// AI на русском
105 статьи по теме
Существует семь методов создания AI-агентов: указательные, связующие и автономные. Они различаются по сложности, требованиям к навыкам и стоимости. Для успешного создания агента важно определить задачу, границы ответственности между AI и человеком, форму ввода и вывода, критерии успеха. При работе с AI-агентами необходимо соблюдать меры безопасности.
Дэвид Сильвер, создатель AlphaGo, основал Ineffable Intelligence и намерен развивать AI без опоры на LLM и человеческие данные. Вместо этого он планирует обучать систему в симуляционных средах с помощью обучения с подкреплением. Цель — создать «супер-обучающуюся» систему, способную непрерывно открывать новые знания. Сильвер прогнозирует первые доказательства успеха в течение года.
На рынке представлено множество компаний, предлагающих AI‑агентов разных типов: платформенные решения, разработку под заказ, консалтинг и услуги крупных SI‑провайдеров. Стоимость услуг зависит от фазы проекта. Чтобы выбрать подходящего поставщика, нужно чётко определить задачу, сравнить предложения нескольких компаний и провести PoC. Важно учитывать критерии интеграции, обработки данных и поддержки внутренней разработки.
ByteDance реорганизовала команду Seed, создав четыре новых отдела для работы с данными, усилением обучения и продуктами. Изменения отражают сдвиг от разделения по типам моделей к разделению по задачам пользователей. Цель — оптимизировать агентские способности и интегрировать модели в рабочие процессы.
Уэнда и Rohit Prasad выпустили открытый десктоп-агент OpenWorker. Продукт объединяет маршрутизацию моделей, вызов инструментов, память, коннекторы и механизм проверки прав. Однако сообщество выявило ряд проблем: от совместимости разных моделей до сложностей с контролем данных и прав доступа. Проект остаётся тестовым, и его успех зависит от решения этих вопросов.
Модель Qwen 3.8-Max от Alibaba демонстрирует высокую завершённость проектов, но работает медленнее GPT-5.6. Она ориентирована на сложные долгосрочные задачи и способна самостоятельно выполнять полный рабочий цикл. В ходе тестирования модель успешно решала задачи по созданию 3D-сайтов и симуляции, однако столкнулась с проблемами производительности и исчерпанием квот.
Китайские ИИ-стартапы в 2026 году ищут стратегии выживания в условиях растущего давления со стороны крупных компаний и нестабильности рынка. Основные направления развития — интеграция моделей в рабочие процессы, расширение задач и создание долгосрочных рабочих систем. Успех зависит от умения удерживать внимание пользователя и сохранять уникальные данные и экосистему.
В версиях VS Code с 1.132 по 1.135 (август 2026) улучшена работа с агентами, чатами и просмотром изменений. Появились новые возможности для организации чатов, поиска информации в переписке, работы с HTML‑файлами и диктовки. В том числе реализованы функции для совместной работы с агентами и упрощения навигации по длинным чатам.
Anthropic выявила ряд проблем в работе Claude, включая сложности с длинным контекстом и работой агентов. Среди ключевых вопросов — неэффективное использование контекста, трудности с маркировкой кода и необходимость сохранения состояния при сжатии истории. Надёжность долгосрочных агентов зависит от способности системы обнаруживать и исправлять ошибки.
Claude Code сталкивается с проблемами управления контекстом в работе Coding Agent. Сложности связаны с ростом рабочего набора данных и необходимостью балансировать между сохранением истории и очисткой неактуальной информации. Для решения проблемы используются sub-agent, compaction и memory, однако сохраняется риск накопления «AI код‑мусора» и технического долга.
Wiki memory — это подход к организации памяти AI-агентов, при котором агент преобразует сырые данные в структурированную базу знаний. В отличие от RAG, здесь предварительно создаётся обобщённая версия данных. Примеры решений — DeepWiki, LLM Wiki и AutoWiki. Подход оптимален для долговременного хранения предметных знаний.
Agentic AI Foundation под эгидой Linux Foundation представила дорожную карту развития коммуникационного протокола MCP. В числе приоритетов — развитие коммуникации для AI‑агентов, унификация транспорта на основе HTTP, внедрение управления идентичностью AI‑агентов и улучшение опыта разработки с помощью SDK. В июле 2026 года уже вышла стабильная версия расширения EMA.
Ускорение AI-агента требует выявления узких мест и применения различных техник — от изменения UX до оптимизации запросов к LLM. Среди методов — потоковая передача результатов, запуск агентов в фоновом режиме, сокращение числа вызовов LLM, использование быстрых моделей и параллельные запросы. LangGraph помогает оптимизировать взаимодействие агентов и снизить затраты.
LangChain представила в публичной бета‑версии Managed Deep Agents и LLM Gateway, обновила LangSmith и анонсировала ряд мероприятий. Компании уже используют решения LangChain для повышения продуктивности и оптимизации процессов — например, Stripe и Apollo. Хэррисон подчёркивает важность владения собственным «интеллектом» для компаний, использующих ИИ.
OWASP представила перечень из 10 рисков для AI Agent — «OWASP Top 10 for Agentic Applications 2026». Основная угроза — не взлом, а манипуляция, заставляющая AI Agent выполнять ошибочные задачи. Традиционные инструменты безопасности не всегда способны выявить такие атаки.
RubricMiddleware позволяет агентам самостоятельно оценивать и исправлять свою работу. Механизм задаёт критерии завершённости задачи, и агент повторяет попытки, пока не выполнит их или не достигнет лимита итераций. Это особенно полезно для задач с чёткими критериями успеха — например, прохождения тестов или включения всех разделов в отчёт.
Компания TokenRhythm, основанная выходцами из Huawei, развивает систему Routing Harness для оптимизации работы с несколькими большими моделями. Её продукт OpenSquilla набрал более 6600 звёзд на GitHub, а платформа TokenRhythm API привлекла 54 тысячи пользователей. Компания стремится перейти к созданию Agent-Native Model — моделей, ориентированных на реальные задачи агентов.
LangChain представила агентов Plan-and-Execute, которые планируют шаги и затем их выполняют — в отличие от прежних Action Agents. Такой подход позволяет разделить задачи планирования и исполнения между разными моделями, но требует больше обращений к ним. В будущем планируется улучшить поддержку длинных последовательностей шагов и добавить механизм пересмотра планов.
На конференции IJCAI-ECAI 2026 вручили награды за статьи и личные достижения в области ИИ. Обсуждались перспективы развития агентных систем, визуального и физического интеллекта, объяснимого ИИ. Среди ключевых тем — объединение нейро- и символьных подходов, работа с несбалансированными данными, моделирование физического мира в ИИ-системах.
Профессор Ван Яцин на IJCAI 2026 представила фреймворк DEAL для эффективного обучения агентов при ограниченном объёме данных. Обсуждались пределы Scaling Law и пути преодоления нехватки данных в таких областях, как разработка лекарств и рекомендации. Исследователи стремятся сократить разрыв между возможностями машин и человека за счёт использования предварительных знаний.