Большинство ИИ-агентов внутри одинаковые. Тогда в чём разница?

06.11.2026 14:53:30 | Хабр

Хабы: Блог компании Сбер, Машинное обучение, Искусственный интеллект

Представьте: на столе техническое задание и три предложения подрядчиков. Цены — за разные периоды, часть условий вынесена в приложения, у одного предложения не хватает обязательной работы. Нужно всё прочитать, сопоставить, пересчитать на одинаковых условиях и подготовить записку с источниками.

Можно попросить ИИ объяснить, как это сделать. а можно дать ему документы и инструменты и поручить саму работу: пусть читает, сверяет, считает и возвращает результат. Во втором случае модель уже управляет выполнением задачи. Это и есть агент.

Под капотом знакомый цикл: модель выбирает инструмент и параметры вызова, обычный код исполняет инструмент, результат возвращается модели. И так по кругу. Этот принцип — рассуждать, действовать, смотреть на результат — лежит в основе ReAct.

Двигатель и четыре колеса есть и у грузовика, и у легковушки, но взаимозаменяемыми они от этого не становятся. С агентами та же история: всё интересное начинается с вопросов, которые в псевдокод не попали.

-Можно ли вообще выполнять предложенную команду?

— Что делать, если инструмент вернул гигабайт текста?

— Как продолжить работу, когда контекстное окно закончилось?

— Достаточно ли фразы модели «готово», чтобы закрыть задачу?

Всё это собирается в обвязку (harness) — среду исполнения агента: цикл, инструменты, память, проверки, лимиты и историю действий. Здесь и находится большая часть инженерной работы.

Мы в GigaCode R&D разрабатываем модели для агентных задач. Нам нужен был исполнитель, с которым можно экспериментировать, получать данные для обучения и решать прикладные задачи. Так появился GigaCode Universal Agent — открытый проект на Python с подключением моделей через chat/completions API.

Расскажем, что стоит вокруг агентного цикла и как одно ядро используется для работы с документами, кодом и внешними системами.

Подробнее

Читайте также