Для тех, кто близок к RAG.
Представьте, что архитектура RAG Flow (не конкретного продукта, а буквально самого рабочего потока), выраженная в конфигурации, может обучаться через эксперименты — автоматически (или почти).
И в первую очередь для AutoRag нужно на архитектурном уровне явно разделить RAG Flow и Experiment Flow (который обычно называют Harness).
Уважаемые подписчики, готов мой новый лонгрид, открывающий трилогию.
Делюсь ссылкой здесь, вы увидите этот текст первыми:
https://kruglov.ai/the-cognitive-foundation-of-strategic-thinking
Предвосхищаю вопрос: при чём здесь стратегический менеджмент и почему я об этом пишу?
Так сложилось, что у меня есть вполне практический предпринимательский опыт — 4 стартапа и 2 компании (все в партнёрстве). Готовясь к управлению стартапами и компаниями (как фаундер), я глубоко погружался в соответствующий контекст: от стратегического менеджмента и бизнес-моделирования до Lean-практик.
В этой серии эссе я свёл накопленный базис в систему, чтобы ответить на новый вопрос: какое место AI-агенты могут занять в стратегической работе как участники гибридных команд и что для этого необходимо.
Для тех, кто предпочитает короткие форматы: позже я выложу ключевые тезисы материала на русском в формате X-треда.
Это всё к корням "внедрений".
Есть что почитать про корни такого инженерного мышления? (не INCOSE :)
Гуманитарий знает, что мысль верна, когда она согласована - с другими текстами, с контекстом, с собственной биографией = плотность связей.
Инженер знает, что мысль верна, когда она снижает энтропию в конкретной системе.
Истина не в том, чтобы «понять», а в том, чтобы заставить работать.
если работает - правильно.
Если инженер познаёт через артефакт, то культура меняется не через лекции, а через новые артефакты, которые дают лучшую обратную связь, чем старые.
«Привет, а какую бы ты модель использовал для локального развёртывания, которая тулзы вызывает и хорошо понимает, что вызывать?»
Короткий ответ: никакую. И вряд ли такие появятся.
Обычно спрашивают про потолок локального железа — самое мощное, что можно развернуть на топовом десктопе: модели на 70–120B в квантовании. С инструментами они справляются нормально. Но вызывать инструменты и определять порядок их вызова, то есть работать автономно, — это разные вещи. Автономия начинается там, где надо удержать длинную цепочку рассуждений: разбить задачу, вести план на десятки шагов вперёд и переигрывать его, когда сам же ошибся несколько шагов назад.
А упирается всё в генеративную гибкость — умение собрать план под задачу, которой не было в обучении, и нащупать обходной путь, когда инструмент вернул не то. Это та сторона моделей, которую принято называть эмерджентностью — ближайший родственник креативности. И растёт она вместе с масштабом обучения — плавно, но связь прямая.
Вот здесь локальный потолок и уступает фронтиру (GPT, Claude, Gemini — сотни миллиардов, а то и триллионы параметров). Дело в том, что нужный масштаб в десктоп пока не уложить. На длинной дистанции это неизбежно проявляется как симптомы: контекст плывёт, ошибки наслаиваются одна на другую, и модель всё больше галлюцинирует.
Поэтому мой подход к таким системам — гибридные архитектуры с контролем переходов состояний, о которых писал выше.
Для всех, кто интересуется распределёнными решениями, в особенности «потрохами» брокеров сообщений: хочу сказать, что в этой работе мы сделали HAZOP для брокера сообщений — не игрушечный. Насколько я знаю, до нас этого никто не делал.
Представляете, в современных автомобилях есть брокеры сообщений.
Простыми словами.
Судя по всему, сейчас наблюдается тренд на повышение доверия к агентным системам. Агентов без доверия просто нельзя использовать в решениях, несущих хоть сколько-нибудь значимые риски.
Чтобы доверять агентам, нужны как минимум две вещи:
- Прослеживаемость (понимание, на какие в точности данные опирается агент).
- Верифицируемость (возможность формальных проверок вывода).
Если обратиться к нашей работе по мультиагентному нейросимволическому синтезу, то там агенты имеют общую графовую, даже онтологическую память.
И здесь хочу отметить важный момент. На сегодня большая часть существующих практических реализаций памяти агентов использует Markdown. Да, это может дать прослеживаемость, но это принципиально не даст верифицируемость.
В довершение серии постов.
Графовая память (особенно если она построена поверх онтологии) является ключевым элементом архитектур с замкнутыми нейросимволическими контурами. Такие архитектуры позволяют автоматически отбраковывать результаты генерации, оставляя только формально корректные.
Простыми словами: агенты с такой архитектурой никогда не предложат клиентам услуги, которых у вас нет, или параметры, которые не соответствуют услугам.
Но сразу оговорюсь, у таких решений есть минус, из-за которого их пока "не покупают". Это та самая инженерия, которую нужно делать. А сейчас перекуплен «мэджик».
При этом важно понимать, что графы — это лишь один из элементов памяти агентов. Они также должны иметь как минимум рабочую и эпизодическую память, потому что им нужно дискутировать и рефлексировать. Но это уже другой вопрос.
Я редко говорю, что являюсь председателем государственной экзаменационной комиссии в Ярославском государственном техническом университете (ЯГТУ). Уже много лет я стараюсь принимать защиты дипломов и давать обратную связь коллегам из дружественного мне вуза.
Поделюсь своими выводами по защитам:
Сильные защиты становятся сильнее. Мой любимый формат защиты — проект как стартап. Уже не первый год вижу защиты в таком формате, но если раньше команды были кросс-функциональными исключительно «по-айтишному» (то есть состояли, например, из фронтендеров, бэкендеров, ML-инженеров, менеджеров и тестировщиков), то в этом году произошёл качественный сдвиг. Наконец-то в команде появился экономист, и, соответственно, честно разработанные бизнес- и финмодель. Кроме того, впервые увидел у ребят впечатляющий набор научных публикаций, включая К1. В следующем году надеюсь увидеть и SME (предметных экспертов) в составе команд. Пока они привлекаются только как консультанты.
Порог входа в профессию кардинально вырос. Ребятам из «троечного» сегмента раньше можно было с чистой совестью ставить тройку, зная, что они тут же найдут работу (рынок разбирал всех). Сейчас так не работает. За год ситуация изменилась радикально, и откровенно слабые выпускники работу в ИТ больше не найдут.
Высшее образование нужно срочно перестраивать. С нынешним темпом развития технологий и оснащения классические лекции «мелом на доске» выглядят безнадежно устаревшими. Больше того, персональные треки обучения нужно учиться собирать на ходу.
Про повышение зарплат преподавателям и учёным я не говорю. Это проклятая тема. Я уже не верю, что уровень курьеров или грузчиков они когда-нибудь преодолеют. Это какой-то психологический барьер, что ли, для нашей системы.
Handoff вреден.
Текстовая сводка между сессиями — сжатие с потерями, которое выполняется в худший момент: контекст зашумлён, многие гипотезы и инсайты забыты или замылились.
Хуже того, handoff часто уводит в сторону: новая сессия стартует со случайного промпта. Прогрев контекста съедает время и нервы.
Вместо этого состояние нужно фиксировать непрерывными отсечками в Git: рабочий журнал, реестр извлечённых уроков, ADR (если сессия архитектурная), открытые вопросы, бэклог. И это почти бесплатно.
Вход в новую сессию — короткий промпт, содержащий точку входа (какие артефакты исследовать при старте) и инструкцию описать понимание следующих задач. Всё остальное вычитывается напрямую из репозитория.
Такой подход позволяет стартовать сессию в произвольной точке без потери информации.
18 июля Питер Штайнбергер (известен по OpenClaw) спросил в X: «Are we still talking loops or did we shift to graphs yet?». Через пару часов Хамель Хусейн (известен курсами по ML) родил пост «Loop Engineering Is Dead. Enter Graph Engineering», и к воскресенью лента запестрела тредами о том, что Microsoft, Stanford и Anthropic одновременно открыли graph engineering.
Забавно, что мой пост про графовую память агентов вышел здесь 18 июня — на месяц раньше.
Вдогонку: контекстный антиинжиниринг на маркдаунах уходит в прошлое. Магия упёрлась в потолок. И дальше, тут разочарую, будет сложнее. И, о нет, для результата придётся нанимать инженеров. Кто их успел сократить — с двойной премией к рынку.
Вчера слушал на Business FM (на безрыбье и рак — рыба) высказывания руководителя одной уважаемой компании и другой, которая делает «Мегаплан», на тему ненужности ИТ-специалистов.
Исполнители, когда готовили спикерам доклады, не указали следующие вещи:
Операторы мультиагентных систем, те самые T-shape специалисты, которых так все хотят, — это опытные инженеры, часто архитекторы, с навыками бизнес- и системного анализа. Именно инженеры. Иначе дальше прототипов, которые завтра развалятся, эти системы ничего нового не произведут. И вот каждый такой T-shape будет стоить как целая команда. В найме ведь нужно как-то удерживать людей, которые могут всё сами. Не так ли?
Если у кого-то не растёт бизнес, потому что экономика скукоживается (не в телевизоре, натурально), то, может быть, поэтому ИТ-специалисты не нужны? В моей логике, чтобы обогнать конкурентов, нужно делать больше и быстрее теми же ресурсами и даже нанимать. Больше и быстрее, потому что лидеры именно так и делают. И да, по ходу переучивать людей — тех, кто уже понял, что происходит.
Пользовательский опыт радикально изменится. Нужно будет переписывать почти всё. И главное — наводить порядок в данных и в процессах. Без этого агенты не работают. Агенты плодят энтропию быстрее людей. Дисциплины нужно будет много больше. Кто это будет делать?
Не нужны будут не ИТ-специалисты, а ИТ-неспециалисты, которых примерно 80% сейчас. Это согнутые под гнётом короны разработчики, которые не хотят вникать в бизнес. Это аналитики, которые не хотят вникать ни в бизнес, ни в разработку. Это менеджеры, которые не хотят вникать ни во что вообще. Это ручные тестировщики, которые хотят и дальше ехать на ручнике.
Те, кто хочет или захочет вникать во всё, нужны будут очень. И сложность будет только расти.
Вдогонку. От ИТ-специалистов потребуется более высокая квалификация и вовлечённость. И тут всё упрётся в образование и в HR, которым тоже придётся начинать как-то потихоньку во всё вникать. И вот тут настоящая драма. Лично я не верю, что в образовании начнут платить, а платить будет нужно, потому что квалифицированных людей должны учить не менее квалифицированные люди. Квалифицированные люди при капитализме требуют денег. А у нас в образовании и в социальной сфере (вообще) до сих пор почему-то социализм. Это, безусловно, прекрасно, но в таком виде, как легко можно заменить, не едет.
Почему падение генеративного ИИ во «впадину разочарования» переживается так тревожно?
Ключевая ошибка экзальтированных инфлюенсеров: вместо эффективного сотрудника они продавали автономную организацию — утопию организации без людей.
Отдельно — другая, более глубокая проблема. IT-рынок, залитый дешёвыми деньгами, вместо эффективности (это сложно) масштабировал некомпетентность (это не сложно). Для масштабирования некомпетентности ничего делать не нужно — она прекрасно масштабируется сама.
Как следствие, сейчас вроде бы можно дать людям мощнейшие инструменты для повышения их эффективности, а почти некому.
В итоге же выиграют те, кто научится строить эффективные коллективы из людей и агентов — в первую очередь диптехи, а также очень богатые организации, которые успеют залить проблемы деньгами.
То есть на самом деле ничего не изменится, тревожность со временем пройдёт.
Наш доклад принят на MLSD 2026!
https://mlsd2026.ipu.ru/ru
Делюсь тезисами к докладу «Онтологически управляемое реконфигурируемое производство». Уверен: всё изложенное реализуемо уже сегодня, и в деталях понятно как. Вопрос лишь — где и кем.
Фундаментальная проблема: переналадка крупномасштабного производства занимает месяцы из-за структурного разрыва между моделями различных доменов и уровней.
Наше решение — нейросимволическая мультиагентная система с управлением по состоянию (НМСУС), работающая поверх интегрированной онтологической модели предприятия.
Основные положения:
- Замкнутые нейросимволические контуры (https://t.me/IntelligentSystemsArchitecture/397): генерация больших языковых моделей на каждом уровне «заземляется» через проекцию онтологии, а результаты проходят формальную валидацию.
- Два класса агентов: преобразующие агенты работают в детерминированных границах (например, синтезируют параметры CAD-моделей), а креативно-аналитические используются для аналитики, творческого поиска и интерпретации неформализованных требований в контексте бизнес-моделей предприятия (https://kruglov.ai/the-cognitive-foundation-of-strategic-thinking).
- Инкрементная реконфигурация: при изменении параметров заказа пересматриваются только лишь затронутые артефакты. Ручное "проталкивание" изменений через V-модель не требуется.
Подход проиллюстрирован на сценарии контрактного производства мобильных платформ. Физический демонстратор (с FDM-принтерами, коллаборативным манипулятором и испытательными стендами) планируем развернуть в 2027 году в лаборатории МИРЭА на кафедре системной инженерии.