ai-agent-book/book-ru/afterword.md

# Послесловие: возвращаясь к формуле «Агент = LLM + Контекст + Инструменты» {.unnumbered}

В начале книги мы вывели формулу: **Агент = LLM + Контекст + Инструменты**. Все десять глав книги разворачивают эти три слова.

**Первая глава** выстраивает три уровня понимания формулы — уровень реализации, уровень интуиции и академический уровень — и даёт спектр оркестрации от рабочего процесса до автономного Agent. Последующие главы разворачиваются поэтапно по линии «построение — оценка и эволюция — сотрудничество».

- **Построение агента (главы 2–6).** Инженерия контекста определяет, что агент видит в рамках одной задачи, а память и базы знаний расширяют информацию на несколько сессий; инструменты определяют, что он умеет делать, генерация кода даёт метаспособность создавать новые инструменты и системы, а глава о взаимодействии выводит пространства наблюдений и действий из текстовой пошаговости в голос, графические интерфейсы и физический мир.
- **Оценка и эволюция (главы 7–9).** Оценка превращает результаты в достоверные сигналы, постобучение записывает многомерные способности в параметры модели, а непрерывная эволюция преобразует опыт эксплуатации в контролируемые обновления знаний, инструкций, программ или параметров.
- **Сотрудничество (глава 10).** Многоагентное сотрудничество дополнительно меняет способ организации контекста, инструментов и ответственности.

Эти три уровня — не независимые друг от друга полки книжного шкафа. Восьмая глава особенно опирается на все предшествующие основания: без траекторий и системы знаний опыт негде сохранять; без способности работать с кодом Agent не может изменять инструменты и Harness; без оценки система тем более не может определить, является ли конкретное изменение улучшением или ухудшением. Тем самым эта глава становится точкой схождения, в которой книга переходит от вопроса «как построить Agent» к вопросу «как сделать так, чтобы Agent становился лучше в долгосрочной перспективе».

## Два облака {.unnumbered}

В 1900 году Кельвин сказал, что на ясном небе физики всё же плывут два облака — позже одно превратилось в теорию относительности, другое — в квантовую механику. Небо агентов сегодня тоже нельзя назвать безоблачным, и я вижу свои два облака.

**Первое облако — как агенту взаимодействовать со средой потоково, в реальном времени.** Сегодня подавляющее большинство агентов всё ещё работают в режиме «запрос — ответ» по очереди (turn-by-turn): вы договорили фразу, агент обдумывает весь кусок целиком, а затем разом выдаёт результат. Но реальный мир не станет ждать, пока он додумает — речь может быть прервана, картинка постоянно меняется, письма приходят непрерывно. По-настоящему «живой» агент должен уметь слушать и думать одновременно, говорить и думать одновременно, начинать планировать, ещё не дослушав вашу фразу до конца, и без указаний самостоятельно замечать: «это письмо пора обработать». К такой реальновременности ведут два пути, которые обычно движутся параллельно: первый — **архитектурное разделение на быстрое и медленное** — реальное время и интеллект почти ортогональны, единая модель с трудом совмещает и то, и другое, поэтому быстрая модель на переднем плане поддерживает ритм разговора, а медленная модель на фоне отвечает за глубокое размышление; второй — **ускорить сам вывод (inference)** — когда скорость декодирования достаточно высока, ожидание в режиме «по очереди» сокращается почти до нуля, и граница между turn-by-turn и «реальным временем» размывается. Этот путь стремительно продвигают чипы и системы вывода: Xiaomi MiMo уже позволила модели на 1 трлн параметров на одном узле с 8 GPU превысить скорость генерации в 1000 token/s[^mimo], а специализированные решения, при которых модель целиком «зашивается» прямо в чип (например, Taalas HC1), доводят модель на 8 млрд параметров до примерно 17000 token/s с задержкой отклика менее 100 миллисекунд[^taalas]. Когда модель способна выдавать тысячи символов в секунду, разница в ощущениях между «сначала подумать, потом сказать» и «думать и говорить одновременно» стирается.

**Второе облако — как агенту, подобно человеку, непрерывно накапливать опыт из успехов и неудач взаимодействия со средой.** Сегодняшняя модель больше похожа на гения с прекрасной памятью, который, однако, не умеет учиться ничему новому: во время обучения она зазубривает человеческие знания назубок, но после выхода «на работу» практически перестаёт расти — по завершении каждой задачи все набитые шишки и найденные хитрости в основном выбрасываются вместе с контекстом. Является ли это настоящей проблемой, зависит от того, какое из двух противостоящих друг другу предположений верно.

Одно — **«гипотеза малого мира»**: достаточно большая модель — скажем, на несколько триллионов параметров — сама по себе способна вместить почти все важные универсальные знания физического мира, и выучить их достаточно один раз. Сторонники этого взгляда (немало таких и среди исследователей OpenAI, Anthropic) укажут, что AI сегодня сильнее всего именно в программировании не потому, что код чем-то особенным для модели, а потому, что программирование — самая открытая область человеческой деятельности: огромный массив открытого кода лежит прямо под рукой, доступный для обучения, тогда как в подавляющем большинстве отраслей просто нет публично доступной информации и данных. Поэтому передовые лаборатории на самом деле занимаются тем, что сотрудничают с компаниями из разных отраслей одна за другой, «дистиллируя» их профессиональные знания в одну и ту же большую модель. Согласно этой точке зрения, узкое место не в ёмкости модели и не в её способности учиться, а в достаточности данных — их нужно просто загрузить и один раз обучить модель, и проблема решена.

Но **«гипотеза большого мира»** указывает на слой, который невозможно восполнить одним лишь «однократным обучением»: знания, принадлежащие конкретному пользователю или конкретной компании. Стандарты кода и предпочтения в оформлении PPT конкретной компании, а также особый характер конкретного клиента — всего этого нет ни в одном обучающем корпусе, и всё это постоянно меняется; чтобы соответствовать этому «большому миру», сложенному из бесчисленных конкретных ситуаций, модель должна непрерывно учиться уже после выхода «на работу» — нельзя рассчитывать, что при выпуске она будет раз и навсегда укомплектована всем необходимым. Именно это направление исследуют память из третьей главы и непрерывная эволюция из восьмой: записывать ли опыт в виде документов знаний, инструкций или программ либо после отбора использовать его для обновления параметров модели? Более того, «RSI (рекурсивное самоулучшение)» и «AI for Science» подталкивают Agent к передовым рубежам, где нет готовых ответов; там ему остаётся самостоятельно учиться на успехах и неудачах многочисленных экспериментов, а не по каждому поводу обращаться к человеку. Поэтому сильнейшей способностью модели в конечном счёте станет не запоминание, а обучение и адаптация.

Ни одно из этих двух облаков не рассеется просто так, за счёт одного очередного апгрейда модели. Чтобы понять, как их в конце концов преодолеют, нужно сначала ясно увидеть одну вещь: модель и агент никогда не были в отношениях «выше по потоку — ниже по потоку», они всегда двигались вперёд вместе.

## Совместная эволюция модели и агента {.unnumbered}

Оглянитесь на всю эту многослойную подстраховочную логику внутри harness — многоуровневое сжатие контекста, повторные попытки, отключающиеся только после тысяч неудач, пессимистичные по умолчанию решения о правах доступа «небезопасно», — каждый из этих на вид неуклюжих кусков «навороченного кода» фиксирует то место, где модель на данный момент ещё нестабильна. Когда следующее поколение модели интернализирует эти ограничения, соответствующий код можно удалить; а способность модели их интернализировать как раз и появляется благодаря тому, что агент уже прошёл через все эти ямы в реальном бизнесе, и это осело в виде сигнала для следующего раунда обучения. Пользователь ставит реальную сложную задачу, прикладной уровень с помощью harness восполняет то, с чем модель пока не справляется, а эти заплатки в свою очередь становятся обучающим сигналом для следующей итерации модели. Это самоусиливающийся маховик.

Этот маховик даёт ответ и на вопрос, оставленный открытым в первой главе: **поглотит ли модель в конце концов Harness? Ответ этой книги: да, но не сразу — слой за слоем, и этот процесс никогда не завершится.** Как только модель стабильно интернализирует какую-то способность, соответствующий слой Harness можно удалить — модель взаимодействия из девятой главы как раз такой пример: прерывание, вставка реплик — поведение, которое раньше приходилось собирать с помощью внешнего harness, — теперь встроено прямо в модель. Но это «поглощение» никогда не завершится полностью. Во-первых, обучение занимает месяцы, модель может подождать, а бизнес — нет; во-вторых, модель не способна интернализировать все ограничения и предпочтения реального бизнеса, всегда остаётся какой-то самый свежий рубеж, который нужно подстраховывать внешней логикой; в-третьих, каждое новое поколение модели открывает новый фронт возможностей, а именно на этом фронте модель наименее стабильна. Так что Harness не исчезнет, он просто будет постоянно мигрировать вместе с моделью к новым фронтирам. Именно так стоит прочитывать «Горький урок» применительно к эпохе агентов: универсальный метод в конце концов победит, но каждый отрезок пути к этому «в конце концов» проложен именно Harness.

Быстрее всего маховик крутится там, где оба конца держит в руках один и тот же игрок. Именно это делает Anthropic с помощью Claude Code: модель и собственный harness взаимно подпитывают и совместно эволюционируют друг друга — модель знает, как её будет вызывать harness, а harness понимает, где границы модели, и каждое изменение на любом из концов немедленно возвращается обратной связью другому. Однажды был проведён эксперимент: без смены модели, изменив только harness, точность выполнения задач подскочила с 52,8% до 66,5% — это одновременно показывает, насколько велик сегодня рычаг harness, и напоминает: он обладает таким большим рычагом именно потому, что модель ещё не дошла до этой точки. Именно поэтому сам этот маховик — самый глубокий ров этой эпохи: чем плотнее сцепляются реальный бизнес, обратная связь данных и итерации модели, тем труднее кому-то догнать это извне.

Что это значит для вас, зависит от того, на каком конце маховика вы стоите. Если вы создаёте модель, ров — это раскрутить этот маховик, чтобы обратная связь из реальных сценариев как можно быстрее возвращалась в обучение. Если вы строите приложение поверх модели, harness — ваш самый острый технический рычаг в краткосрочной перспективе, но нужно ясно понимать: с каждым слоем ограничений, интернализованным моделью, стирается и часть преимуществ, построенных исключительно на harness. По-настоящему долговечный ров прикладного уровня чаще лежит за пределами технологий — эксклюзивные данные, устойчивые каналы, доверие пользователей, сетевые эффекты, а также сценарии физического мира, требующие сотрудничества человека и агента. Использовать harness, чтобы выиграть время, а это время потратить на выстраивание барьеров за пределами технологий, — вот надёжная стратегия.

Так что не стоит переживать, что находящийся в ваших руках фреймворк устареет. Модель обновляется каждые несколько месяцев, конкретные API, продукты и рейтинги будут постоянно меняться, но три вопроса — «что видит», «что может делать», «как проверить, правильно ли сделано» — не устареют: они описывают не способ использования какой-то конкретной модели, а базовый способ взаимодействия интеллектуальной системы с миром. Освоив их, вы будете знать, в какое место формулы поместить любую новую способность следующего поколения моделей, какие бы возможности она ни принесла, и сможете сразу увидеть, насколько далеко она ещё от того, чтобы рассеять эти два облака.

Технологии агентов всё ещё стремительно развиваются, и одна книга не угонится за всеми изменениями. Но если эта книга оставит у вас в руках не конкретный способ использования какого-то API, а набор суждений, позволяющий сохранять ясность мышления в потоке технологических изменений, — значит, она выполнила свою миссию. Весь основной текст, все иллюстрации и весь сопутствующий экспериментальный код этой книги открыты; я приглашаю вас сходить в репозиторий, самостоятельно прогнать эксперименты, оставить issue и прислать PR. А самое очаровательное в агенте — именно то, что он способен создавать новые возможности с помощью написания кода, и даже совершенствовать себя самого; дочитав до этого места, вы уже держите в руках принцип «создания». Дальше — идите и создайте что-нибудь.

[^mimo]: Xiaomi MiMo-V2.5-Pro-UltraSpeed благодаря совместному проектированию модели и системы — FP4 квантизации, DFlash параллельному спекулятивному декодированию и TileRT системе вывода — впервые довела скорость генерации модели на 1 трлн параметров на одном универсальном узле с 8 GPU до значения выше 1000 token/s. См. официальный технический блог Xiaomi MiMo «Pushing 1T-Parameter Model Generation Speed to 1000 TPS», 2026. https://mimo.xiaomi.com/blog/mimo-tilert-1000tps

[^taalas]: Taalas HC1 «зашивает» целиком всю модель Llama 3.1 8B в 6nm чип, достигая примерно 17000 token/s при задержке отклика менее 100 миллисекунд; ценой этого становится то, что чип может выполнять только ту модель, которая в него «зашита», а для обновления модели требуется заново изготавливать кристалл. См. Karl Freund, «Taalas Launches Hardcore Chip With ‘Insane’ AI Inference Performance,» Forbes, 2026. https://www.forbes.com/sites/karlfreund/2026/02/19/taalas-launches-hardcore-chip-with-insane-ai-inference-performance/.