🔥 Не могу поверить, что это существует… кто-то наконец-то написал секретный план, который каждая стартап-компания в области ИИ притворялась, что использует. Исследовательская группа только что выпустила «Практическое руководство по проектированию, разработке и развертыванию рабочих процессов агентного ИИ производственного уровня», и это, по сути, внутренний справочник, который люди *думают*, что используют OpenAI и Anthropic. Не хайп. Не схемы с милыми стрелками. Настоящий инженерный чертеж для агентов, которые не разваливаются в тот момент, когда вы покидаете демонстрационный песочницу. Вот что делает это безумным 👇 1 / Они начинают с того, что объясняют, почему большинство агентов разрушаются Это никогда не модель. Это система вокруг нее: • недетерминированная маршрутизация инструментов • молчаливые сбои MCP • агенты, импровизирующие порядок выполнения • рабочие процессы, производящие разные результаты при каждом запуске Они показывают сырые следы неудач — фактические логи агентов, которые сбиваются с пути, зацикливаются или галлюцинируют инструменты. Это читается как вскрытие каждой демонстрации «автономного ИИ-сотрудника». 2 / Они перестраивают весь стек вокруг детерминизма Каждый вызов инструмента становится типизированной функцией. Каждый путь выполнения воспроизводим. Каждый шаг детерминирован. Если система не может произвести один и тот же вывод дважды, она не является производственной. Это правило само по себе убивает половину хаоса, который люди принимают за «возникновение». 3 / Они вводят агентов с единственной ответственностью Нет мега-агента с 12 личностями. Вместо этого: • планировщик • агент рассуждений • исполнитель инструментов • валидатор • синтезатор Каждый с четкими границами. Никаких галлюцинированных инструментов. Никакого смешанного рассуждения. Никакого фриланса. Это бэкенд-инжиниринг, а не ролевые игры. 4 / Они экстернализируют каждый запрос как реальную конфигурацию Запросы больше не скрытые строки — они: • контролируемые версиями • подлежащие аудиту • сравнимые • перезагружаемые Это создает стабильное поведение и предотвращает невидимые регрессии. 5 / Они запускают консорциум моделей с арбитром GPT + Claude + Gemini не взаимозаменяемы. Они — коллеги. Каждый создает черновик. Агент рассуждений объединяет их, разрешает противоречия и выдает единый результат. Структурированные дебаты, а не рулетка моделей. 6 / Они разделяют движок рабочего процесса от слоя MCP Они разделяют: • оркестрацию • доступ к инструментам • повторные попытки • проверки состояния • масштабирование • наблюдаемость Результат: система агентов, которая ведет себя как микросервисы, а не как склеенная макросистема чата. 7 / Затем они доказывают все с помощью реального производственного конвейера Полная новость ➝ анализ ➝ сценарий ➝ рассуждение ➝ аудио ➝ видео ➝ система PR на GitHub. Полные схемы. Полные следы. Фактические неудачи. Фактические исправления. Это самое близкое, что есть у этой области к канонической архитектуре для агентов, которые выдерживают реальные нагрузки. Если ваш стек агентов не имеет: • детерминированных рабочих процессов • изолированных обязанностей • экстернализированных запросов • многомодельного арбитража • надлежащей инфраструктуры • полной наблюдаемости …вы не строите агентов. Вы строите демонстрации. Это руководство — первый настоящий чертеж для производственных ИИ-систем, и оно поднимает планку для всех.

Черт возьми… эта статья может стать самым важным изменением в том, как мы используем LLM в этом году. "Большие причинные модели из больших языковых моделей." Она показывает, что можно вырастить полные причинные модели прямо из LLM, а не приближения, не ощущения, а настоящие причинные графы, контрфакты, интервенции и структуры с проверенными ограничениями. И способ, которым они это делают, дикий: Вместо того чтобы обучать специализированную причинную модель, они допрашивают LLM как ученые: → извлекают кандидатный причинный граф из текста → просят модель проверить условные независимости → обнаруживают противоречия → пересматривают структуру → тестируют контрфакты и интервенционные предсказания → итерация до тех пор, пока причинная модель не стабилизируется Результат — это то, чего у нас никогда не было раньше: причинная система, построенная внутри LLM, используя его собственные скрытые знания о мире. На всех бенчмарках — синтетических, реальных, запутанных областях — эти LCM превосходят классические методы причинного открытия, потому что они используют обширные предварительные знания LLM, а не просто локальные корреляции. А контрфактическое рассуждение? Удивительно сильное. Модель может отвечать на вопросы "что если", на которые стандартные алгоритмы полностью не справляются, просто потому, что она уже "знает" вещи о мире, которые эти алгоритмы не могут вывести только из данных. Эта статья намекает на будущее, где LLM не просто машины для распознавания шаблонов. Они становятся причинными системами, которые формируют, тестируют и уточняют структурные объяснения реальности. Если это масштабируется, каждая область, которая полагается на причинное вывод, экономика, медицина, политика, наука, собирается переписать. LLM не просто скажут вам, что происходит. Они скажут вам, почему.

Никто не готов к тому, что раскрывает эта статья Стэнфорда о многопользовательском ИИ. "Латентное сотрудничество в многопользовательских системах" показывает, что агентам не нужны сообщения, протоколы или явные инструкции по командной работе. Они начинают координировать действия внутри своих скрытых представлений, создавая полный слой сотрудничества, который существует только в латентном пространстве. И поведение просто безумное: • Агенты молча передают задачи в зависимости от того, кто лучше • Роли появляются из ниоткуда: лидер, исполнитель, поддержка • Политики кодируют сигналы, которые никогда не проявляются в действиях • Команды адаптируются к новым условиям без повторного обучения • Сотрудничество остается стабильным, даже когда связь невозможна Самый дикий момент: Даже когда вы убираете все каналы для общения, агенты все равно сотрудничают. "Командная работа" не живет в сообщениях. Она живет в сети. Это переворачивает всю стратегию многопользовательского взаимодействия. Мы строили механизмы координации сверху… в то время как настоящая координация происходит внизу. Новая эра возникающего командного интеллекта разворачивается — и это происходит в тех местах, где мы даже не искали. Проект: github. com/Gen-Verse/LatentMAS