Azamat Raimbekov

Агент — это LLM плюс инструменты. Проще говоря, модель, у которой есть руки.

От контекстного окна в 4000 токенов в 2022-м через промпты, инструменты, RAG и контекст-инженерию — к harness в 2026-м.

После 12 часов работы агент получает пересказ пересказа и начинает галлюцинировать. Проблему нужно решать не внутри контекста, а снаружи агента.

Забывает вчерашние правила, чинит одно и ломает соседнее, а главное — говорит «готово» без всякой проверки.

Это система вокруг LLM: выбирает задачи, хранит память, проверяет результат и перезапускает запросы. Чем лучше кухня, тем лучше работает повар.

В простом эксперименте с GPT-5 самый базовый harness улучшил результат модели на 14%.

Чтение проекта, отдельная задача, работа, проверка и сохранение результата. Одна сессия, свой контекст и короткие циклы — так агент меньше галлюцинирует.

Промпт задаёт поведение, контекст даёт информацию, а harness — процесс: по какому пути агент развивает продукт.

Сбор требований, декомпозиция на мелкие задачи, разработка, тестирование, коммит и проверка статуса. Если неуспешно — всё по кругу.

Каждую задачу берёт новый агент со свежим контекстом: прогресс виден снаружи, а каждый шаг проверяется.

Со скиллом brainstorming пишется спецификация продукта: цель, пользователи, сценарии, ограничения, архитектура и условия готовности.

Главное, что внедрили в компании, — тестирование. Через Playwright и E2E агент сам запускает код в браузере и проверяет результат.

Ralph — базовая настройка harness, Ruflo, а за агентами удобно следить в Octoagent. Но для своей компании процессы лучше настраивать самим.

Даже если окно вмещает миллион токенов, команда держит контекст до 200 тысяч и первым делом убирает мусор и лишние файлы.

Творчество не вымрет: ИИ — лишь инструмент, а ответственность за результат всегда несёт человек.

Команда ставит точный результат выше экономии. А правильно построенная система может даже сэкономить токены по сравнению с работой в одном окне.