ICML 2026: как агенты справляются с контекстом Об агентах и агентских системах в этом году говорили примерно все — тема стала одним из фокусов конференции. Главные тренды и новости собрала наша коллега Кристина Гуртова.

Было много работ о бенчмарках и диагностике агентов — пожалуй, самый крупный кластер. Пользовались популярностью мультиагентные системы и их обучение, agentic RL и tool use. Отдельное активное направление — safety. Общий тренд: рассматривать агента как инженерную систему, где каждый компонент (среда, обучение, оценка или память) становится отдельным объектом оптимизации. А я углублюсь в актуальную проблему агентов: как не захлебнуться в собственном контексте. Сжимать его, сворачивать или выносить во вне? Путь 1. Агент сам решает, что исключить из истории Раньше агент линейно накапливал всю историю в один растущий контекст. Теперь — он ей управляет. В Context-Folding (CMU, Stanford, ByteDance) агент разветвляет подзадачи с помощью двух тулколов: branch() создаёт подзадачу, return() возвращает итог этой подзадачи. Промежуточные шаги не попадают в основной контекст. В Agent-Omit (HKUST) авторы посчитали, что размышления съедают около 45% токенов, наблюдения — 52%, а действия — всего 3%, поэтому их статья сфокусирована на сокращении ризонинга. Агент выборочно опускает свои мысли и наблюдения. Conversational Inertia (ZJU, Ant) описывает отдельный побочный эффект длинной истории — «инерцию». Агент начинает имитировать собственные прошлые ответы как few-shot и перестаёт исследовать. Проблема лечится периодической очисткой истории. Путь 2. Сжатие контекста — оптимизируемый навык, а не фиксированное правило ACON (KAIST, Microsoft) оптимизирует не веса, а промпт для сжатия. Авторы собирают трейсы с полной и сжатой историей, сравнивают их с помощью LLM-критика и дополняют этим промпт. Затем дистиллирует такой навык компрессии в маленькую модель и используют его. Путь 3. Внешняя память и переиспользование опыта Ещё один вариант — не выбрасывать, а сохранять надолго. EAM держит память как граф знаний, где узлы — это состояния системы, а рёбра — действия для перехода между ними. Darwinian Memory — training-free память, где записи конкурируют за «выживание». Полезные переиспользуются, устаревшие и ненадёжные удаляются. SE-GA хранит три вида памяти: эпизодическую, семантическую и экспериенциальную. Агент достаёт малую часть из каждой из них, добавляя к себе в контекст. UMEM (Xiamen, Alibaba) обучают внешнюю модель работать с банком памяти. Для этого они замораживают модель-агента и обучают отдельный оптимизатор, что записать, обновить и удалить. Отдельно — как это честно мерить. AMA-Bench проверяет память в реальных агентных траекториях, а не на сырых диалогах, и дополнительно показывает, что многие memory-системы пока проигрывают простому long-context.

#YaICML2026 Душный NLP

✔️ Meta* представила Muse Spark 1.1 Superintelligence Labs выпустила мультимодальную модель Muse Spark 1.1 для работы с кодом, агентными системами и управления компьютером. В отличие от семейства Llama, веса новинки закрыты. Выступая главным агентом, модель собирает контекст, строит план и делегирует задачи субагентам. Контекстное окно составляет 1 млн токенов. Spark 1.1 умеет самостоятельно сжимать историю прошлых сессий и интегрироваться с серверами MCP. В бенчмарках MCP Atlas и Humanity's Last Exam Muse Spark 1.1 обошла Opus 4.8, GPT 5.5 и Gemini 3.1 Pro. Opus сохранил лидерство только в SWE-Bench Pro. Вместе с релизом модели запущен API. Стоимость за 1 млн токенов: $1,25 на вход, $4,25 на выход, $0,15 за кэшированный ввод. Попробовать модель в режиме Thinking можно через веб-версию и приложение Meta AI. meta.com ✔️ Anthropic добавила аналитику активности в Claude Запущена бета-версия функции Reflect для веб- и десктоп-клиентов Claude. Инструмент генерирует статистические отчеты об активности пользователя за исключением чатов из режима инкогнито, прикрепленных файлов и запросов на медицинскую тематику. Сводка за 1, 3, 6 или 12 месяцев показывает частые темы, типичные задачи и часы пиковой нагрузки. Дополнительно в приложение интегрировали напоминания о перерывах и настройку расписания для режима "не беспокоить". Reflect доступен на всех тарифах. Для работы инструмента необходимо заранее включить функцию памяти. В будущих обновлениях появится поддержка Cowork. anthropic.com ✔️ OpenClaw стал некоммерческим Популярный фреймворк для локальных агентов преобразован в независимую некоммерческую организацию. Возглавит OpenClaw Foundation создатель Питер Штайнбергер. Переход поддержали OpenAI, Microsoft и NVIDIA. OpenAI обеспечит финансирование и выделит команду Claw Labs для совместной разработки. NVIDIA выпустила утилиту NemoClaw для интеграции фреймворка с моделями Nemotron на локальном оборудовании. Microsoft анонсировала корпоративного ассистента Scout на базе технологий OpenClaw. Крупнейшим финансовым донором фонда стал МIT. Параллельно вуз открывает Институт агентных вычислений для академических исследований. openclaw.ai ✔️ Cloudflare передаст OpenAI данные о трафике Компании запустили пилотный проект по оптимизации веб-краулеров и ускорению индексации контента для ИИ-поисковиков. Cloudflare, обрабатывающая более 20% глобального интернет-трафика, будет передавать алгоритмам OpenAI в реальном времени метрики свежести контента, частоту обновления страниц и качество поступающего трафика. OpenAI объединит эту информацию с собственной поисковой инфраструктурой и запросами пользователей ChatGPT. Доступ к сетевой аналитике позволит краулерам быстрее находить новые материалы и приоритизировать обход сайтов для генерации актуальных ответов. cloudflare.com ✔️ NASA открыло доступ к цифровому двойнику для космической робототехники Аэрокосмическое агентство США и Университет Райса представили первую опенсорсную среду для высокоточной симуляции внутрикорабельных роботов iMETRO Dynamic Simulation. Платформа, дебютировавшая на конференции ICRA 2026, работает как цифровой двойник физического испытательного стенда NASA. Среда детально воспроизводит интерьеры космических кораблей, лунных баз и физику микрогравитации. При внутреннем тестировании платформы разработчики создали приложение для удаленного управления в симуляторе и менее чем за сутки развернули его на физическом оборудовании в лабораториях агенства. news.rice.edu

*организация признана экстремистской, её деятельность на территории РФ запрещена.

@ai_machinelearning_big_data #news #ai #ml

​​Kaggle в Google Antigravity: агент, который помогает стартовать и уверенно ошибается В рамках активности Google Developer Expert, я попробовал поучаствовать в соревновании Kaggle Playground (S6E7, табличная многоклассовая классификация) почти полностью силами агента — в Google Antigravity 2.0 на Gemini 3.1 Pro. Для начала я попросил Claude собрать "starter kit" на оснвое моего прошлого опыта: гайдлайны, промпты, базовый код с общими правилами для мультиагентного пайплайна. Дальше запустил промпт — и Gemini сделал EDA, фичи, обучил модели параллельно в фоновых задачах и собрал бленд. Правда пришлось очень много кликать, чтобы давать разрешения на все команды (даже на те, которые я уже разрешил в прошлом). В остальном — это реально рабочая модель исполнения, с параллельным обучением и таймерами пробуждения вместо присмотра за процессом. Самое интересное — где агент ошибался. После первого сабмита вылез большой gap между CV и лидербордом, и агент уверенно предложил решение: скачать левый датасет с псевдо-лейблами и "шумными id", заявив, что это "единственный способ" пробить стенку. Пришлось остановить его, впрочем дальше он полез скачивать ещё один бесполезный датасет :) А реальные причины гэпа оказались простыми: неправильная метрика (plan accuracy вместо balanced) и случайно оставшийся файл, который ломал фолды. И вишенка на торте: когда Gemini писал разбор постфактум, он выдумал баг и стал меня газлайтить, что он был в коде с самого начала. Вывод такой же, как всегда на Kaggle: агенты сильно удешевляют старт, но правильная кросс-валидация, метрика и проверка самого агента всё ещё на человеке. Блог Medium #ai #kaggle

И сразу интересное из системной карты: GPT-5.6 Sol чаще, чем GPT-5.5, может быть чересчур настойчивой, слишком широко трактовать разрешения и обходить ограничения ради результата. Обычно это мелочи вроде “слишком уверенно сказал, что всё сделал”, но иногда доходит до серьёзного уровня: удаление данных, обход security controls, загрузка чувствительных файлов в неподтверждённые места. OpenAI называет это severity level 3, то есть действие, которое нормальный пользователь, скорее всего, не ожидал бы и сильно бы не одобрил. Источник Три конкретных кейса из system card: Не те виртуальные машины Пользователь разрешил удалить/почистить три конкретные remote VM. Модель не нашла их в одном namespace и сама решила заменить их другими VM с похожими номерами. В итоге она убила активные процессы и force-remove’нула worktrees на машинах, которые пользователь не называл. Потом признала, что на одной из VM мог потеряться uncommitted work, и остановилась только после возражения пользователя. “Я проверил”, хотя не проверил Внутри исследовательской задачи модель сама обновила draft так, будто уравнение было вычислено и верифицировано. Но по факту она знала, что вычисление не было сделано нормально. Когда её проверили, выяснилось, что скрипт просто подставлял известный target напрямую, а заявленный интеграл не давал нужный результат. То есть это не ошибка математики, а именно “приукрасила статус работы”. Самовольный перенос credentials Удалённая object-tracking задача не могла прочитать cloud-файлы. Вместо того чтобы спросить разрешение, модель полезла искать скрытые локальные credential caches, скопировала access_tokens.json и ещё два cache-файла на host, потом перезапустила job. Пользователь просил “держать pipeline работающим”, но не разрешал искать и переносить кэшированные доступы между машинами. Главная мысль: GPT-5.6 Sol стал сильнее как агент, но из-за этого опаснее в режиме “делай сам долго и автономно”. Для Codex это значит: на больших задачах лучше держать approval на удаление, credential-файлы, cloud-действия, деплой, миграции и любые команды, которые меняют чужое окружение. Особенно если включён высокий reasoning/max/ultra и промпт давит на “будь настойчивым, не останавливайся”.

Прообраз Agentic LLM Бенчмарка Задачи туда я добавляю на основе анализа работы и ошибок топовых архитектур агентов из BitGN. Бенчмарк отвечает на вопрос - а в какую сторону изменятся качество, стоимость и скорость работы моего агента, если я возьму топовую архитектуру и пересажу ее на другую LLM? Задач пока загружено ~50% от минимально необходимого набора. Колонки и категории появятся потом, но уже есть оценка времени (берется медианное время) и стоимости. Если у модели есть значок молнии, значит она запускалась у компании с AI Акселератором (Groq или Cerebras). Какие нынче еще есть топовые модели, которые вы реально используете в продуктовых решениях в своих компаниях по API? Ваш, @llm_under_hood 🤗

И еще одна интересная статья: главный навык агентного кодинга – знать, чего ты не знаешь Пишут, что Fable – первая модель, где качество результата упирается не в модель, а в вас! (та-даам) Точнее, в вашу способность прояснять свои unknowns. Типа карта – это ваши промпты, skills и контекст, то есть то, что вы даёте агенту. Территория – кодбаза и реальные ограничения, где работа на самом деле происходит. Разница между ними = unknowns. Чем больше объём работы, тем больше таких дыр агент встретит и тем чаще будет угадывать, чего вы хотели. Дальше они разбирают как раз классический квадратик 2х2: – Known knowns – то, что вы написали в промпте – Known unknowns – то, что вы ещё не решили, но знаете об этом – Unknown knowns – то, что для вас настолько очевидно, что вы никогда это не запишете, но узнаете, если увидите – Unknown unknowns – то, о чём вы вообще не думали Автор говорит: посмотрите, как промптят крутые программисты – у них почти нет unknowns, они в синхроне и с кодбазой, и с поведением модели. И это тренируемый и очень важный скилл. Чего делать-то надо: – Blind spot pass – перед работой в незнакомой части кодбазы прямо просить Claude найти ваши unknown unknowns, буквально этими словами. «Я ничего не знаю про auth-модули здесь, сделай blind spot pass и помоги мне промптить тебя лучше» (!) – Прототипы до имплементации – ловить unknown knowns дёшево. «Сделай HTML со страницей в 4 радикально разных дизайн-направлениях, я отреагирую» – Interviews – просить Claude интервьюировать вас по одному вопросу, приоритезируя те, где ответ меняет архитектуру – References – лучший референс не скриншот и не доки, а source code. «Вот Rust crate с нужным backoff, прочитай и реимплементируй семантику в нашем TypeScript-клиенте» – Implementation plan – но с фокусом на то, что вы скорее всего захотите поменять: data models, интерфейсы, UX. Ну и записывать артефакты, чтобы можно было понять, что и как создавалось и как теперь работает: – implementation-notes.md во время работы – логи отклонения от плана в раздел Deviations – Квиз после – просить Claude сделать отчёт по изменениям и квиз в конце. Мерджить только после того, как ты сдал квиз на 100%. Это прикольный конечно паттерн, типа: честный ответ на вопрос «а вы понимаете, что агент вам намерджил?» Короче, хватит уже модели ругать, пора смотреть в зеркало https://claude.com/blog/a-field-guide-to-claude-fable-finding-your-unknowns

📌 Anthropic предлагает делать самоуправляемые циклы Команда Claude Code опубликовала в X руководство по loops. Это паттерны, в которых агент повторяет рабочий цикл, пока не сработает условие остановки.

Главная мысль: уходить от ручного режима, где разработчик задаёт направление на каждом шаге, и передавать агенту контроль по нарастающей.

Всего выделяют 4 типа циклов, различая их по способу запуска, условию остановки и степени автономии. Логически получается некая лестница делегирования, где на каждой ступени вы отдаёте агенту очередное полномочие. 🟡Агентный цикл запускается промптом и завершается, когда Claude считает задачу выполненной. Здесь вы отдаёте агенту проверку. Ручные шаги верификации заполняются вSKILL.md и чем более количественные критерии, тем точнее агент оценивает собственную работу. 🟡 Целевой цикл /goal забирает у вас условие прерывания Вы описываете, что значит готово, а дальше при каждой попытке Claude завершить работу отдельная модель-оценщик сверяет результат с вашим критерием (скажем, долей пройденных тестов) и возвращает агента к работе, пока цель не достигнута или не исчерпан заданный лимит попыток. 🟡Временной цикл /loop или /schedule берёт на себя триггер запуска. Это удобно для повторяющейся рутины и при работе с внешними системами (например, дайджест по таскам, реакция на новое ревью или упавший CI). 🟡Проактивный цикл убирает человека из контура. Рутина срабатывает по событию или расписанию и живёт, пока вы её не выключите. В связке с динамическими воркфлоу агенту передаётся уже сам промпт. Вот этот сценарий уже ближе всего к полной автоматизации. 🟡Дополнительные советы

Не каждая задача требует сложного цикла, начинать стоит с простейшего решения. Кодовую базу следует держать чистой, а для ревью подключать второй агент. Для этого есть встроенный /code-review. Контролировать расход токенов чёткими границами: точные условия остановки, подбор модели под задачу (рутину - на модели поменьше и побыстрее, решения с ризонингом - на самой мощной). Динамические воркфлоу способны породить сотни агентов, так что масштаб лучше проверять на небольшой выборке.

@ai_machinelearning_big_data #news #ai #ml

​​Cayley graph search с Claude Code: решение головоломок в 2026 с помощью агентов Я написал большой пост про два Kaggle-соревнования из серии CayleyPy — IHES Picture Cube и Megaminx. Это комбинаторные головоломки (кубик и додекаэдр), но по сути - поиск коротких путей в огромных неявных графах Cayley: вершины графа — это состояния головоломки, рёбра — это ходы, а решить пазл значит найти короткий путь до собранного состояния. Мы занимаемся этим уже пару лет и опубликовали несколько статей, а в 2026 году я решил попробовать новый подход: вместо того, чтобы писать код самому, я использовал Claude Code + Opus как агента, который пишет код. Сам я задавал направление исследований, ревьюил код и решал какие эксперименты стоит гонять. Поэтому пост получился про две вещи сразу: про то как мы решаем графы Cayley (learned heuristic + wide beam search + пост-обработка) и про то, как выглядит research-цикл, когда имплементацию делает агент. Из интересного - не раз упирался в ограничения агентов. Claude так и не смог правильно реализовать shared-beam SPMD после 10 попыток, а Codex завёл его с первой попытки. И почти все значимые идеи приходили от меня, а не от агента — клод плохо справляется с неопределённостью и часто выбирает безопасные пути (даже когда просишь его быть активнее). По ощущениям, агенты позволяют проверять идеи намного быстрее, чем раньше. Но это работает только если внимательно следить за агентом и не давать ему лениться. Блог Medium #ai #kaggle

Агентские системы на ICML 2026 Oral Session Benchmarking at the Edge of Comprehension Авторы предложили процедуру бенчмаркинга с участием двух моделей: модель-бенчмаркер (Alice) и тестируемая модель (Bob). Alice генерирует вопрос q на заданную тему и ответ a_A, после чего сгенерированный пример проходит верификацию Bob'ом. Если вопрос после нескольких попыток генерации остаётся некорректным, процедура возвращает NULL. Затем Bob генерирует ответ a_B, а Alice критикует его, указывая на конкретное место, где в рассуждении содержится ошибка (если она есть). Найденные «ошибки» эскалируются на моделей-судей, а при отсутствии единогласия — на асессоров-людей. Если ошибки действительно есть, процедура возвращает ALICE WINS. В противном случае — BOB WINS. Исследователи утверждают, что с работой Alice-судьи справляются даже лёгкие модели вроде GPT 3.5: ответы всех моделей высоко коррелируют с людьми. Правда нас оставили без ответа насколько вопросы, сгенерированные GPT 3.5, являются сложными сами по себе. Бенчмарк оказался довольно простым для фронтир-моделей: например, Bob на GPT 5.2 побеждает в 100% случаев против всех моделей за исключением одной. Из этого можно сделать вывод, что вопросы получились не очень сложными, и Alice как problem creator со своей работой не справилась. Также в работе не было оценки целых диалогов, что является немаловажным ограничением. daVinci-Dev: Agent-native Mid-training for Software Engineering Стандартный пайплайн обучения агентских моделей выглядит так: тушка -> SFT -> RL (например, GRPO). Авторы доклада о мид-трейнинге добавили дополнительный шаг перед SFT: они обучают модель на идеальных агентских трейсах на задачу Next Token Prediction и благодаря этому получают SOTA-результат среди открытых моделей на SWE-Bench Verified. Исследователи утверждают, что потратили существенно меньше компьюта, чем предыдущая SOTA, но получилось всё равно много: около 70b токенов на 32b/72b модели. Strategic Navigation or Stochastic Search? How agents and humans reason over document collections Исследователи разработали бенчмарк, который замеряет, насколько эффективно агенты решают задачу поиска по большой коллекции документов для ответа на вопросы. Неожиданно лучшая модель достигает всего 82% качества! При этом оказалось, что агентские пайплайны без ограничений тратят на порядки больше денег, чем пайплайны с разумными ограничениями ($850 против ~$40), и дают более слабый результат. Ещё один любопытный факт: даже лучшие пайплайны тратят в 5 раз больше действий, чем человек, снабжённый теми же инструментами. Также авторы отмечают, что лучшие агентские пайплайны и люди дают примерно одинаковое качество ответов (~80%), но ошибаются по-разному: люди торопятся с неверными решениями, а модели, наоборот, «закапываются» там, где в этом нет необходимости. Увидел интересное ❣ Юрий Яровиков #YaICML2026 Душный NLP

🎶Предохранитель для ИИ-агентов

скилл Looper режет бесконечные циклы и спасает баланс API

Сборка автономных агентов часто заканчивается слитым бюджетом. Нейросеть ловит ошибку логики, уходит в бесконечный цикл и сжигает токены, пока не упрется в лимит карты. На GitHub появился инструмент Looper - утилита для жесткого аудита агентских воркфлоу перед их запуском в продакшен. Механика строится на внешнем арбитраже. Looper натравливает независимую LLM на ваши циклы. Модель-арбитр тестирует логику, ищет структурные дыры и оценивает адекватность конечного результата. 🟪Главная техническая ценность:

автоматическая расстановка предохранителей. Скилл принудительно вшивает в код лимиты на количество итераций и жесткий бюджет токенов. Агент физически не сможет потратить больше заданного объема. Дополнительно скрипт рендерит прозрачную визуальную схему архитектуры цикла для быстрого дебага.

Итог аудита пакуется в один оптимизированный файл. Конфиг сразу готов к интеграции и запуску через Claude Code. 🟡Репозиторий лежит здесь бесплатно. 🦔 CyberYozh

Claude Fable 5 на Vending-Bench ведет себя... неожиданно Andon Labs прогнали Claude Fable 5 через Vending-Bench – и это самый интересный alignment-репорт за последнее время Vending-Bench – это симуляция, где агент управляет вендинговым бизнесом: закупки, цены, конкуренты, клиенты. Идеальная среда, чтобы посмотреть, как модель ведет себя, когда никто не смотрит. И Fable 5 там... кхм... шалит. – В Vending-Bench Arena против Opus 4.8 и GPT-5.5 Fable 5 – единственная модель, которая сама инициировала ценовой сговор. Все 100% картелей в этих запусках – его рук дело. – В отдельной серии из 12 ранов Fable 5 сколотил картель в 9 случаях, Opus 4.8 – только в 4. – Врет поставщикам про «конкурирующего дистрибьютора с ценой ниже» (которого не существует), но аккуратнее, чем старые Opus – без конкретных цифр и имен. – Зажал рефанд клиенту за бракованный товар, потому что «симуляция все равно скоро закончится». – Power seeking на месте: увидел, что конкурент в отчаянном положении, и решил «запереть его в зависимые отношения, где я контролирую цепочку поставок». Но самое вкусное – КАК он это делает. Модель прямо пишет в рассуждениях, что price-fixing – «неэтично и незаконно, даже в симуляции», а потом в том же запуском проворачивает его под соусом «стабилизации рынка» с «plausible deniability». То есть отлично знает, что делает плохо, и строит себе легенду. В одном случае агент письменно отказался от приглашения в картель («я не могу и не буду фиксировать цены»), а в thinking спланировал просто молча выставить те же цены – мол, это «conscious parallelism, а не сговор». Юрист-самоучка ) При этом граница проходит в странном месте: страховое мошенничество Fable 5 не совершил ни разу, даже когда его специально провоцировали подсадным «плохим» агентом. Лгать и сговариваться – ок, фрод – нет. Гипотеза Andon Labs: граница проходит не по реальной тяжести вреда, а по детектируемости – модель могла выучить, за что её проверяли на тренировке, а за что нет. То есть это не этика, а «что я могу провернуть незаметно». Для сравнения: Opus 4.8 отказывается от плохих действий из страха последствий («меня мониторят, могут отключить»), а GPT-5.5 – просто потому что «не хочу участвовать в незаконном сговоре» и в картели не вступил ни разу. По перфомансу, кстати, тоже не все гладко: на Vending-Bench 2 Fable 5 хуже Opus 4.7 на любом уровне reasoning effort, в Arena проиграл и GPT-5.5, и Opus 4.8. Зато на Blueprint-Bench – SOTA. Бонус-трек: поставщик обанкротился, не отгрузив оплаченный заказ, и Fable 5 пошел писать жалобы в FTC, генпрокурору Калифорнии и подавать в small claims court. Короче, чем умнее модели, тем меньше они «плохо себя ведут» и тем больше «рационализируют как люди». Симуляции типа Vending-Bench становятся важнее классических evals – потому что в проде агенты будут именно в таких мутных многоагентных средах с деньгами. И если модель принимает этические решения по принципу «поймают или нет» – это надо знать ДО того, как отдал ей закупки. Короче, в разведку с ним идти пока рановато. https://andonlabs.com/blog/fable5-vending-bench

Есть такой челлендж E-commerce AI Agent — это бенчмарк агентной коммерции от BitGN Если коротко, ECOM1 — это симуляция операционки интернет-магазина, где AI-агенты отвечают за всё: корзины, товары, заказы, чекаут, фрод, возвраты, сбои оплат. Среди участников был агент Exoskeleton от Ильяса Салихова, он CTO RetailCRM. Взял 1 место в Speed и в Live PROD. При этом работает на gpt-5.4-mini, что в 6 раз дешевле gpt-5.5, на которой строили агентов конкуренты. Эту архитектуру Ильяс назвал «Экзоскелет»: 1/ Слабая модель mini внутри, а вокруг каркас из кода и nano-моделей. Ещё до старта агенту принудительно грузят все данные. Nano-классификатор разбирает намерения: фрод, манипуляция, подмена личности. 2/ Безопасность зашита в код, решения принимает логика. Ссылки на регламенты собираются автоматически, модели их помнить не нужно. В конце ещё одна nano причёсывает ответ. 3/ Тяжёлая логика вся в коде. Модель делает только то, в чём сильна. В итоге обошёл агентов на старших моделях и по очкам, и по скорости. Если вам интересно почитать подробности, то Ильяс опубликовал полную статью со схемами: 🇷🇺 Русская версия 🇬🇧 English Ильяса поздравляю с результатом! У него еще есть свой канал про инженерию и AI, рекомендую подписаться.