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