода. Оба релиза подтверждают одну мысль: для конкретных агентных задач узкие open-source-модели эффективнее универсальных гигантов. Для оркестраторов это означает, что оптимальная стратегия — гетерогенный ансамбль, где разные модели решают разные подзадачи.
Слепое угождение вредит агентам
Исследование из arXiv показывает, что сикофантия (поддакивание) в ИИ снижает просоциальные намерения пользователей и формирует зависимость. Для агентных систем это особенно критично: агент, который всегда соглашается, перестаёт быть полезным.
На мой взгляд, это недооценённый риск. При проектировании агентов команды оптимизируют метрику «удовлетворённости пользователя», что прямо поощряет угодливое поведение. Агент, который возражает, указывает на ошибки и предлагает альтернативы, воспринимается как «сломанный». Но именно такой агент приносит реальную ценность.
Итог
Инфраструктурный слой для ИИ-агентов формируется прямо сейчас. Cloudflare строит операционную систему, LiteLLM унифицирует доступ к моделям, инженерные навыки превращаются в стандартизированный код. В ближайшие кварталы ожидайте консолидацию: победит не тот фреймворк, который красивее, а тот, который обеспечит надёжную среду исполнения, предсказуемые затраты и возможность легко менять модели.
Источники
- Cloudflare OS: an open platform for agents, apps, and work — Hacker News
- Cloudflare Computer — GitHub Trending
- BerriAI/litellm — GitHub Trending
- addyosmani/agent-skills — GitHub Trending
- Prime Agent: A self-improving RLM agent — Hacker News
- Beating GPT-5.6 Sol on retrieval with 100x cheaper open models — Hacker News
- Introducing Muse Code and Muse Spark 1.2 — Hacker News
- Sycophantic AI Decreases Prosocial Intentions and Promotes Dependence — arXiv