Расцвет агентных циклов: новый рубеж автономности ИИ

Эволюция искусственного интеллекта стремительно переходит от статической генерации кода к динамическим, самоподдерживающимся экосистемам. По мере того как разработчики переходят от написания кода к использованию агентов, индустрия вступает в эру «циклов» (loops) — когда агенты дают задания другим агентам для выполнения непрерывной итеративной работы.

От исходного кода к агентным роям

На конференции Meta @Scale Борис Черный, создатель Claude Code, отметил глубокий сдвиг в жизненном цикле разработки ИИ. Если предыдущим важным этапом был переход от ручного написания исходного кода к коду, написанному ИИ, то Черный утверждает, что следующий скачок будет не менее значимым: переход к агентам, управляющим другими агентами.

Это не просто теория; Черный описывает рабочий процесс, в котором специализированные агенты работают в непрерывном цикле. Например, один агент может сосредоточиться исключительно на совершенствовании архитектуры кода, в то время как другой ищет дублирующиеся абстракции для их объединения. Эти агенты функционируют подобно инженерам-людям, отправляя pull requests и работая асинхронно. В отличие от традиционной автоматизации, эти циклы недетерминированы: вместо следования жестко заданному условию выхода, субагент использует рассуждения, чтобы решить, когда задача достаточно оптимизирована или завершена.

Понимание логики циклов и Test-Time Compute

Концепция «циклов» заимствована из фундаментальной информатики — в частности, из рекурсивных функций — но добавляет слой вероятностных рассуждений. Одним из заметных паттернов является «цикл Ральфа» (названный в честь персонажа Симпсонов Ральфа Виггума) — техника, используемая для предотвращения «дрейфа» моделей при выполнении длительных задач. Модель резюмирует свой собственный прогресс и оценивает, достигла ли она цели, по сути, «перебрасывая» логику туда и обратно до достижения успешного результата.

Этот тренд тесно связан с концепцией «test-time compute» (вычислений во время вывода). Как отметил исследователь OpenAI Noam Brown, современные модели могут решать все более сложные задачи, если им предоставить достаточные вычислительные ресурсы. В сценариях типа «hill-climbing» (поиск восхождения к вершине) — таких как постепенное улучшение кодовой базы — циклы позволяют ИИ непрерывно итерировать решение задачи, используя больше вычислительных мощностей для достижения более высокого уровня производительности, пока не будет достигнут определенный порог.

Экономическая реальность: потребление токенов против ценности

Хотя технический потенциал агентных циклов поражает, экономические последствия весьма значительны. В отличие от стандартного взаимодействия с чат-ботом в формате «вопрос-ответ», агентные циклы предназначены для бесконечной работы в фоновом режиме. Это создает колоссальный всплеск потребления токенов, что может привести к стремительному росту затрат для предприятий.

Для поставщиков ИИ, таких как Anthropic, это представляет собой модель дохода с высокими темпами роста. Однако для разработчиков и основателей внедрение циклов требует тонкого баланса. Успех в этом новом ландшафте будет зависеть от внедрения строгого контроля для управления «дрейфом» (когда ИИ теряет из виду первоначальную цель) и установления жестких ограничений на расходы токенов, чтобы ценность, создаваемая циклом, превышала его эксплуатационные расходы.

Основные выводы

• Сдвиг в автономности: ИИ переходит от одноразовой генерации кода к автономным агентным циклам, в которых агенты контролируют и направляют друг друга.
• Test-Time Compute: Агентные циклы используют увеличенные вычислительные мощности на этапе вывода (inference) для решения сложных итеративных задач типа «hill-climbing».
• Управление затратами имеет решающее значение: Непрерывный характер этих циклов может привести к экспоненциальному потреблению токенов, что делает надзор и бюджетные ограничения необходимыми условиями для внедрения в корпоративном секторе.