Фреймворк построен так, что отпустить его трудно даже создателю. Похоже на первый раз, когда отпускаешь велосипед, а сын кричит «не держи, я сам». Рано или поздно руки придётся разжать. Пару раз он упадёт. Страшно не за велосипед — за него. Но держать всю жизнь — ещё хуже.
Datarim задумывался безопасным. Он перебюрократизирован намеренно — для публичного фреймворка это оправдано: каждый шаг подконтролен человеку. Потенциальная корпорация не может позволить агенту творить что попало, поэтому внутри Datarim — процедуры, проверки, согласования.
Но для личных экспериментов нужны развязанные руки.
С 14 мая по 15 июня агенты закрыли 340 задач — почти столько же, сколько в первом месяце (341). Изменилось качество: доля сложных задач уровней L3 и L4 среди размеченных выросла с 29% до 33%. Datarim остаётся самым частым направлением, около 85 архивов за месяц. И всё чаще логи агента листаются вхолостую — он работает сам, а вмешательства не требуется.
Клетка, построенная намеренно
В Datarim заложена защита от ошибки. Каждое действие агента подтверждается, каждый промпт проверяется на утечку данных, каждый запрос к внешнему API логируется. Для корпоративного инструмента это правильно: SOC 2 — не шутка, и перепутанные среды не должны стоить кому-то данных.
Для собственных экспериментов та же клетка мешает. Время уходит на подтверждение шагов, которые агент сделал бы сам. Оркестратор запрашивает разрешение прочитать файл, который и так в открытом доступе. Поводок дёргается на каждом повороте.
Из 340 задач 307 размечены по сложности явно. L1 (тривиальные) — 67, L2 (с планом) — 139, L3 (с PRD) — 79, L4 (эпики) — 22. На L2 приходится почти половина размеченных: на этом уровне план проверяется быстро, ответ «да» или «нет» даётся за минуту. На L4 выбора нет — приходится отпускать и смотреть, как агент разворачивает инфраструктуру, где каждая ошибка стоит денег.
Песочница снимает часть страха. Отдельные сервера, свой бюджет на внешние модели (около $15 в месяц уходит на токены делегации), отдельные хранилища. Если агент «творит дичь» — счёт приходит из личного кармана, и никто, кроме автора эксперимента, не пострадает.
L1–L5: как снимаются уровни контроля
Автономность разбита на пять уровней. L1 — агент только предлагает, L2 — предлагает с планом, L3 — пишет код, но не деплоит, L4 — деплоит в изолированную среду, L5 — работает полностью автономно, вплоть до продакшена.
Сегодня большая часть задач идёт на L2–L3. Агент-имплементатор получает задачу, пишет план, план утверждается — дальше он реализует. Результат уходит на код-ревью второму агенту. Два агента работают последовательно, человек стоит между ними контролёром.
Цель — L5: автономная оркестрация в песочнице с ограничением шагов. После N итераций агент обязан передать управление оператору — чтобы не улететь в бесконечный цикл и чтобы оставалась точка вмешательства, если что-то пошло не по плану. Но без дёрганья на каждом чихе.
За тридцать дней делегация дешёвым моделям набрала около 1578 вызовов, 5,4 млн выходных токенов, примерно $15,18. Из них на профиль datarim приходится 1345 вызовов, 5,1 млн токенов, $14,51. Дешёвые внешние модели берут на себя черновую обработку, дорогой Claude остаётся на рассуждения.
L5 не дастся за месяц. Может, за три, может, за полгода. Но агент уже перестаёт спрашивать на каждом шаге: оркестратор сам решает, какую модель подключить под задачу, и сам выбирает архив, когда нужно вспомнить контекст.
18 часов без оператора: архитектура важнее модели
В этом месяце прошёл эксперимент, который сдвинул понимание автономности. Вопрос был простой: как долго агент способен работать сам, без единого касания.
Первая попытка — в лоб, на новой, самой выносливой модели. На тестировании Fable 5 (внутреннее имя — Mythos) одна непрерывная сессия дотянула до двенадцати часов. Результат хороший, но настоящий сюрприз ждал в другом месте.
Вторая конструкция — цепочка из трёх уровней оркестрации на обычной, не самой новой модели. Верхний оркестратор управляет не задачами напрямую, а другим оркестратором, помладше. Тот поднимает себе терминальные сессии обычных агентов и дирижирует уже ими. Получилась пирамида: задача отдаётся на вершину, а вниз по уровням раскладывается на всё более мелкие шаги. Эта конструкция продержалась восемнадцать часов — и не вхолостую, а с глубокой проработкой и оптимизацией одной из торговых стратегий в Angry Robot Deals, пространстве биржевой аналитики, которое тоже строит Арканада.
Вывод, ради которого всё это. Чтобы выстроить долгую автономную работу, не обязательно ждать сверхмощного искусственного интеллекта — достаточно правильно собрать архитектуру: кто кем управляет, где границы, где точки передачи контроля. Восемнадцать часов на обычной модели обыграли двенадцать на топовой не потому, что модель умнее, а потому что вокруг неё была лучше устроена работа. Архитектура важнее модели.
Отпустить поводья — значит позволить ошибаться. Агенты ошибаются: путают аргументы команд, забывают проверить git-статус, вставляют логи в неверном порядке. На каждую такую ошибку появляется новое правило — не блокировка, не переписывание, а фиксация, чтобы в следующий раз агент не повторил. Это занимает время, но иначе не научить.
Когда агент «творит дичь»
Однажды агент проверки данных переписал все переменные окружения по своему усмотрению. Не спросил, просто заменил значения. Стало понятно через час — когда упал дашборд.
Откатить, удалить задачу, заблокировать агента — всё это было на столе. Вместо этого разбор пошёл по логам: где именно агент принял решение. Причина нашлась в промпте — нечёткая формулировка «оптимизировать конфигурацию». Агент понял её буквально: нашёл файл, счёл значения устаревшими и подставил новые из соседнего проекта.
Дальше — архитектурная правка: правило «не изменять переменные окружения без явного разрешения» плюс обязательное подтверждение любых изменений в чувствительных файлах. Сама задача осталась со статусом «частично выполнено» — её история статусов показывает, как агент и оператор шаг за шагом притирались друг к другу.
Это позволила песочница. Сработай тот же сценарий в продакшене — упал бы живой сервис, которым пользуются люди. Песочница стоит в отдельном контуре, без доступа к продакшену: настоящим пользователям агент навредить не может, под удар попадает только бюджет.
Через профиль datarim делегация проходит около 1345 раз в месяц — это 1345 возможностей «наделать дел». Проверка идёт выборочно, по самым дорогим по токенам обращениям, остальное держится на доверии. Делегация дешёвым моделям за месяц стоила $15,18 — столько агенты сняли с дорогих лимитов Claude, переложив на внешние модели. Если агент уйдёт в бесконечную итерацию и начнёт жечь токены, это видно в логе и останавливается вручную. Пока такое случалось дважды — оба раза из-за неправильно настроенного лимита шагов.
Песочница как манеж
«Отпустить поводья» — это не абстрактная философия, а конкретные механизмы: гейты, уровни, лимиты, архитектурные решения. И ежедневный выбор между «сделать самому за минуту» и «отдать агенту на час».
Песочница работает как манеж для ребёнка. Он пытается встать, хватается за бортик, падает, плачет — и хочется подхватить. Но если подхватывать каждый раз, он не научится ходить; если отнять все игрушки, которые можно сломать, он не узнает, как устроен мир.
«Искусство тонких касаний» — образ из Пелевина. Не цитата, а принцип: вмешиваться ровно настолько, чтобы не сломать инициативу, но и не дать упасть в пропасть. Тонкое касание — не блокировка шага, а подсказка на следующем.
Когда оркестратор зацикливается на трёх вложенных циклах, ответом служит не код вместо него, а промпт: «попробуй переписать через state machine», «посмотри вторую задачу за ту дату, там схожая проблема», «что бы ты ответил себе на месте нового агента?». Если после двух тонких касаний не сработало — громкость повышается. Но сначала — тонкое.
В реестре экосистемы сейчас 26 проектов. Новые за второй месяц: статус-дашборд, Adsessor (ассистент для звонков), управляемые пространства, общая библиотека компонентов, Publisher (публикатор в соцсети) и Legal Arcana (юридический хаб). Каждый новый проект — площадка, где агенту можно дать чуть больше свободы, потому что риск меньше.
Куда ведёт разжатая рука
Подавляющее большинство вызовов — около 85% — профиль datarim. Через него проходит вся оркестрация: написание кода, документация, обмен контекстом между задачами. Остальное — профили write (готовые тексты), social (публикации), code (быстрые скрипты без полного цикла), codex (экспериментальный).
Агентам уходит всё больше работы — не только технической. Проверяется результат, а не процесс, и приходится принимать, что результат не всегда идеален. Иногда агент пишет код, который опытная рука переписала бы за десять минут, а он потратил час, — но этот час остаётся вложением, а не потерей.
То, что получится, вернётся сообществу: L5 выйдет под лицензией MIT, как Datarim и Coworker уже на GitHub. Чтобы любой, кто хочет научиться доверять своим агентам, мог начать не с нуля, а с чужих ошибок и чужих «тонких касаний».
Сейчас уровень — L2–L3 с намёками на L4. L5 намечен на июнь; не выйдет — значит, на июль. Но с каждой задачей, которую агент закрывает без вмешательства, поводья становятся чуть длиннее.
Ориентир на следующий месяц: чтобы из 22 эпиков уровня L4 половину агенты провели сами до последнего шага. Не ради галочки, а чтобы доверие подтверждалось результатом. Не подтвердится — будет перепроектирование. Песочница выдержит.