Разборы · Статья: · Видео: · 30:38

Domain-specific агенты: почему будущее за роем узких ИИ, а не за одним всемогущим

Джастин Шрёдер (Standard Agents) на AI Engineer объясняет, почему бизнес мучается с кастомными агентами, чем композиция лучше наследования и почему рой маленьких доменных агентов эффективнее, дешевле и безопаснее одного большого.

ИИ Программирование Бизнес Будущее
Смотреть на YouTube

The Future Is Domain-Specific Agents - Justin Schroeder, StandardAgents

AI Engineer · 30:38
Главы видео — нажми, чтобы перейти к моменту 9
  1. 0:02 Агенты — машины новой промышленной революции Как раньше учились запрягать энергию машинами, так теперь запрягаем интеллект агентами.
  2. 1:55 Что вообще такое агент Определение автора: детерминированный софт, который запрягает недетерминированные результаты моделей ради цели. Индустрия до сих пор не сошлась на определении.
  3. 3:45 Почему все подряд строят кастомных агентов От риелторов до Fortune 500 — все хотят своих агентов. Причина одна: интеграция собственных данных в ИИ.
  4. 5:01 Почему робастный агент — это боль Agentic loop, провайдеры, durable execution, телеметрия. Агенты работают как демо, но не переносимы и не композируемы: «работает на моей машине».
  5. 7:49 MCP и skills: инструментов недостаточно MCP стал де-факто способом раздачи tools, skills — это markdown-документация. Но на Луну не летают, выдав одному человеку кучу инструментов.
  6. 10:02 Стек агента = почти весь контекст, и наследование ломается Model, system prompt, tools, skills, MCP, messages — всё это раздувает context. Навешивать слои = inheritance; на 100–1000 skills отдача падает.
  7. 13:37 Композиция: рой узких агентов как команда Аполлона-11 Вместо одного гиганта — маленькие полноценные агенты со своим циклом и памятью, координатор сверху, общение на английском. Так и долетели до Луны.
  8. 16:40 Пять преимуществ доменных агентов Экономия токенов >80%, переносимость, работа на крошечных моделях, жёсткие лимиты прав, отличное масштабирование. Минус — их пока почти нет.
  9. 20:59 Прогноз до 2027 и как устроен идеальный агент Цена токенов в 2026 растёт, а не падает. Конец 2026 — всплеск доменных агентов, 2027 — год multi-agent orchestration. Идеальный агент: hooks, песочница, рекурсивные суб-агенты.

Коротко

Компании пытаются интегрировать ИИ, навешивая на один большой агент всё больше MCP и skills — и упираются в раздувание контекста и хрупкость. Автор доказывает, что будущее за композицией: рой узких доменных агентов, каждый со своей моделью, инструментами и памятью, координируемых на обычном языке — это дешевле, безопаснее и масштабируется.

Выжимка голосом

Самое ценное из разбора — за пару минут

0:00 2:25
Показать текст выжимки
Если коротко, это доклад про доменных агентов и о том, почему будущее ИИ за роем узких помощников, а не за одним всемогущим. Сейчас все строят одного большого агента и пытаются научить его всему сразу: почте, дизайну, продажам, юридическим проверкам. На него навешивают всё новые инструменты и навыки, контекст раздувается, и агент становится тяжёлым и хрупким. Автор предлагает наоборот. Много маленьких агентов, каждый умеет ровно одну область и ничего лишнего. Сверху дирижёр, который раздаёт им задачи простыми словами. На Луну не летали, выдав одному человеку тысячу инструментов. В центре управления сидели десятки узких специалистов, у каждого своя панель. Стоит ли смотреть? Да, если вы проектируете или закупаете ИИ-агентов и уже упёрлись в хрупкость монолита. Доклад короткий и стройный, но помните, что это выступление основателя стелс-стартапа, и часть эффектных цифр звучит без внешних источников. Кому особенно полезно? В первую очередь инженерам, которые собирают агентов, и техническим директорам, выбирающим архитектуру. Теперь два сильных инсайта. Первый. Узкий агент дешевеет дважды. У него минимальный контекст, и ему хватает крошечной модели, которая на одной задаче в десятки раз дешевле топовой. Второй. Цена интеллекта в две тысячи двадцать шестом не падает, а растёт, поэтому экономия архитектуры это не оптимизация на потом, а условие выживания продукта. Что сделать. Разбейте монолитного агента на узкие доменные. Замените дорогую модель на дешёвую там, где задача простая. И дайте каждому агенту песочницу, чтобы он не выходил за свои границы. Важный контраргумент. Композиция не бесплатна. Рой агентов добавляет задержки на переходах, потери смысла при общении и отладку длинных цепочек. И напоследок мысль под другим углом. По сути это микросервисы, только для искусственного интеллекта. А значит, вместе с плюсами вернётся и знакомая боль распределённых систем.

Озвучено синтезом речи · голос alena

Объясни проще

Суть без жаргона

Простыми словами

Сейчас все делают одного «умного помощника» и пытаются научить его всему: почте, дизайну, продажам, юридическим проверкам. Чем больше навешиваешь, тем тяжелее и глупее он становится. Автор предлагает наоборот: набор маленьких помощников, каждый умеет ровно одну область и ничего лишнего, а сверху дирижёр, который раздаёт им задачи простыми словами. Так дешевле, быстрее и безопаснее.

Как ребёнку

Представь, что тебе надо построить дом. Можно дать одному человеку тысячу инструментов и гору инструкций — он запутается. А можно собрать команду: один кладёт кирпичи, другой чинит проводку, третий красит. Каждый знает только своё дело, но делает его отлично. Умные компьютеры-помощники работают так же лучше: много маленьких мастеров, а не один, который пытается уметь всё.

Аналогия — «это как…»

Это как полёт на Луну: астронавта не сажали за пульт с тысячей кнопок в одиночку — в центре управления сидели десятки узких специалистов, у каждого своя панель и своя зона ответственности. Домашний ИИ-агент, который умеет всё сразу, — это тот самый один человек с тысячей кнопок.

Зачем это мне

Если ты строишь или закупаешь ИИ-агентов, монолитный «всё-в-одном» агент почти наверняка окажется дорогим, хрупким и опасным на реальных задачах. Понимание принципа «композиция вместо наследования» экономит бюджет на токенах, снимает риск дать одному агенту слишком много прав и объясняет, куда движется индустрия в 2026–2027.

Для тех, кто в теме

Тезис: интеграцию решают не на уровне модели и контекста (skills/MCP как inheritance, раздувающий context window), а архитектурно — через composition. Каждый доменный агент = отдельный runtime: свой system prompt, узкий набор tools, своя message history, свой agentic loop, песочница ФС и sandboxed code execution; общение между уровнями — на естественном языке, координатор сверху, рекурсивные суб-агенты. Профит: >80% экономии токенов, возможность гонять крошечные модели (DeepSeek V4 Flash против Fable 5 — разница в 137x на задачу), least-privilege по возможностям и линейное горизонтальное масштабирование.

Оценка видео

Чем выше — тем больше пользы на минуту

3.9

средняя из 5

Актуальность информации 4.6

Тема кастомных агентов, цены токенов и мультиагентной оркестрации — прямо в центре повестки середины 2026 года.

Содержательность 4.0

Плотная и стройная аргументация, но во второй половине заметен продуктовый питч и повторы.

Инновационность идей 3.7

Сильная переупаковка, но «композиция важнее наследования» и мультиагентность не новы — автор сам признаёт, что не первый.

Практичность для инженеров 3.8

Даёт верное направление и критерии, но конкретной реализации мало: продукт Standard Agents пока в стелсе.

Достоверность и баланс 3.4

Эффектные цифры (137x, +76% к цене токенов, 80% экономии) звучат без внешних источников — это доклад стелс-стартапа.

Кому будет полезно

Чем выше оценка — тем больше пользы для профессии. Разверни — почему.

Для AI-инженеров и разработчиков агентов 4.7 /5

Прямое попадание: разбирает, почему монолитный агент ломается на масштабе и как устроен идеальный агент — hooks, песочница, рекурсивные суб-агенты, координатор на естественном языке.

Для основателей ИИ-стартапов 4.3 /5

Объясняет, где искать экономику: дешёвые доменные агенты вместо дорогой топ-модели, плюс явный прогноз рынка на 2026–2027 и ниша переносимых агентов.

Для CTO и техлидов 4.2 /5

Помогает выбрать архитектуру интеграции ИИ: композиция против наследования, портируемость, наблюдаемость и стоимость владения на токенах.

Для продакт-менеджеров ИИ-продуктов 3.9 /5

Ставит правильный вопрос про юнит-экономику: топовую модель нельзя сажать перед массовым клиентом — нужна эффективность при сохранении качества.

Для специалистов по инфобезопасности и IT-администраторов 3.8 /5

Показывает безопасность через ограничение возможностей: доменный агент физически умеет только разрешённое, что снимает боль с «Дага из IT».

Инсайты

Нажми, чтобы раскрыть — то, что меняет взгляд на тему

01 Интеграцию бьют не там: проблема не в модели и не в контексте, а в архитектуре 10:56

Индустрия годами улучшает две вещи — модель и контекст (skills, MCP, протоколы). Автор переносит фокус: узкое место интеграции лежит в структуре агента, а не в качестве LLM или объёме окна.

02 Навешивание skills и MCP — это наследование, и оно неизбежно ломается 12:06

Каждый новый skill или MCP-сервер добавляет объекту свойства — ровно как inheritance в ООП. Работает на пяти, деградирует на ста, разваливается на тысяче. Это не баг конкретного инструмента, а предел самого подхода.

03 Узкий агент дёшев не только из-за контекста, но и потому что ему хватает крошечной модели 19:00

Экономия складывается дважды: минимальный контекст на задачу плюс возможность взять модель в 137 раз дешевле топовой. Слабая модель проваливает «всё», но отлично тянет одну заранее выбранную задачу.

04 Цена интеллекта в 2026 не падает, а растёт — это переворачивает планирование 22:34

Общее убеждение «токены дешевеют» перестало быть правдой: +29% с поправкой на IQ и +76% без неё за полгода. Значит, эффективность архитектуры — не оптимизация на потом, а условие выживания продукта.

05 Ограничение возможностей агента — это фича безопасности, а не недостаток 19:43

Большой агент с топ-моделью может всё, поэтому все обходят permissions и «летают близко к солнцу». Доменный агент по определению умеет только явно одобренное — контролируемость встроена в архитектуру, а не докручивается диалогами.

Ключевые цитаты

Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале

«Агенты — это детерминированный софт, который запрягает недетерминированные результаты моделей ради некоторой желаемой цели.»
Рабочее определение агента, которого до сих пор нет у индустрии. 2:12
«Мы не высадили человека на Луну, выдав одному парню кучу инструментов.»
Почему одних tools через MCP недостаточно для больших задач. 8:49
«Есть старая поговорка: композиция важнее наследования. И это истина старая как мир.»
Ключевой архитектурный тезис доклада. 12:45
«Мы регулярно видим более 80% экономии токенов на любой заданной задаче.»
Первое из преимуществ доменных агентов. 16:56
«Это в 137 раз дешевле, чем Fable, за задачу.»
Сравнение стоимости DeepSeek V4 Flash и топовой модели. 18:28
«Токены больше не дешевеют. Они дорожают — даже с поправкой на IQ.»
Разворот тренда стоимости интеллекта в 2026 году. 22:48
«Нельзя посадить Fable перед клиентом, если только у клиента не гигантский пожизненный доход. Это просто слишком дорого.»
Почему для клиентских сценариев нужна эффективность, а не самая сильная модель. 23:50
«2027-й, я бы сказал, — это в сущности год мультиагентной оркестрации.»
Публичный прогноз автора. 21:58

Полезные советы

Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать

1

Разбей монолитного агента на узкие доменные

выходные меньше галлюцинаций, дешевле токены, проще отлаживать

Вместо одного агента с горой skills и MCP выдели домены (почта, CRM, дизайн, юр-проверки) и сделай под каждый отдельного агента со своим system prompt, точными tools и своей памятью.

Что делать

  1. 1 Выпиши все задачи текущего агента и сгруппируй их по доменам.
  2. 2 Для каждого домена заведи агента: узкий system prompt + только нужные tools.
  3. 3 Дай каждому свою короткую message history, не общий раздутый контекст.
  4. 4 Поставь сверху координатор, который раздаёт задачи простым языком.
2

Замени топовую модель на дешёвую там, где задача узкая

полдня падение счёта за инференс в разы на подходящих задачах

Маленькая модель проваливает «всё сразу», но на одной чётко очерченной задаче с минимальным контекстом отрабатывает надёжно. Разница в цене между топ- и мини-моделью — десятки и сотни раз.

Что делать

  1. 1 Отметь задачи, где нужен разбор смысла, а не сложное рассуждение.
  2. 2 Прогони их на дешёвой малой модели и замерь долю успехов.
  3. 3 Оставь топ-модель только на координаторе и реально сложных шагах.
3

Начни отслеживать реальную цену токенов

2 часа перестанешь планировать бюджет на устаревшем допущении «ИИ дешевеет»

Тренд удешевления развернулся в 2026: токены дорожают даже с поправкой на IQ. Без своей метрики стоимости легко проглядеть, как растёт себестоимость продукта.

Что делать

  1. 1 Заведи дашборд стоимости за задачу, а не только за токен.
  2. 2 Сравни цену на топ-модели и на связке из доменных агентов.
  3. 3 Пересчитывай юнит-экономику клиентских сценариев ежемесячно.
4

Дай каждому агенту песочницу и sandboxed-исполнение кода

день агент пишет и запускает файлы, ничего не унося за пределы песочницы

Автор считает файловую систему и изолированное выполнение кода базовым примитивом любого доменного агента: так он делает работу и не взаимодействует с ОС на верхнем уровне.

5

Проверь, сколько skills и MCP реально навешано

30 минут уберёшь балласт, из-за которого агент тупеет

Есть исследования: большое число skills ухудшает агента. Проведи ревизию — что подключено, что реально используется, что просто раздувает контекст.

6

Инжекти время и side-effects через hooks, а не в system prompt

час агент знает текущее время и внешнее состояние без раздувания промпта

LLM не знает, который час. Вместо тяжёлого промпта вставь искусственное сообщение или tool-call через hook — это же место для контролируемых побочных эффектов.

7

Свяжи агентов координатором на естественном языке

день модульная система, где агентов можно менять и переиспользовать

Координатор сверху общается с доменными агентами обычным языком — «достань последнее письмо от Дебби». Каждый агент отвечает в пределах своего узкого контекста и возвращает результат наверх.

Сценарии применения

Как разные люди применяют это на практике

Я как AI-инженер в enterprise

Проблема: собранный агент работает как демо, но на проде рассыпается и жрёт контекст

Хочу: архитектуру, которая держит масштаб и не деградирует от новых возможностей

Поможет: разбор даёт готовый паттерн: рой доменных агентов + координатор вместо монолита

Я как CTO / IT-директор

Проблема: страшно давать одному большому агенту полный доступ ко всем системам

Хочу: модель, где риск ограничен по дизайну, а не диалогами подтверждения

Поможет: доменный агент умеет только явно одобренное — least-privilege встроен в архитектуру

Я как Основатель ИИ-стартапа

Проблема: облачный инференс на топ-модели съедает всю маржу

Хочу: снизить себестоимость, не потеряв качество ответа

Поможет: статья показывает, как узкие задачи уходят на модели в десятки раз дешевле

Я как Продакт-менеджер поддержки

Проблема: хочу посадить ИИ перед клиентами, но топ-модель слишком дорога на массе

Хочу: эффективность при массовом трафике без потери эффективности ответа

Поможет: тезис «нельзя сажать Fable перед клиентом без гигантского LTV» задаёт критерий выбора

Я как DevOps-инженер

Проблема: агент «работает на моей машине» и не переносится к коллегам

Хочу: переносимую единицу, которую можно упаковать и отдать

Поможет: идея портируемого агента: «сжал» Gmail-агента и передал другому

Я как Дата-инженер

Проблема: нужно связать Salesforce, таблицы и генерацию отчётов в один поток

Хочу: собрать пайплайн из специализированных, а не универсальных блоков

Поможет: пример рекурсивных суб-агентов (Salesforce → Workspace → генератор ассетов) — прямой шаблон

Я как Индивидуальный разработчик на кодинг-агентах

Проблема: устал обходить permissions, потому что большой агент может всё

Хочу: работать в контролируемой среде без постоянного риска

Поможет: узкие агенты по дизайну ограничены — меньше поводов отключать защиту

Логика повествования

Как устроена аргументация видео — пройди по шагам

Предпосылка Аргумент Пример Вывод
  1. Предпосылка Мы учимся запрягать интеллект агентами 1:30

    Как промышленная революция запрягла энергию машинами, так эта эпоха запрягает интеллект — и делают это агенты, а не мы.

  2. Предпосылка Все строят кастомных агентов ради интеграции данных 4:20

    От риелторов до Fortune 500: бизнес хочет свои данные в ИИ и верит в резкий рост эффективности.

  3. Аргумент Но робастные агенты хрупки, непереносимы и некомпозируемы 5:58

    Agentic loop, durable execution, телеметрия, «работает на моей машине» — люди отступают от собственных агентов.

  4. Аргумент MCP и skills лишь навешивают контекст — это наследование 10:02

    MCP стал раздачей tools, skills — это документация. Оба слоя раздувают контекст, добавляя объекту свойства.

  5. Пример Наследование ломается на 100–1000 skills 12:06

    Отдача от добавления контекста падает — это все понимают интуитивно. Нужен другой подход.

  6. Аргумент Композиция: узкие агенты + координатор на естественном языке 13:37

    Каждый агент полноценен, но узок; общаются простым языком. Именно так команды экспертов долетели до Луны.

  7. Вывод Доменные агенты дают эффективность, дешёвые модели, безопасность и масштаб 16:40

    Более 80% экономии токенов, крошечные модели на узких задачах, жёсткие лимиты прав, лёгкая параллелизация.

  8. Вывод 2026–2027 — эпоха доменных агентов и мультиагентной оркестрации 20:59

    Всплеск фреймворков к концу 2026 (Vercel Eve уже вышел), 2027 — год multi-agent orchestration.

Подробный разбор

Полный разбор — разверни, если нужно глубже

Развернуть подробный разбор

Подробный разбор

Доклад держится на одной инженерной интуиции: «composition over inheritance». Автор берёт старое правило из ООП и переносит его на архитектуру ИИ-агентов. Наследование — это когда мы берём одного агента и навешиваем на него всё новые слои: MCP-серверы для почты и путешествий, skills для линтеров и GitHub, инструменты для таблиц. Каждый слой добавляет умение — и раздувает контекст. На пяти skills всё хорошо, на сотне отдача падает, на тысяче система разваливается. Это предел подхода, а не недостаток конкретного инструмента.

Композиция — противоположность. Вместо одного гиганта строится рой маленьких, но полноценных агентов: у каждого свой system prompt, ровно нужные инструменты, короткая память и собственный agentic loop. Над ними — координатор, а общаются они простым языком: «проверь почту на предмет поездки» → «есть поездка в Лос-Анджелес на выходных» → «забронируй». Автор иллюстрирует это командой запуска Аполлона-11: человека не сажали за пульт с тысячей кнопок, работали десятки узких специалистов, у каждого своя панель. Мозг оператора — это LLM, панель — его tools, речь — сообщения.

Стоит ли смотреть целиком

Да, если вы проектируете или закупаете ИИ-агентов и упёрлись в хрупкость монолита. Доклад короткий, стройный и даёт рабочую ментальную модель плюс конкретную архитектуру идеального агента: функции, промпты-подагенты, hooks для инъекции времени и side-effects, правила ходов, песочница файловой системы и изолированное исполнение кода, рекурсивные суб-агенты (координатор → Salesforce → Google Workspace → генератор ассетов → юридический агент → GDPR/OSHA-подагенты).

Стоит держать в голове, что это выступление основателя стелс-стартапа Standard Agents: часть эффектных цифр (137x экономии, +76% к цене токенов, 80% экономии контекста) звучит без внешних источников, а тезис «доменных агентов ещё не существует» — преувеличение на фоне уже живых мультиагентных фреймворков. Полезнее всего здесь не продукт, а сам принцип и прогноз: конец 2026 — всплеск доменных агентов (Vercel уже выпустил Eve), 2027 — год мультиагентной оркестрации.

План внедрения

С чего начать — отмечай шаги, прогресс сохранится

Выполнено 0 из 6

Проверь себя

Ответь на вопросы, чтобы материал закрепился

Отвечено: 0 / 7 Верно: 0

  1. 1. Как автор определяет агента?

  2. 2. Почему, по автору, бизнес массово строит собственных агентов?

  3. 3. Какую роль де-факто занял MCP?

  4. 4. Чем композиция отличается от наследования в контексте агентов?

  5. 5. Почему доменные агенты дешевле?

  6. 6. Что случилось со стоимостью токенов в 2026 году?

  7. 7. Какой год автор называет годом мультиагентной оркестрации?

Словарь терминов

Понять незнакомое простым языком

Показать 9 терминов
Агент (agent)
Детерминированная программа-обвязка, которая направляет непредсказуемые ответы модели на достижение конкретной цели. Автор считает, что «агент» и «harness» — по сути одно и то же.
Domain-specific agent
Узкий агент, заточенный под одну область: знает только свой домен, имеет ровно нужные инструменты и минимальную память.
Наследование (inheritance)
Здесь — навешивание на одного агента всё новых skills и MCP, чтобы расширить его умения. Работает до предела, потом контекст раздувается и качество падает.
Композиция (composition)
Сборка системы из отдельных узких агентов, каждый со своим циклом и памятью, вместо раздувания одного. «Композиция важнее наследования».
MCP (Model Context Protocol)
Протокол, ставший де-факто способом раздавать инструменты (tools) внешним агентам вроде Claude или ChatGPT.
Skill
По сути markdown-файл с документацией для агента. Помогает в сложных случаях, но при большом количестве ухудшает агента.
Координатор (coordinator)
Верхний агент, который раздаёт подзадачи доменным агентам и собирает их ответы, общаясь на естественном языке.
Hook
Механизм, который меняет или дополняет ход работы агента — например, вставляет текущее время искусственным сообщением или запускает побочный эффект.
Multi-agent orchestration
Согласованная работа множества агентов над общей задачей; автор называет 2027 годом её расцвета.

Критический взгляд

Объективно: с какими тезисами можно поспорить и что преувеличено

Спорно

Эффектные цифры (137x, +76% к цене токенов, 80% экономии) даны без внешних источников

Это доклад стелс-стартапа, и метрики опираются на внутренние наблюдения Standard Agents. Направление правдоподобно, но конкретные множители стоит воспринимать как иллюстрацию, а не проверенный факт.

Преувеличение

«Доменных агентов не существует» — сильное преувеличение

Суб-агенты, роутинг моделей и мультиагентные фреймворки (LangGraph, CrewAI, AutoGen, sub-agents в кодинг-агентах) уже широко используются. Автор скорее говорит о зрелой продуктовой экосистеме, а не о полном отсутствии идеи.

Однобоко

Композиция подаётся почти без издержек

Рой агентов добавляет свою сложность: латентность на переходах, потери смысла при общении «на английском», отладку кросс-агентных цепочек и стоимость координатора. Это не бесплатная замена монолита.

Упрощение

Аналогия с командой Аполлона-11 красива, но хрупка

Люди-эксперты обладают здравым смыслом, ответственностью и общим контекстом, которых у LLM-субагентов нет. Метафора хорошо продаёт идею, но не доказывает, что перенос один-в-один сработает.

Спорно

Общение агентов на естественном языке как достоинство — спорно

Естественный язык теряет точность по сравнению со структурированными вызовами и типизированными контрактами. Для надёжности межагентного обмена часто нужнее схемы, а не свободный английский.

Взгляни иначе

Новый угол, смежные области и потенциал на стыке — пища для размышлений

Другой угол

Это микросервисы, только для ИИ

История уже была: монолит против микросервисов в бэкенде. Доменные агенты — тот же маятник, и вместе с плюсами он принесёт знакомые минусы: распределённую отладку, версионирование контрактов и «ад оркестрации».

На стыке областей

Это закон Конвея, переехавший в архитектуру ИИ

Компании давно строят из узких специалистов с чёткими ролями и координатором сверху. Рой доменных агентов повторяет организационную структуру фирмы — а значит, к нему применима вся управленческая теория про делегирование и зоны ответственности.

Смежная область

Дорожающие токены превращают малые локальные модели в стратегию

Если тренд удешевления действительно развернулся, крошечные и локальные модели перестают быть компромиссом бедных и становятся осознанным выбором — вокруг них выстроится отдельная экономика доменных агентов.

На стыке областей

Принцип наименьших привилегий из ИБ приходит в ИИ

Идея «агент умеет только явно одобренное» — это least-privilege из информационной безопасности. Возможно, будущее агентов определят не модели, а зрелые политики доступа, аудит и sandboxing, знакомые по кибербезу.

Смежная область

App Store для переносимых агентов

Если агента можно «сжать» и передать другому, возникает маркетплейс готовых доменных агентов — как реестры пакетов или магазины приложений. Ценность сместится от того, кто обучил модель, к тому, кто собрал лучший узкий агент.

Похожие разборы

Разбор

Агент со 100 инструментами — это ловушка: почему точность падает и как её вернуть роутингом

Если сваливать в промпт все определения инструментов сразу, агент тонет в контексте: на 741 инструменте точность выбора падает до 13,6%, а промпт раздувается до 127 000 токенов ещё до вопроса пользователя. Лечится это семантическим роутингом — ретривом 3–5 релевантных инструментов под конкретный запрос, который держит точность выше 83% и режет токены на инструменты почти на 99%.

Читать → Разбор

Как писать сильные скиллы для ИИ-агентов: чеклист из четырёх осей

Скиллы для ИИ-агентов расплодились, но нет рубрики, чтобы отличить хороший от плохого, — и люди тонут в «скилл-аде». Доклад даёт чеклист из четырёх осей (триггер, структура, стиринг, прунинг), а главный приём — «ведущие слова», которыми агента направляют небольшими, но точными формулировками.

Читать → Разбор

Модель предлагает — платформа решает: инфраструктура надёжности для автономных ИИ-агентов

При переходе от чатботов к автономным агентам узкое место смещается с интеллекта модели на надёжность инфраструктуры вокруг неё. Модель должна лишь предлагать действия, а проверять, одобрять и исполнять их обязана детерминированная платформа — и именно она, а не лучший промпт, становится конкурентным преимуществом.

Читать → Разбор

Агенты, которые чинят агентов: как кодинг-ассистент улучшает ИИ по evals и жалобам пользователей

ИИ-агент — это просто ещё один вид софта, поэтому его код может писать и чинить другой ИИ: кодинг-агент гоняет evals, выдвигает гипотезы, откатывает регрессии и сам поднимает точность. Ключ не в модели, а в harness вокруг неё — golden dataset, скореры, трейсы пользователей и observability, которые превращают недетерминированного агента в измеримую, улучшаемую систему.

Читать →
← Все разборы Смотреть видео-источник