Архитектура AI-агентов: учимся у тех, кто уже поймал все проблемы

1. Если вы как и мы делаете AI-агентов - вы точно знаете что после 15-20 вызовов инструментов начинается тупняк и агент забывает свои собственные инструкции и/или съедает весь контекст и/или зацикливается на одном и том же действии.

2. Большинство эти проблемы уже решены в кодинг-агентах. Клодкод, Курсор, и т.п. — это самые плюс минус зрелые и рабочие агенты на рынке сейчас.

3. К счастью, по некоторым из них есть прям пишут научной статьи. OpenDev — это open-source кодинг-агент, документна 80 страниц):

Я конечно целиком не прочитал, но с помощью LLM прочитал.

Какие подходы описаны:

— Разные модели под разные задачи. Дешёвая для суммаризации, дорогая для логики, отдельная для рассуждений.

— Контекст — это бюджет. Вызов тулов съедают 70-80% окна. Поэтому 5-стадийное сжатие. Детали ищите в статье.

— Планировщик-агент не знает что write-инструменты существуют. Разделение ответственности.

— Точечные напоминания вместо повторения системного промта. После 15 вызовов тула модель забывает инструкции.

— Инструменты подгружаются лениво. Вместо загрузки всех MCP-схем в контекст, агент ищет нужные по ключевым словам.

— Doom-loop detection: 3 одинаковых вызова подряд - значит тормозим агента и задаем вопрос пользователю.

Всё это применимо к любым агентам, не только кодинговым. Управление контекстом, затухание инструкций, зацикливание - это универсальная боль.

Советую грузить PDF в своего любимого дружбана и там с ним изучать его.

Оригинал: https://arxiv.org/abs/2603.05344