Ваш агент для работы с моделями, скорее всего, слишком сложен: что стоит убрать.
Ваш агентский харнес, скорее всего, слишком сложен по конструкции. По мере совершенствования моделей такие структуры превращаются в бесполезный груз. Как уменьшить избыточность обзоров и затраты на контекст, и что следует убрать.
По мере того как агенты становятся умнее, полезная работа смещается в сторону извлечения информации из них. Это противоречит большинству действий, предпринимаемых командами в течение прошлого года, когда они добавляли новые навыки и возможности.
Почти весь прогресс в развитии агентов до сих пор достигался за счёт вспомогательных структур: шагов планирования, циклов проверки, навыков, памяти, механизмов взаимодействия. Когда модели были слабее, это имело смысл, поскольку эти вспомогательные структуры компенсировали их ограничения. Проблема в том, что никто не устраняет их, как только модели догоняют уровень агентов. Появляется ограничение, создаётся временное решение, и оно остаётся навсегда. Это технический долг, характерный именно для агентов, и он часто ухудшает результаты.
Когда вспомогательные механизмы противостоят модели
Рассмотрим конфигурацию, настроенную под 4,5 и 4,6 поколения семейства моделей. Она планировала действия, проверяла свою работу и проводила дополнительные этапы анализа перед ответом, что в то время считалось разумным подходом. Если перенести ту же конфигурацию на более новое поколение, она начинает действовать против вас. Модель и так способна к такому мышлению без дополнительных указаний, но инструменты всё равно заставляют её сомневаться в себе, пересматривать всё и начинать заново. Она планирует, а затем переосмысливает свой план; выполняет действия, а затем ставит под сомнение результаты их выполнения; проверяет информацию, а затем спорит с результатами проверки. Вскоре агент застревает в параличе анализа, тратя ресурсы на сомнения в решениях, которые на самом деле были нормальными. Это один шаг вперед и один шаг назад: всё больше рассуждений не приводит к лучшему ответу, а иногда даже ухудшает его.
Пока что это лишь ощущение, поэтому вот что можно измерить. Один из инженеров хранит шаблон предварительного рассмотрения перед пушем, который он редактирует уже несколько месяцев. Изначально он состоял из 22 строк, а теперь — из 37; количество видов проверок выросло с двух до трех. Ничего не удалялось. Каждое добавление было новым правилом, и каждое правило появлялось потому, что в каком-то пул-реквесте действительно возникали проблемы. С внутренней стороны именно так выглядит избыточность. Хорошие намерения приводят к тому, что система становится всё более громоздкой. Каждая изменение решала реальную проблему в день её внедрения, но отсутствует второй шаг: никто позже не возвращается, чтобы проверить, оправдано ли это правило. Никто не занимается его улучшением.
Компания Anthropic столкнулась с той же проблемой. В своей статье от апреля 2026 года об управлении агентами они пишут, что инструменты типа harness кодируют предположения о том, что модель не может сделать сама, и эти предположения устаревают по мере совершенствования моделей. В качестве примера они приводят Sonnet 4.5, который прерывает работу раньше времени, когда обнаруживает приближение лимита контекста; это явление они называют «тревогой из-за контекста». Чтобы с этим бороться, они ввели возможность сброса контекста. В версии Opus 4.5 такое поведение исчезло, а сбросы контекста стали бесполезными.
Из этого следует практический совет: когда появляется новая модель, сначала попросите её проанализировать существующие инструменты типа harness перед тем, как браться за новые задачи.
Больше анализа — не значит больше полезной информации
Запрос к агенту на дополнительный анализ тихо истощает полезную информацию, и это происходит чаще, чем люди ожидают.
Проверка кода наглядно демонстрирует это. Направьте агента на определённый код и попросите его найти проблемы — именно их он и выдаст. Некоторые из них важны, другие — это мелкие замечания по стилю, гипотетические крайние случаи или утверждения, технически верные, но не имеющие отношения к сути. Агент здесь не терпит неудачи, потому что вы попросили проблемы, и он их предоставил. Некоторые выводы просто неверны, что само по себе является проблемой, но наиболее опасными являются те выводы, которые верны, но не имеют значения.
Проблемы начинаются тогда, когда их накапливается много. Когда есть десять правдоподобных проблем, вопрос уже не в том, выдерживает ли каждая из них критику, а в том, какие из них действительно важны. Поэтому система проверки может одновременно предоставить вам больше информации и меньше значимых сигналов.
Реальный пример наглядно иллюстрирует ситуацию. В одном из запросов требовался эндпоинт, возвращающий код 409, но на самом деле возвращался код 500. Минимальное правильное решение заключалось в двух строках в одном файле. Однако предложенный пул-реквест касался 13 файлов и почти 500 строк в трех сервисах. Большая часть этого содержала тесты, так что всё не было совершенно бесполезным, но объем работы был огромным. Шесть специалистов по проверке рассмотрели изменения, каждый из них нашел реальные проблемы, и главный администратор применил их все, в результате чего объем пул-реквеста значительно увеличился. Человек, заметивший избыточность, написал решение из двух строк, и эта версия была объединена. Избыточный вариант был закрыт.
Ни один из рецензентов не допустил ошибки. Решение по 13 файлам никогда не принималось единолично — это было 13 обоснованных решений, которые никто не суммировал. Каждый рецензент проверял, верен ли код, но никто не спрашивал, действительно ли он должен существовать.
Отказ от рецензента не был решением. Вместо этого команда дала новому рецензенту противоположные указания: рассматривать различия в коде как что-то, что, вероятно, не должно существовать, и заставлять автора защищать каждый файл, чтобы он остался. По умолчанию использовался инструмент CUT. Он показывает один показатель — соотношение представленных файлов к минимальному количеству, необходимому, и именно этот показатель указывает на то, соответствует ли размер изменений требованиям.
Анализ большого количества файлов не стоит ничего. Критически важным является сигнал, и более совершенная модель не предоставляет его бесплатно.
Компания Anthropic тоже столкнулась с подобной проблемой. В своей публикации от марта 2026 года о дизайне механизмов поддержки долгосрочно работающих приложений они объяснили, почему кодирующий агент и его оценщик были разделены. Когда агентов просят оценить собственные работы, они склонны уверенно их хвалить, даже если человек сочтёт качество явно посредственным. Отдельному оценщику можно поручить проявлять скептицизм, тогда как агенту, выполняющему самооценку, это невозможно. Однако степень полезности такого оценщика зависела от задачи: при простых задачах он превращался в избыточность, а при сложных продолжал оказывать реальную помощь.
Разрыв между активностью агента и его пользой увеличивается, когда он работает целый день.
Агент, работающий круглосуточно, не должен постоянно думать
Возьмем агента, созданного для ротации сотрудников в режиме дежурства. Он отслеживает инженерные каналы и выделяет всё, что должен узнать дежурный сотрудник. В этих каналах много обсуждений, и ни один человек в режиме дежурства не может прочитать всё, поэтому агент, работающий круглосуточно, может заметить то, что упустит человек.
Первая версия была чрезмерно сложной: инструменты для временных окон технического обслуживания, возможности самопроверки сервиса, запросы к политикам урегулирования проблем и руководство по выбору подходящего инструмента в каждом случае. Создатель назвал это подходом «on-call maxxing» и прекратил работу на полпути. На самом деле требовались лишь две вещи: достаточно быстро фиксировать инциденты, чтобы никому не приходилось вызываться по сигнализации, и постоянно следить за каналами, чтобы реальные проблемы обнаруживались как можно раньше. Для фиксации инцидентов требовался один командный приказ без аргументов. Остальные элементы не приносили никакой пользы и были удалены.
Вскоре после этого та же ошибка проявилась на нижнем уровне архитектуры. Таймер запускал цикл каждые десять минут в течение всего сменного периода, и одна из сессий продолжала собирать контекст. При каждом прохождении цикла перечитывался текст, который становился всё длиннее; эти операции учитывались как чтения из кэша Opus. К концу смены длина текста превышала 150 тысяч токенов. За весь период набралось 2,1 миллиарда токенов чтений из кэша, что по ценам команды соответствовало примерно 1050 долларам. Благодаря плану с фиксированной ставкой прямой счёт не формировался, но еженедельный лимит исчерпывался даже с учётом промо-акции, увеличивающей его на 50 процентов. Анализ расходов позволил точно определить виновника проблемы.
Более точный запрос не стал решением проблемы — решением стало другое проектирование. Теперь на каждой итерации цикл создаёт временного агента Sonnet, задача которого проста: читать всё новое, записывать время последнего просмотра для каждого канала в небольшой файл и возвращать одну строку. Поскольку собственная сессия цикла остаётся простой, дорогостоящая модель запускается только тогда, когда небольшая модель не справляется. С точки зрения кода это привело к устранению 79 строк и целого компонента. Следующая смена прошла без упущения чего-либо важного, и наблюдения продолжаются.
По первоначальным прогнозам стоимость одной стандартной итерации должна была снизиться примерно с 0,25 доллара до 0,03 доллара. Сравнение 433 итераций старого дизайна с одной полной сменой нового дизайна показало правильное соотношение в другом масштабе: примерно 1,85 доллара за итерацию раньше и около 0,19 доллара после, то есть примерно в десять раз дешевле. Форма проблемы была правильно оценена, но её масштаб был недооценён.
Важно также понимать, что причиной расходов не стало то или иное действие. В первоначальном дизайне для фактического считывания данных уже использовалась дешевая модель Haiku, которая отвечала за менее 1 процента операций чтения из кэша. Расходы возникали из-за необходимости родительской сессии перечитывать свой постоянно растущий отчет при каждом обработчике данных. Дешевая модель выполняла работу, а дорогая вынуждена была перечитывать всё заново.
Из этого можно сделать два вывода. Во-первых, необходимо убедиться, что дорогая модель не будет повторять работу, уже выполненную дешевой. Во-вторых, при задачах с высокой частотой выполнения и низкой степенью риска более мощная модель почти ничего не добавляет, а оправдывает свою стоимость лишь при расследовании сложных производственных инцидентов. Самая умная модель не обязательно должна быть самой загруженной.
Контекст — не бесплатно
С ростом размеров окон контекста усиливается желание чрезмерно усложнять архитектуру моделей. Когда контекста было мало, выбор был ограничен. Теперь легко рассматривать контекст как хранилище: добавляются разговоры, документы, описания инструментов, история и любые полезные навыки, после чего модель должна сама всё это обработать. Модель не воспринимает контекст как хранилище — всё это является частью проблемы, которую необходимо решить. Каждая инструкция — это ещё одна вещь, которую нужно интерпретировать, а каждый инструмент — ещё один ресурс, к которому модель может обратиться. Более умный агент, как и более умный человек, нуждается в большей концентрации, а не в большем объёме входных данных.
Это поднимает вопрос к любому агенту: что можно добавить, не ухудшив ситуацию? Вместо того чтобы создавать ещё одну навык, лучше удалить один. Работайте с меньшим объёмом контекста, чем кажется безопасным. Удалите цикл верификации. Проводите опросы реже. Затем пусть результаты говорят сами за себя. Если качество не ухудшится, агент станет дешевле без каких-либо затрат и, скорее всего, лучше, поскольку модели придётся обрабатывать меньше информации. Если качество ухудшится, это покажет, что данный элемент действительно необходим для данной модели.
От максимизации всего до инженерии агентов
За всем этим стоит одна привычка. Команды стали мастерами максимизации всего подряд: количества токенов, контекста, навыков, инструментов, памяти, механизмов взаимодействия, процессов рассуждения, проверок и подагентов. Накопление всё большего количества элементов кажется прогрессом, поскольку система становится более сложной, однако сложность и польза — не синонимы. На определённом этапе вокруг агента возникает бюрократия, а бюрократия обычно ведёт к расточительству.
Рассматривайте каждый элемент комплекса как гипотезу, например:
- Этот навык помогает агенту писать лучший код.
- Этот механизм взаимодействия предотвращает реальные сбои.
- Дополнительная проверка поможет обнаружить ошибки, которые упустил основной агент.
- Больше подагентов позволит выполнить работу быстрее.
То, что может показаться полезным, — это лишь предположение относительно вашей системы, а не факт. Невозможно избежать скучной части работы, а именно экспериментов: необходимо запустить процесс с использованием данного инструмента и без него, а также с наличием и без наличия определенных элементов, после чего провести измерения.
В статье компании Anthropic о дизайне таких инструментов прямо излагается этот принцип: каждый компонент такого инструмента содержит предположение о том, с чем модель не сможет справиться сама, и эти предположения должны проходить тесты на прочность. Их команда создала сложный инструмент, который функционировал, затем постепенно удаляла из него отдельные элементы, чтобы выяснить, какие из них действительно важны. Метод разбиения работы на этапы был отказанся от, поскольку благодаря улучшениям в версии Opus 4.6 появились веские основания полагать, что модель может справиться с этой задачей нативно.
Это учит большему, чем простая лозунг о том, что побеждают простые агенты. Рассматривайте инструментарий как что-то, что нужно измерять и настраивать. Некоторые компоненты становятся ненужными, другие остаются, поскольку модель всё ещё не может выполнять соответствующую задачу. Удаление компонента и доказательство того, что никто этого не заметил, сложнее, чем его добавление, и именно это определяет границу между стремлением максимизировать всё и инженерией агентов. Первый подход направлен на максимизацию возможностей системы, второй — на максимизацию полезности сигнала за каждый потраченный токен.
Оттачивайте топор
По мере совершенствования моделей растёт список элементов, которые нужно удалять. Работы, ранее требовавшие дополнительных инструментов, постепенно становятся возможными без них, циклы проверки перестают оправдывать свои затраты, а то, что казалось фундаментальным, оказывается лишь способом исправления уже устаревшей модели. Работа над инструментарием никогда не заканчивается. Спрашивайте лишь о том, улучшает ли тот или иной элемент результаты для данной модели и задачи, измеряйте его, удаляйте, и возвращайте только тогда, когда есть доказательства его значимости.
Часто приписывают Линкольну высказывание о том, что если у него есть шесть часов на срубку дерева, он потратит первые четыре часа на заточку топора. Заточите топор.
Связанные статьи
- Почему голосовые агенты звучат как роботы: каскадные процессы, обнаружение очереди и фреймворк TEN — как каскадные цепочки STT-LLM-TTS создают паузы и прерывания, четыре типа голосовых агентов и то, как фреймворк TEN обрабатывает обнаружение очереди и параллельные графы.
- Почему ИИ-агентам нужен слой управления, а не просто лучшие промпты — промпты формируют один обмен сообщениями, а не весь рабочий процесс. Как слой управления, состоящий из правил, ограничений контекста, полномочий и подтверждения завершения работы, делает ИИ-агентов надежными.