Llm

Каждая сессия агента для программирования начинается с чистого листа. Правило о именовании, которое обсуждали в прошлый вторник, и разбор бага остались в чате, а чат уже исчез. Следующая сессия начинается пуста, и вам приходится объяснять это снова.

Спросите у практиков, что ломается в агентных системах, и ответ редко будет касаться возможностей. Отказ происходит незаметнее: модель принимает решение, и никто не способен отличить грамотное рассуждение от плавной речи.

Alibaba подтвердила на конференции Apsara, что Qwen 4 находится в процессе обучения, без указания конкретных дат, хотя сигналы от сообщества указывают на запуск в течение нескольких недель, а не месяцев.

Model-side analysis for people choosing what to run: architecture surveys, family reference pages with benchmark ladders, and quantization tradeoffs.

Агент с одним плоским файлом памяти не забывает вещи; он не может перестать помнить то, о чём его не просили. Решение — это иерархический контекст, где каждый слой знаний входит через собственный триггер.

Ежемесячная страница трендов GitHub работает в отношении языка, потому что фильтр по языку уже определяет набор проектов. Открытый исходный ИИ задает другой вопрос: работа охватывает пять языков, и полезный срез — это та задача, которую выполняет репозиторий.

Самохостинговому ИИ-агенту требуется нечто большее, чем длинное контекстное окно. Ему нужен способ сохранять полезные факты, извлекать прежние решения и пересматривать свои знания по мере эволюции проектов.

ИИ-агенты для программирования уже способны писать функции, модифицировать репозитории, запускать тесты и создавать pull request’ы. Более сложная задача — заставить агента следовать повторяемому инженерному процессу до, во время и после написания кода.

Deep Research стал самостоятельной категорией программного обеспечения, а не просто моделью, связанной с поисковой строкой. Эта статья сравнивает двенадцать систем для самостоятельного развёртывания (self-hosted) и архитектуры исследований, лежащих в их основе.

В сентябре 2026 года эффективная граница открытых моделей находится в диапазоне от 25 до 34 миллиардов параметров: агентская работа уровня, близкого к передовому, на одном GPU с 24 ГБ памяти, за малую долю стоимости оборудования класса 70B.

Mnemosyne — это локальный провайдер памяти для Hermes Agent, хранящий рабочую память, структурированные факты, временные данные и эпизодическую историю в локальной базе SQLite — без хостинг-сервисов, без обязательных сетевых вызовов и с необычно гранулярным контролем над записью.

Персистентная память превращает агента из инструмента, которому каждый раз приходится объяснять контекст, в систему, способную нести этот контекст вперёд. Однако она открывает режим отказа, которого избегают безсостояние чаты: интерпретация может стать памятью, извлекаться как факт и обосновывать более сильную версию самой себя.

Агент, который полгода назад предложил и внедрил «перенос персистентности в общую библиотеку», с удовольствием предложит то же самое в следующем квартале, если только что-то долговечное не сообщит ему, что эта идея уже была исследована и отклонена — а в OpenSpec сегодня нет встроенного состояния для этого.

OpenSpec — это бесплатный инструмент командной строки с открытым исходным кодом от Fission AI, который позволяет вам и вашему ИИ-агенту по разработке кода согласовать изменения в формате простого Markdown до начала написания кода, без жесткой фазовой структуры, характерной для более тяжелых спецификационных фреймворков.

Миграция ИИ-ассистента — это не то же самое, что копирование конфигурации приложения. Сложная часть заключается в сохранении идентичности, памяти, поведения инструментов, запланированных задач и доступа к сообщениям без возникновения ситуации, когда два шлюза (gateway) работают как один и тот же бот.

Ollama и llama.cpp часто сравнивают, будто бы это конкурирующие движки вывода. Настоящий выбор — между управляемым сервисом моделей и набором инструментов, которым вы управляете напрямую.