LLM умеет рассуждать и генерировать ответы, но что делать, если системе нужно самостоятельно выполнять задачи, взаимодействовать с внешними сервисами и проверять результаты своих действий? Здесь начинается территория ИИ‑агентов, где появляются новые архитектурные решения и сложности. Разбираемся, как устроены агентные системы, какие подходы к планированию и взаимодействию агентов существуют и что необходимо учитывать при их разработке.

Lumio — бесплатное приложение для чёлки MacBook. Оно показывает, что сейчас делают ваши ИИ-агенты: кто работает, кто закончил, кто ждёт разрешения на команду. Разрешить можно прямо из чёлки, не переключаясь в терминал. Ещё есть пиксельный офис, где каждая сессия — человечек за своим столом.

До сегодняшнего дня Lumio понимал Claude Code, Codex, Cursor, GitHub Copilot и Antigravity. В 1.3 добавились OpenCode, Kilo Code и Pi. Казалось бы, ещё три строки в настройках. На деле — три разных способа подключиться и одна неделя, из которой два дня ушли не на код, а на то, чтобы проверить его на настоящих агентах без платных ключей.

В новостных лентах слово «инцидент» всё чаще стоит рядом со словом «агент», но мы не собираемся никого отговаривать от внедрения агентных приложений в корпоративные процессы. Деже немножко наоборот. Эта статья про то, как не оказаться в заголовке новостей со словом «инцидент» и про десять практичных вопросов, которые стоит задать до пилота.

В этом эссе я ввожу понятие декогеренции, то есть накопления в системе моделей, которые по отдельности вполне работоспособны, но несовместимы друг с другом или дублируют друг друга. В такой системе основные затраты на изменения приходятся на согласование этих моделей и предотвращение непредвиденных побочных эффектов.

Иными словами, это то, что происходит, когда низкопробная мешанина заглушает полезный сигнал в бескрайнем море шума.

А вы тоже натыкались на публикации из разряда - "Мы все умрем, началось восстание ИИ"? Мне такие публикации стали попадаться все чаще и все чаще это притянутый за уши инфоповод, который в некоторых случаях даже с ИИ соотнести очень сложно, но "инсайдеры" продолжают кошмарить свою аудиторию. Я решил разобрать последние несколько инцидентов, которые уже даже просочились в соцсеть для фоточек и кошмарит пользователей там. Так ли все серьезно или как обычно много шума из ничего.

В геймдеве идеи стоят дешево. Дорого стоит возможность их пощупать. Классический цикл прототипирования, к которому мы привыкли, выглядит примерно так: тратишь несколько дней на монументальный диздок, расписываешь каждую кнопку, каждое нажатие и относишь это всё программистам. Они уходят кодить на неделю-две. А потом, когда возвращаются, вы запускаете черновой билд и понимаете, что играть в это вообще не прикольно: механики не затягивают, интерфейс непонятный, и вообще идея была мёртвой с самого начала. Но время и силы уже потрачены, и их не вернуть.

«Как же хорошо, что человечество уже придумало нейросети», — подумали мы в Magnus Tech и полностью отказались от ручного написания текстовых ТЗ для проверки гипотез. Потому что зачем описывать механику буквами, если ее можно быстро навайбкодить? Теперь для тестирования новых фичей мы не пишем таски на десятки страниц, мы собираем черновой прототип на примитивах за пару часов и сразу его тестируем. В результате время от задумки до первого теста сократилось с недель до нескольких часов.

Но чтобы такая схема работала, обычного чат-бота в соседней вкладке браузера недостаточно. Нейросеть должна сама шерстить папки с проектом, ковыряться в скриптах и понимать структуру движка. Чтобы показать, как это устроено на практике, мы поговорили с Иваном Дворяновым, продюсером игрового направления в Magnus Tech. В этой статье делимся его опытом и рассказываем, как мы пустили Claude напрямую в Unity через MCP, почему вайб-кодинг всё равно требует жесткого планирования и в каких задачах лучше не доверяться ИИ, а по старинке работать руками.

В обзоре угроз ИИ я собрал позиции научных сообществ, комитетов по безопасности и бизнеса. Каждая отражает взгляд своей группы и говорит на ее языке, усредненно и обезличенно. Одни дают сухие и конкретные рекомендации, другие описывают риски и выгоды. Лично мне в них не хватает мнения отдельного человека, который смотрит на вопрос с нескольких сторон и говорит от себя.

Чтобы увидеть такую позицию, я решил поговорить о вызовах и проблемах развития ИИ с профессором, доктором физико-математических наук Марком Берколайко. Он много пишет об экономике и сейчас увлечен темой масштабирования — ключевой задачей современного бизнеса. А художественные романы Марка выдают человека с большим жизненным опытом.

Как математик Марк требовал от разговора определенности. Так, чтобы все было в соответствии со школой Щедровицкого: сначала схема, где написано, кто решает и кто отвечает, а все остальное потом. Писатель в нем тем временем просил масштаба и драматизма, и в беседе хватило места и космосу, и Бунину. Возражать ему было трудно, а соглашаться сразу неловко: тема серьезная и неоднозначная, ни по одному пункту мы не сошлись с первого раза. Вышло примерно то, что в бизнесе называют вин-вин. Оба ушли с мыслями, которых до разговора не было. И я предлагаю вам тоже погрузиться в эту тему и составить свое, третье мнение на основе наших.

Перед переездом автотестов с Java на .NET мы решили разобраться, что действительно стоит переносить. Я ручной QA и для этой задачи подключил ИИ-агента: дал ему доступ к репозиториям и TestIT, задал критерии и проверял его рекомендации. За две недели мы провели аудит примерно 2600 тестов и собрали статистику по базе из 6500. Расскажу, как устроили процесс, находили дубли и выбирали приоритеты с помощью P85.

Вечером вы оставили агентам задачу, а утром перед вами готовая реализация: код, тесты, все проверки зелёные. Вы будете это релизить? Наверняка у вас сразу появилось своё «смотря что». Написание кода мы уже умеем автоматизировать, а решение о том, что считать пригодным результатом, осталось за нами.

Эта статья о предлагаемой мной новой методологии — о средовом подходе: как проектировать условия, в которых агенты создают системы, и на каком основании потом принимать их результат.

aiedit — настольный редактор кода на Python (PySide6 и PyQt6), в котором ИИ-модели работают со всем проектом, но не видят закрытые части. Закрыть можно не только файл, но и отдельные строки. Проверку делает код редактора, а не просьба в промпте: закрытое просто не попадает в запрос к модели. Код открыт под лицензией MIT. Честно сразу: по качеству кода он пока уступает Claude Code на той же модели, ниже разбираю почему.

В ~/.codex/config.toml у меня стоит model_context_window = 1000000. Codex на GPT-6.1 Sol в каждой задаче сообщает окно 828 400.

Я разобрал, откуда берётся это число, поднял его до 900 000 своим каталогом моделей и прогнал синтетический вход на 890 547 токенов с контрольными метками.

Контрольный запуск показал больше основного: тот же вход на 888 330 токенов прошёл и без моей правки, при окне 828 400.

Замеры сделаны 27.10.2026 на Codex CLI 0.163.0, вход через подписку ChatGPT. Часть данных - из сентябрьских проб на GPT-6 Astra, это помечено.

Как версионируемый QA-репозиторий помогает маршрутизировать контекст, повторно использовать процессы и сохранять обоснование выбора тестов.

Есть поездки, после которых возвращаешься просто уставшим. А есть такие, после которых возвращаешься другим человеком - с горящими глазами, ворохом идей и острым желанием немедленно делиться всем, что увидел и пережил. 

INFOSTART TECH EVENT2026 для меня оказался именно таким.

Я много лет работаю с 1С, руковожу компанией, преподаю. Казалось бы, удивить меня профессиональным мероприятием уже сложно. Но эта конференция не просто удивила – она напомнила, ради чего я вообще всем этим занимаюсь. И, что для меня особенно ценно, её отголоски очень быстро долетели до университетской аудитории в Абакане.

Об этом и хочу рассказать.