Разборы · Статья: · Видео: · 23:48
Рекурсивные кодинг-агенты: почему надёжность важнее интеллекта
Разбор доклада Рэймонда Вайтекампа (OpenProse) с AI Engineer: как идеи рекурсивных языковых моделей (RLM) переносятся на кодинг-агентов, чтобы превратить «гения-одиночку» в надёжного работника — через символическую декомпозицию, рекурсивных сабагентов, Claude Code dynamic workflows и язык OpenProse.
Смотреть на YouTube Recursive Coding Agents - Raymond Weitekamp, OpenProse
AI Engineer · 23:48
Главы видео — нажми, чтобы перейти к моменту 10
- 0:00 Проблема не в интеллекте, а в надёжности Мы хотим агентов, которым можно доверить результат, но сегодня получаем то приложение из промпта, то опустошённый криптокошелёк.
- 1:49 Тезис: агенты — плохо управляемые гении Интеллект уже есть; недостаёт слоя спецификации, управления, переиспользования и верификации работы. Фраза «mismanaged genius» — от команды RLM из MIT.
- 2:45 Что такое рекурсивные языковые модели (RLM) Контекст — объект вычисления. Промпт — переменная в REPL; модель работает с ним символически и делегирует сабагентам, а не читает всё в окно контекста.
- 5:10 Почему RLM так мощны Десятки миллионов токенов, RLM-harness как топовая система памяти, и маленькая модель, обыгрывающая флагманы на длинных рассуждениях.
- 7:01 Слишком мощно, чтобы бенчмаркать Symbolica Agentica за часы выбила 30+% на Arc AGI-3, где флагманы давали 2–3%. Спор с Arc Prize и идея отдельного open-harness лидерборда.
- 9:10 Рубрика: что делает систему настоящей RLM Пять признаков: исполняемая среда, внешний промпт, код вызывает модель, модель сама выбирает декомпозицию, состояние символическое. Хардкод map-reduce — «близко, но не то».
- 11:16 Эксперименты: RLM как инструмент и Y-pie Сначала RLM как один tool-call для гигантских корпусов, затем полностью рекурсивный агент: pi вызывает pi вызывает pi на любую глубину.
- 15:42 Claude Code, dynamic workflows и вопрос об RLM Стал ли Claude Code рекурсивной моделью? С появлением dynamic workflows — «теперь да». Шесть паттернов из «A Harness for Every Task».
- 17:19 OpenProse: превратить любого агента в RLM Язык, который компилирует не компьютер, а сам кодинг-агент. Логичный английский, команда prose write, явные зависимости скиллов и захват «золотой сессии».
- 21:57 Три вывода: доверие, оркестрация, конец споров Доверие = надёжность; следующий шаг — не больше интеллекта, а поведение и оркестрация; кодинг-агенты могут быть RLM, но не становятся ими автоматически.
Коротко
Главное узкое место ИИ-агентов — не интеллект, а надёжность: модель уже всё знает, но ей нельзя доверить результат. Рекурсивные языковые модели решают это оркестрацией — задачу символически дробят на части, поручают рекурсивным сабагентам и проверяют, а те же принципы переносятся на кодинг-агентов через dynamic workflows и OpenProse.
Выжимка голосом
Самое ценное из разбора — за пару минут
Показать текст выжимки Скрыть текст выжимки
Озвучено синтезом речи · голос alena
Объясни проще
Суть без жаргона
Простыми словами
Современные ИИ-агенты умные, но ненадёжные: сегодня выдают почти готовое приложение из одного промпта, а завтра ломают что-то важное. Автор говорит, что чинить надо не «ум», а организацию работы — задачу дробят на части, поручают под-агентам и потом проверяют результат. Рекурсивные языковые модели (RLM) делают именно так: не запихивают весь текст в память модели, а работают с ним через код и вызовы копий самих себя.
Как ребёнку
Представь умного, но рассеянного гения. Если дать ему огромную задачу целиком, он запутается и что-нибудь испортит. А если разбить её на маленькие кусочки, раздать помощникам и потом проверить каждого — получится надёжно. RLM — это способ научить ИИ самому так делить работу и звать помощников.
Аналогия — «это как…»
Это как хороший руководитель проекта: он не держит весь план в голове сразу, а нарезает его на задачи, раздаёт команде и потом сверяет, кто что сделал. RLM превращает ИИ-агента из гения-одиночки в такого руководителя — который вдобавок умеет вызывать копии самого себя на подзадачи.
Зачем это мне
Если бизнесу нужен агент, которому можно доверить реальную работу, ставка «модель побольше и поумнее» упирается в потолок. Надёжность даёт не интеллект, а оркестрация: как задачу специфицируют, дробят, проверяют и переиспользуют. Это меняет, куда вкладывать усилия — в harness и воркфлоу, а не только в веса модели.
Для тех, кто в теме
RLM трактует контекст как объект вычисления: промпт — переменная в REPL, модель символически декомпозирует его и рекурсивно делегирует под-LLM/под-RLM. Критерий «настоящей» RLM по рубрике автора: исполняемая среда, экстернализованный промпт, код вызывает модель, модель сама выбирает декомпозицию, состояние остаётся символическим — этим она отличается от хардкод map-reduce (lambda RLM). Носители идеи: dspy.rlm, Ax, Unix RLM, pi-recursive/y-pi, Claude Code dynamic workflows и OpenProse как язык-контракт с явными зависимостями скиллов и инструментов.
Оценка видео
Чем выше — тем больше пользы на минуту
средняя из 5
RLM-статья вышла в октябре 2025, а Claude Code dynamic workflows — всего несколько недель назад; тема на самом гребне.
Плотно и по делу, но многое отправляет в companion-репозиторий и внешние статьи, а не разжёвывается в докладе.
Свежая рамка: перенос принципов RLM на кодинг-агентов и критерий «настоящей» рекурсии через декомпозицию самой моделью.
Много концепций и ссылок на инструменты; чтобы применить, придётся идти в репозитории и осваивать DSPy/pi/OpenProse.
Y-комбинатор, REPL, DSPy, символическая декомпозиция — без базы в теме доклад местами тяжёл.
Кому будет полезно
Чем выше оценка — тем больше пользы для профессии. Разверни — почему.
Для AI-инженеров и разработчиков агентов 4.7 /5
Прямое попадание: рубрика RLM, паттерны dynamic workflows и OpenProse — готовый инструментарий для построения надёжных многоагентных систем.
Для ML-инженеров и ресёрчеров 4.4 /5
RLM как новая парадигма test-time compute, результаты на Long CoT и Arc AGI-3 и идея harness-лидербордов — важный сигнал, куда движется inference.
Для программистов, работающих с кодинг-агентами 4.2 /5
Объясняет, как из ненадёжного «вайб-кодинга» сделать воспроизводимый воркфлоу: захват золотой сессии, верификация сабагентов, repo-scale миграции.
Для технических лидов и тимлидов 3.8 /5
Полезно для оркестрации команд агентов: декомпозиция задач, adversarial-проверки и контракты с зависимостями скиллов и инструментов.
Для основателей AI-стартапов 3.5 /5
Смещает ставку с «модели побольше» на надёжность и оркестрацию — важно для тех, кто строит продукт на агентах и продаёт доверие к результату.
Инсайты
Нажми, чтобы раскрыть — то, что меняет взгляд на тему
01 Потолок агентов — не интеллект, а надёжность 0:37
Модель уже знает почти всё, но доверять ей нельзя, пока результат нестабилен. Автор переворачивает привычную гонку «сделать модель умнее» в задачу оркестрации: как специфицировать, дробить, проверять и переиспользовать работу.
02 Контекст — это объект вычисления, а не «окно для чтения» 2:45
Вместо того чтобы затолкать весь промпт в контекстное окно, RLM обращается с ним как с переменной в REPL: исследует символически и рекурсивно поручает куски сабагентам. Это снимает потолок длины контекста и меняет саму механику работы с данными.
03 Маленькая модель с ноутбука может обыграть флагманы 6:40
На бенчмарке длинных рассуждений Long CoT крошечная Qwen в роли RLM обходит Opus и GPT-5.4, потому что удерживает нить рассуждения через код и рекурсивные вызовы, а не через один длинный проход. Мощь оказывается в оркестрации, а не в размере весов.
04 Исполнение кода — это и есть рассуждение 4:33
Chain of thought эволюционировал в reasoning-модели, а tool calling — в параллельные вызовы функций. RLM объединяет их: код становится способом рассуждать, и один из «инструментов» рассуждения — вызвать другого агента на подзадачу.
05 Настоящая рекурсия — когда модель сама решает, как дробить задачу 9:28
Хардкод map-reduce «близко, но не то»: там декомпозицию задаёт программист. Ключевой признак agent-native системы в том, что именно модель выбирает разбиение на подзадачи — это и отделяет RLM от обычного пайплайна из LLM-вызовов.
Ключевые цитаты
Сильные фразы из видео — нажми тайм-код, чтобы услышать в оригинале
«Узкое место здесь — не интеллект. Модели достаточно умны, они знают весь интернет. Но они не могут надёжно доводить дело до результата. И поэтому я не могу им доверять.»
«Однажды я получаю почти рабочее SaaS-приложение из одного промпта. На следующий день Claude Code опустошает весь мой Solana-кошелёк. Упс.»
«Сегодняшние агенты — это плохо управляемые гении. Интеллект уже на месте, а недостающий слой — как специфицировать, управлять, переиспользовать и верифицировать работу.»
«В RLM сам контекст становится объектом вычисления.»
«Не читай всё разом в своё окно контекста. Исследуй это символически.»
«Qwen 3.5 9B в виде RLM способна обыграть Opus и GPT-5.4 — все топовые фронтир-модели как обычные LLM — на длинных задачах на рассуждение.»
«Мне всё равно, латентное это пространство, токены рассуждений или исполнение кода. Я хочу результатов.»
«С большой силой приходит большая ответственность. Так что до следующего раза — рекурсируйте ответственно.»
Полезные советы
Что можно применить уже сегодня. Разверни совет — сколько займёт, что даст и что конкретно делать
1 Захвати «золотую сессию» и преврати её в воркфлоу
вечер один удачный прогон становится надёжно повторяемым процессом
Захвати «золотую сессию» и преврати её в воркфлоу
Когда агент однажды сделал всё идеально, не теряй это. OpenProse умеет деконструировать удачную сессию Claude Code, Codex или pi в переиспользуемую prose-программу, чтобы возвращаться в «золотое» состояние снова и снова.
Что делать
- 1 Сохрани лог удачной сессии агента.
- 2 Прогони его через prose-программу деконструкции.
- 3 Получи .prose.md-воркфлоу и запусти его на новой похожей задаче.
2 Дай агенту RLM как один tool-call
30 минут агент осилит корпус в сотни миллионов токенов без раздувания контекста
Дай агенту RLM как один tool-call
Самый простой первый шаг автора — обернуть RLM-пакет в CLI и отдать кодинг-агенту как инструмент. Нужно просеять гигантский корпус — агент дёргает этот tool, а RLM делает своё дело символически.
3 Проверяй свою систему по рубрике RLM
15 минут перестанешь путать настоящую рекурсию с обычным пайплайном LLM-вызовов
Проверяй свою систему по рубрике RLM
Пять признаков: исполняемая среда, внешний промпт, код вызывает модель, модель сама выбирает декомпозицию, состояние остаётся символическим. Прогони свою архитектуру по списку — сразу видно, RLM это или хардкод map-reduce.
4 Освой dynamic workflows в Claude Code
вечер превратишь Claude Code в рекурсивный движок из шести готовых паттернов
Освой dynamic workflows в Claude Code
Прочитай блог-пост «A Harness for Every Task»: там шесть мощных паттернов воркфлоу. Автор показывает два своих — жёсткий map-reduce и «deep research по файловой системе», который уже ведёт себя как RLM.
Что делать
- 1 Прочитай «A Harness for Every Task».
- 2 Собери простой workflow: раздай хендлы сабагентам, собери результаты в родителе.
- 3 Сравни жёсткий map-reduce с версией, где декомпозицию выбирает модель.
5 Верифицируй работу сабагентов в родительской сессии
20 минут ошибки одного сабагента не утекают в итоговый результат
Верифицируй работу сабагентов в родительской сессии
В OpenProse родитель не просто собирает куски, а проверяет работу каждого сабагента. Заложи явный шаг верификации между «сделал» и «принято» — это и есть недостающий слой доверия.
6 Пропиши скиллы и инструменты как явные зависимости
30 минут сабагент физически не стартует без нужного скилла или CLI
Пропиши скиллы и инструменты как явные зависимости
OpenProse позволяет объявить, что конкретной подзадаче нужен определённый скилл или доступ к CLI-инструменту. Так контракт гарантирует не только что работа сделана правильно, но и что исполнитель был правильно оснащён.
7 Добавь adversarial-агента в пайплайн
вечер система сама ищет свои дыры до того, как их найдёт продакшн
Добавь adversarial-агента в пайплайн
Скептик или red-team-набор сабагентов могут атаковать результат параллельно с основной работой — аудиты, bug sweeps, состязательное улучшение. Это дешёвый способ поднять надёжность без роста «интеллекта» модели.
8 Пиши воркфлоу командой prose write, а не руками
15 минут первый .prose.md-воркфлоу без изучения нового синтаксиса
Пиши воркфлоу командой prose write, а не руками
OpenProse — это логичный английский в markdown, а команда prose write заставит Claude Code, Codex или pi написать prose-программу за тебя. Порог входа — почти нулевой.
Сценарии применения
Как разные люди применяют это на практике
Я как Инди-разработчик на «вайб-кодинге»
Проблема: агент то выдаёт готовое приложение, то ломает что-то ценное — доверять нельзя
Хочу: сделать удачные прогоны повторяемыми, а не лотереей
Поможет: захват «золотой сессии» в prose-воркфлоу возвращает в надёжное состояние по кнопке
Я как ML-ресёрчер
Проблема: на длинных цепочках рассуждений даже топовые модели теряют нить
Хочу: решать задачи, которые не влезают в один проход модели
Поможет: RLM с кодом и рекурсивными сабагентами держит рассуждение и обыгрывает флагманы на Long CoT
Я как Инженер по данным
Проблема: корпус в сотни миллионов токенов не помещается ни в какое окно контекста
Хочу: просеивать огромные объёмы, не жертвуя качеством
Поможет: RLM как tool-call обрабатывает данные на порядки больше контекстного окна
Я как Тимлид на большой кодовой базе
Проблема: массовый рефакторинг вручную — это недели и риск рассинхрона
Хочу: провести repo-scale миграцию быстро и целостно
Поможет: рой параллельных сабагентов делает миграцию и сливает результат воедино
Я как QA/безопасник
Проблема: ручные аудиты не успевают за темпом изменений
Хочу: автоматически искать баги и уязвимости состязательно
Поможет: adversarial-паттерны OpenProse запускают скептиков и red-team по всей системе
Я как Основатель AI-продукта
Проблема: клиенты уходят из-за непредсказуемости агента, а не из-за нехватки ума
Хочу: продавать доверие к результату, а не просто «умную модель»
Поможет: разбор смещает фокус на оркестрацию и надёжность как настоящий конкурентный ров
Логика повествования
Как устроена аргументация видео — пройди по шагам
-
Предпосылка Мы хотим агентов, которым можно доверить результат 0:37
Надёжный со-работник должен доводить дело до конца, пока мы заняты своим. Но пока доверия нет.
-
Предпосылка Проблема не в интеллекте, а в слое управления 1:49
Агенты — плохо управляемые гении: недостаёт спецификации, управления, переиспользования и верификации работы.
-
Аргумент RLM делает контекст объектом вычисления 2:45
Промпт — переменная в REPL; модель символически дробит его и рекурсивно поручает сабагентам, а не читает всё в окно.
-
Пример Оркестрация бьёт голый размер модели 6:40
Маленькая RLM обходит Opus и GPT-5.4 на длинных рассуждениях; Symbolica за часы выбила 30+% на Arc AGI-3.
-
Аргумент Настоящая RLM = модель сама выбирает декомпозицию 9:28
Рубрика из пяти признаков отделяет agent-native рекурсию от хардкод map-reduce, где разбиение задаёт программист.
-
Аргумент Те же принципы переносимы на кодинг-агентов 10:41
Достаточно заменить RLM/LLM на агент/сабагент — и получаем рекурсивных кодинг-агентов, полезных на практике.
-
Пример Claude Code dynamic workflows и OpenProse делают это реальностью 15:42
Dynamic workflows делают Claude Code рекурсивным; OpenProse превращает в RLM любого агента с файловой системой и сабагентами.
-
Вывод Следующий шаг — не больше интеллекта, а оркестрация 22:16
Доверие = надёжность; выигрыш даёт поведение и управление работой, а тул-коллинг и рассуждение объединяются в новую парадигму test-time compute.
Подробный разбор
Полный разбор — разверни, если нужно глубже
Развернуть подробный разбор Свернуть подробный разбор
Стоит ли смотреть целиком
Да, если ты строишь на агентах что-то серьёзнее одноразовых промптов. Доклад плотный и местами жаргонный (Y-комбинатор, DSPy, REPL, символическая декомпозиция), но за 24 минуты он даёт редкую вещь — цельную рамку, как думать о надёжности агентов. Главная мысль проста и бьёт точно: доверие рождается не из ума модели, а из того, как организована работа.
Если хочется только практики — смотри с 9:10, где начинается рубрика RLM и эксперименты, и с 16:23 про dynamic workflows и OpenProse. Начало (до 9:00) — концептуальное: зачем вообще нужны рекурсивные модели и почему они «слишком мощны, чтобы их спокойно бенчмаркать».
Что забрать с собой
Три вывода автора, вокруг которых собирается весь доклад: доверие — это надёжность; следующий шаг развития агентов не «больше интеллекта», а поведение и оркестрация; кодинг-агенты могут быть рекурсивными языковыми моделями, но не становятся ими автоматически. Практический минимум — обернуть RLM в tool-call для больших корпусов, попробовать dynamic workflows или OpenProse и научиться захватывать «золотую сессию» в переиспользуемый воркфлоу. И, по завету автора, — рекурсировать ответственно.
План внедрения
С чего начать — отмечай шаги, прогресс сохранится
Выполнено 0 из 6
Проверь себя
Ответь на вопросы, чтобы материал закрепился
-
1. Что автор считает главным узким местом сегодняшних ИИ-агентов?
-
2. Что означает фраза «контекст — объект вычисления» в RLM?
-
3. Что показал результат с моделью Qwen на бенчмарке Long CoT?
-
4. Чем настоящая RLM отличается от хардкод map-reduce?
-
5. Что, по словам Омара Хаттаба, сделало Claude Code «наконец-то RLM»?
-
6. Что такое OpenProse?
-
7. Зачем нужен захват «золотой сессии»?
Словарь терминов
Понять незнакомое простым языком
Показать 11 терминов Свернуть словарь
- RLM (рекурсивная языковая модель)
- Подход, где модель не читает весь промпт в окно контекста, а работает с ним через код и рекурсивно поручает куски задачи другим моделям/агентам.
- Кодинг-агент
- ИИ-система, которая пишет и запускает код, читает файлы и вызывает инструменты, чтобы выполнить задачу разработчика (например, Claude Code, Codex, pi).
- REPL
- Read-Eval-Print Loop — среда, где команду вводят, тут же выполняют и получают результат. В RLM модель через неё символически «щупает» промпт.
- Символическая декомпозиция
- Разбор большой задачи на части не через чтение всего текста, а через операции над ним как над данными: выбрать кусок, поручить, собрать ответ.
- Сабагент
- Дочерний агент, которому родитель поручает подзадачу. При рекурсии глубина может быть больше единицы — агент вызывает копии самого себя.
- Y-комбинатор
- Приём из лямбда-исчисления, позволяющий функции вызывать саму себя. Автор назвал в его честь y-pi — обёртку для полностью рекурсивного агента pi.
- DSPy
- Фреймворк для программирования вызовов языковых моделей. Его реализация RLM (dspy.rlm) — рабочий инструмент автора для бенчмарков.
- Dynamic workflows
- Функция Claude Code, добавляющая рекурсивные воркфлоу; именно она, по мнению критиков, сделала Claude Code настоящей RLM.
- Map-reduce
- Схема «разбей задачу на части, обработай параллельно, собери результат». Если разбиение задаёт программист, а не модель, это ещё не RLM.
- Test-time compute
- Вычисления, которые тратятся в момент ответа (а не при обучении). Автор считает RLM новой парадигмой такого inference-time compute.
- Golden session («золотая сессия»)
- Удачный прогон агента, который хочется повторять. Его деконструируют в переиспользуемый воркфлоу ради стабильного результата.
Критический взгляд
Объективно: с какими тезисами можно поспорить и что преувеличено
«Маленькая модель обыгрывает все флагманы» звучит громче, чем есть
Результат получен на узком классе задач — очень длинные цепочки рассуждений (Long CoT), где важна выносливость нити, а не общая способность. В обычных задачах флагманы по-прежнему сильнее; переносить вывод на «RLM вообще лучше LLM» некорректно.
«Claude Code теперь — RLM» — во многом спор об определениях
Автор сам признаёт это «trick question»: RLM — это уже рекурсивный кодинг-агент. Ярлык «RLM/не RLM» целиком зависит от его собственной рубрики, поэтому громкое «наконец-то RLM» стоит читать как маркетинговую рамку, а не объективный факт.
О цене рекурсии почти не сказано
Рекурсивные сабагенты множат вызовы модели, токены и латентность. Доклад продаёт надёжность и результаты, но обходит стоимость и скорость — а на проде именно они часто решают, применим ли подход.
Оркестрация не отменяет базовую недетерминированность
Инцидент с опустошённым Solana-кошельком — это ещё и вопрос прав доступа и песочницы, а не только «плохой оркестрации». Верификация сабагентов снижает риск, но не превращает вероятностную модель в детерминированную систему.
«RLM-harness — топ-10 система памяти» дано без публичной проверки
Сильное заявление про «уровень лучших кастомных систем памяти, в которые вливают миллиарды» в докладе не подкреплено воспроизводимыми цифрами или ссылкой на независимую оценку — это тезис автора, а не доказанный факт.
Взгляни иначе
Новый угол, смежные области и потенциал на стыке — пища для размышлений
Надёжность как продукт, а не как фича модели
Сдвиг от «сделать модель умнее» к «сделать процесс предсказуемым» переводит ценность из области ML в область software engineering: побеждает не тот, у кого крупнее веса, а тот, у кого воспроизводимее воркфлоу.
Рекурсивная декомпозиция — это теория менеджмента в коде
Агент-родитель, который дробит задачу, раздаёт сабагентам и проверяет их работу, буквально повторяет управленческую делегацию и контроль. Прогресс в оркестрации агентов можно черпать из организационной теории, а не только из ML.
«Prose contract» — это dependency management для агентов
Объявление, что сабагенту нужен конкретный скилл или CLI, — прямой аналог зависимостей пакетов и CI/CD-проверок. Зрелые практики из devops-мира можно один в один переносить на контракты между агентами.
«Золотая сессия» — это чек-лист пилота, а не магия
Превращение удачного прогона в повторяемый воркфлоу работает по той же логике, что чек-листы у пилотов и хирургов: надёжность рождается не из гениальности исполнителя, а из зафиксированной процедуры.
Деньги уходят в оркестрацию inference, а не в размер модели
Если test-time compute с рекурсией даёт больше, чем лишние параметры, то экономический центр тяжести смещается с обучения гигантов на харнессы и оркестрацию. Это меняет, во что выгодно вкладываться стартапам и облакам.
Похожие разборы
Omnigent: один дирижёр для Claude Code, Codex и OpenAI SDK сразу
Когда над кодом работают сразу несколько агентов из разных экосистем, самое дорогое — не токены, а ручное копирование между вкладками и отсутствие контроля расходов. Omnigent предлагает мета-харнесс: один супервайзер-агент по YAML-конфигу решает, какой суб-агент вызвать, передаёт выходы дальше и держит всё под guardrails по бюджету и подтверждению опасных действий.
Читать → РазборLoop Engineering: как перестать быть оператором LLM и начать проектировать циклы
Если ты общаешься с агентом больше, чем принимаешь инженерные решения, ты превратился из инженера в оператора LLM — и упёрся в потолок ручного промтинга. Loop Engineering предлагает проектировать не отдельный промт, а цикл вокруг модели: с внешней памятью, изоляцией, независимым чекером, измеримым контрактом и лимитами — но внедрять его по нарастающей, оставляя финальную ответственность на человеке.
Читать → РазборTraycer Desktop: как заставить Claude Code, Codex и Cursor работать в одной задаче
Traycer Desktop не пытается быть «ещё одним лучшим агентом» — он даёт общий воркспейс, где твои Claude Code, Codex, Cursor и Open Code планируют, реализуют и ревьюят одну задачу, не теряя контекст. Главная идея: вопрос не «какого агента выбрать», а «как заставить уже оплаченных агентов работать вместе».
Читать → РазборАгенты, 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 →