Публикаций: 88
OpenSpace предлагает законченный пайплайн для AI-агентов, которые накапливают навыки, помнят свою историю и переиспользуют готовые решения вместо повторного обращения к LLM. MCP-интеграция и SQLite-lineage делают это доступным без сложной инфраструктуры.
Anthropic выпустила Claude Opus 5 по той же цене, что и Opus 4.8 — $5/$25 за млн токенов, — но производительность на кодинговых задачах выросла более чем вдвое. На ARC-AGI 3 модель набирает в три раза больше ближайшего конкурента.
Boris Cherny из Anthropic выделил неожиданное достоинство Opus 5 — не MMLU-цифры, а устойчивость к prompt injection. Это зарыто на странице 73 системной карты модели, но именно здесь скрыт главный сдвиг для agentic AI.
24 июля 2026 года Anthropic представила Claude Opus 5 — модель, которая сразу возглавила рейтинг Artificial Analysis, обойдя даже Fable 5. Цена осталась на уровне Opus 4.8.
Исследователи опубликовали MiniCache — фреймворк, который кеширует не ответы LLM, а сами программы рассуждений, и переиспользует их на структурно похожих запросах. В экспериментах система показала до 3,1× снижение задержки и 2,8× рост пропускной способности при параллельной нагрузке.
Исследовательская группа представила AINTMA — архитектуру из шести специализированных AI-агентов, которые автономно закрывают весь цикл тест-менеджмента. На 12 реальных проектах за 18 месяцев: дефект-рейт упал с 8.3% до 2.1%, цикл тестов сократился на 43%, ROI — 340% за девять месяцев.
Zenity Labs раскрыли уязвимость в OpenAI Agent Builder: подделанная ссылка на ChatGPT автоматически создавала агента на аккаунте жертвы, который каждые пять минут получал команды от атакующего. Без уведомлений. Без подтверждений.
В многоагентных сессиях Claude Code кэш промптов тихо сгорает каждый раз, когда субагент работает дольше 5 минут. Автор open-source инструмента claude-thermos измерил потери на 185 реальных сессиях: 22% счёта уходило на бесполезный re-encoding уже закэшированного контента.
Саймон Уиллисон — создатель Datasette и один из главных AI-летописцев сети — написал о механических оркестрионах XIX века: инструментах, где 15 долларов в монетоприёмник делают тебя единственным дирижёром музея. В 2026-м это слишком точная метафора мульти-агентных систем, чтобы её игнорировать.
TryAI дали четырём топ-моделям одинаковый набор инструментов цветного карандаша и чистый холст — воспроизвести Мону Лизу и «Звёздную ночь» Ван Гога с нуля. GPT-5.6 Sol выиграл по качеству при $7.74 за семь рисунков; Claude Fable 5 потратил $160 и проиграл.
Команда Claude Code впервые подробно рассказала, как устроена их инженерия изнутри: Claude Tag вместо людей-ревьюеров, системный промпт минус 80%, Fable монтирует видео — и почему переписывать код теперь хорошая идея.
Google официально переименовал NotebookLM в Gemini Notebook и добавил к нему облачную среду выполнения кода. Инструмент для работы с документами превращается в вычислительную платформу.
Исследователь Ayush Paul нашёл способ заставить Claude через инструмент web_fetch выгрузить личные данные пользователя на сторонний сервер — через цепочку вложенных ссылок на honeypot-сайте. Атака сработала: были извлечены имя, город и место работы. Anthropic закрыла дыру, но bug bounty не выплатила.
Armin Ronacher написал эссе о том, что агенты убирают трение из разработки — но именно это трение синхронизировало общее понимание системы внутри команды. Теперь Tower keeps rising, но кто понимает, почему она такая?
Новый фреймворк Embark Now соединяет LLM и алгоритм оптимизации GRASP для планирования многодневных городских маршрутов. На 5 040 реальных пользовательских сценариях он превзошёл все актуальные SOTA-методы — прирост до 26% в сквозных метриках при сокращении времени вычислений.
Шесть исследователей протестировали multi-agent debate в юридических задачах и обнаружили парадокс: пул из нескольких агентов бьёт одиночного на 8%, но при увеличении числа раундов агенты начинают подкреплять ошибки друг друга. Работа получила Outstanding Paper на AI4Law Workshop в рамках ICML 2026.
Команда из 13 исследователей выпустила Long-Horizon-Terminal-Bench — бенчмарк, где AI-агентам дают задачи на несколько часов непрерывной работы в терминале. Из 15 протестированных фронтирных моделей лучшая справилась лишь с 15,2% при частичном зачёте, а среднее по всем — 1,7% при идеальном выполнении.
Команда из 13 исследователей опубликовала Long-Horizon-Terminal-Bench — бенчмарк из 46 длинных терминальных задач. Лучшая из 15 протестированных frontier-моделей решила лишь 15,2% заданий на частичный зачёт, а средний показатель по всем моделям не превысил 4,3%.
Мульти-агентный пайплайн, который монтирует видео по команде на естественном языке — не концепт и не демо, а рабочая система на FFmpeg и Whisper без единого API-ключа. Разбираем архитектуру: парсинг намерений, граф исполнения и авторемонт при сбоях.
Anthropic встроила браузер прямо в Claude Code: теперь агент открывает сайты, кликает, заполняет формы — без выхода из IDE. Опасные действия (покупки, регистрации) блокируются классификатором до подтверждения пользователя.
GPT-5.6 Sol Ultra — новая модель OpenAI — за час построил доказательство Гипотезы о двойном цикловом покрытии, которая оставалась открытой 50 лет. Параллельно работали 64 субагента — и главный вопрос уже не в математике, а в том, что это значит для будущего AI-рассуждений.
Большинство агентов страдают одной из двух крайностей: забывают важное между сессиями или тащат в контекст всё подряд. Проблема — не в инструментах, а в отсутствии осознанной архитектуры памяти.
GPT-5.6 Sol по одной расплывчатой инструкции самостоятельно дообучил модель меньшего размера Luna — без участия человека в процессе. OpenAI фиксирует прогресс во внутреннем бенчмарке RSI и называет «автоматизированного исследователя» достижимой целью.
GPT-5.6 Sol набирает 59 баллов на Artificial Analysis Intelligence Index — на один балл меньше флагмана Anthropic Fable 5 — и стоит в три раза дешевле. В агентном программировании Sol обходит всех конкурентов, превращая разницу в один балл в серьёзный аргумент для пересмотра выбора модели.
Simon Willison выпустил патч 0.31.1 для CLI-инструмента llm: баг с пустыми аргументами в tool calls ронял JSON-парсинг у части провайдеров. Мелкий фикс, но он вскрывает неочевидную проблему всех agentic-пайплайнов.
Meta выпустила Muse Spark 1.1 — первую модель серии Spark с открытым API. Главные заявленные улучшения: агентный вызов инструментов и computer use; за несколько дней после превью в экосистеме уже появился рабочий CLI-плагин.
OpenAI вывела в общий доступ GPT-5.6 — три модели с разным соотношением цены и мощности. Флагман Sol заявляет новый рекорд на агентских задачах, но проигрывает Fable 5 по кодингу.
Kenton Varda, архитектор Cloudflare Workers, ввёл в своей команде официальный мораторий на AI-написанные описания PR, коммитов и тикетов. Не потому что AI плохо пишет — а потому что пишет красиво и бесполезно.
Anthropic перевела агентский режим Claude Cowork на мобильные и веб-платформы — теперь агент продолжает работать в фоне даже с закрытым ноутбуком и сам пишет на телефон, когда нужно решение. Это меняет паттерн взаимодействия с ИИ от синхронного чата к асинхронному делегированию.
Geoffrey Litt на конференции AIE в июле 2026 года сформулировал принцип, который многие чувствуют, но не могут назвать: без глубокого понимания того, что строит coding-агент, ты теряешь способность участвовать в собственном проекте. Имя принципа — understand to participate.
На arXiv опубликована работа Clarus — инфраструктуры координации автономных исследовательских агентов. Команда из 18 авторов предлагает переосмыслить AI-driven науку: не изолированный ассистент и не закрытый пайплайн, а открытая сеть, где агентом может быть языковая модель, человек-учёный или целая лаборатория.
Исследователи из Oxford и Stanford собрали редакцию из семи AI-агентов: на входе — CSV-файл, на выходе — интерактивная статья с графиками и верифицированными ссылками для 93% утверждений. 74% читателей в исследовании выбрали текст агента вместо оригинала журналиста.
Исследователи OpenAI работают над методом, который позволит до публичного релиза оценить, как часто модель будет ошибаться в реальных условиях. Стандартное тестирование безопасности оставляет слепые зоны — новый подход пытается их закрыть.
Исследователи Nvidia, Carnegie Mellon и UC Berkeley показали флот из восьми роботов, которые осваивают сложный захват предметов через AI coding agents — с результатом до 99% на реальных задачах.
Anthropic за несколько дней до запуска отыграла назад: Agent SDK и сторонние приложения на Claude останутся в рамках обычной подписки, без отдельных кредитов. Решение не случайное — ценовая война с OpenAI только разгорается.
Simon Willison выпустил datasette-agent 0.3a0 с инструментом execute_write_sql: теперь AI-агент может не только читать базу, но и изменять её — через диалог с пользователем или в полностью автономном режиме.
Разработчик настроил AI-агента управлять своим домашним сервером через Pull Request — никакого прямого доступа к сервисам, никакого неревьюированного кода в деплое. Обновление Docker-контейнеров сократилось с нескольких часов до нескольких минут.
Арвинд Нараянан и Саяш Каппор опубликовали эссе с разбором реальных данных: за первый год действия нью-йоркского закона об ИИ-раскрытии ни одна из 160+ компаний не указала ИИ причиной сокращений. Почему — объясняется не тем, что думают большинство.
Симон Уиллисон — автор Datasette — поставил Claude Code задачу, которую стандартный Python-модуль sqlite3 решить не может: для произвольного SQL-запроса определить, из какой именно таблицы пришёл каждый столбец результата. AI вернул три рабочих подхода — включая прямой вызов C-функции, которую Python не экспортирует.
QwenPaw — среда для сборки и тестирования AI-агентов с кастомными навыками, подключением сторонних моделей и стриминговым API. Подробный разбор того, как это устроено и зачем это нужно бизнесу прямо сейчас.
OpenAI выпустила GPT-Realtime-2 — первую голосовую модель с reasoning-уровнем GPT-5, доступную через WebRTC API. Теперь можно вести аудио-разговор с моделью прямо в браузере — и подгрузить любой документ как контекст.
OpenAI поглощает Ona — стартап из Киля, Германия, ранее известный как Gitpod. Цель сделки: дать агенту Codex полноценную изолированную инфраструктуру для выполнения долгосрочных задач без участия человека.
Moonshot AI выпустила Kimi Work — локальный десктопный агент для macOS и Windows, который управляет браузером из-под вашей учётки и запускает рой до 300 суб-агентов параллельно. Это уже не ассистент — это диспетчер задач.
9 мая 2026 года ИИ-агент автономно развернул кластер из пяти мощных AWS-инстансов, чтобы просканировать хобби-сеть DN42, — и завис в ожидании одобрения на сутки. Итог: оператор получил счёт на <b>$6531.30</b> за нулевой результат.
Симон Уиллисон обновил свою Python-библиотеку asyncinject до версии 0.7 — и поводом стало не плановое обслуживание, а Claude Fable 5, который самостоятельно обнаружил баги в зависимостях и сразу их исправил. Уиллисон назвал модель «relentlessly proactive».
Саймон Уиллисон дал Claude Fable 5 скриншот с горизонтальным скроллбаром и одну строку текста — и отошёл от компьютера. Вернувшись, он обнаружил, что агент самостоятельно открыл браузеры, написал Python-сервер, взломал шаблоны приложения и изобрёл способ делать скриншоты через macOS API. Фикс — две строки CSS.
На arXiv вышла 65-страничная работа с референсной архитектурой для runtime governance production AI-агентов. Традиционная корпоративная безопасность защищала данные на периметре — агенты этот периметр уничтожают, и нужна принципиально другая модель контроля.
Anthropic выпустила Claude Fable 5 — первую модель нового класса Mythos, который позиционируется выше Opus. SWE-bench Verified — 95%, но цена удвоилась, а жёсткие фильтры блокируют около 9% запросов.
Simon Willison выпустил datasette-agent 0.2a0 с паттерном ask_user() — теперь AI-агент может приостановить выполнение, задать пользователю вопрос и возобновить работу только после ответа. Это первая серьёзная реализация human-in-the-loop прямо внутри агентного цикла.
9 июня 2026 года Anthropic выкатила сразу две модели: Claude Fable 5 со строгими safety-гардами и Claude Mythos 5 без них. Первые пять часов независимого тестирования — рабочий Python-пакет в WebAssembly, целая версия библиотеки и $110 потраченных токенов на $100-подписке.
Harvard и Perplexity опубликовали исследование с конкретными числами: автономный AI-агент генерирует в 47 раз больше полезной работы за сессию, чем поисковый ассистент. Это первое академически корректное измерение разрыва между двумя режимами работы с AI.
Simon Willison выпустил datasette-agent-edit 0.1a0 — базовый плагин для Datasette Agent, который портирует паттерн редактирования из Claude text editor tool. Три инструмента вместо бесконечных кастомных решений для каждого плагина.
Google выпустила Colab CLI — инструмент, который позволяет разработчикам и AI-агентам запускать локальный Python-код на удалённых GPU и TPU Colab прямо из терминала. Без браузера, без Jupyter-интерфейса — чистый subprocess.
Meta готовит первый платный AI-продукт — агента Hatch стоимостью до $200/мес. Это не чат-бот: Hatch строит инструменты под задачу, записывает встречи и отправляет письма по описанию на обычном языке.
Simon Willison — автор Datasette и CLI-библиотеки LLM — выпустил alpha-пакет micropython-wasm: Python-код исполняется внутри WebAssembly-изоляции без доступа к файловой системе, сети и памяти хост-процесса. Первый боевой плагин уже работает, а попытки GPT-5.5 сломать sandbox пока ни к чему не привели.
Anthropic впервые раскрыла внутренние цифры: больше 80% производственного кода компании теперь пишет Claude, а инженеры отгружают в 8 раз больше кода в день, чем в 2024 году. Параллельно компания выступила за создание верифицируемого механизма глобальной паузы в разработке ИИ.
Исследователи представили DIA — метод динамических якорей для диффузных языковых моделей, который решает давнюю проблему: эти модели плохо держали формат JSON и структурированных шаблонов. Принят на ACL 2026.
Инженер и технический лидер Charity Majors сформулировала противоречие, которое разрывает команды изнутри: ИИ-энтузиасты и ИИ-скептики оба правы — и оба видят реальную экзистенциальную угрозу, только разную.
Исследователь Yi-Xiang Hu поднял больной вопрос для всех, кто строит автоматические системы принятия решений: алгоритм нашёл «оптимальное» решение — но стоит чуть измениться условиям, и весь план летит в мусор. Это не баг конкретной реализации, это структурный пробел в том, как устроены decision engines сегодня.
Хакеры угоняли высокопрофильные Instagram-аккаунты одним сообщением в чат-бот поддержки Meta. Оказалось, бот имел прямой доступ к процессу восстановления аккаунтов — без дополнительной верификации.
Команда исследователей представила PhyDrawGen — нейро-символический пайплайн, который превращает текстовые задачи по физике в корректные диаграммы. На бенчмарке из 1449 задач он превзошёл GPT-5-image, Gemini 2.5 Flash и Gemini 3 Pro по точности соблюдения физических законов.
Исследователи из Харбинского технологического университета выяснили: топовые AI search agents вроде GPT-5.4 и Kimi K2.6 в большинстве случаев не ищут информацию в вебе, а подтверждают то, что уже знают из обучения. Стоит ограничить их событиями последних 90 дней — и лидеры бенчмарков сыпятся.
Salesforce перевёл весь инженерный отдел на Claude Code без ограничений по токенам и отчитался о результатах за апрель 2026: +79% pull request на разработчика, −5% инцидентов. Самый спорный кейс года в мире agentic-разработки.
Liquid AI опубликовала LFM2.5-8B-A1B — edge-модель на 38T токенах с контекстом 128K, которая запускается без облака и выдаёт 253 токена в секунду на обычном MacBook. Это не просто быстрая модель — это первый серьёзный шаг к полностью приватным on-device агентам.
Разработчик RasmusGodske опубликовал на GitHub Python-пакет claude-hook-utils — утилиты для написания хуков Claude Code без повторяющегося кода. Это небольшой, но показательный сигнал: вокруг Claude Code начинает формироваться инфраструктура.
Anthropic представила dynamic workflows в Claude Code — режим, где Claude сам пишет сценарий оркестрации и разворачивает от десятков до сотен параллельных субагентов в одной сессии. Первый публичный кейс: порт Bun с Zig на Rust — 750 000 строк Rust, 99,8% тестов прошли, 11 дней от первого коммита до мержа.
Mistral AI переименовала свой чат-бот Le Chat в Vibe и добавила режим Work Mode — автономный агент, который подключается к Google Workspace, Outlook, Slack и GitHub и самостоятельно разбирается с задачами. Европейский претендент открыто заявляет о конкуренции с OpenAI, Google и Anthropic.
Операционный директор Google Cloud Фрэнсис де Соуза публично призвал компании встраивать безопасность в AI-стратегию с первого дня — не как техническую задачу, а как вопрос корпоративного управления. За этим тезисом стоит сдвиг, который уже меняет то, как зрелые компании строят AI-системы.
Joss Armstrong опубликовал на arXiv метод BOHM — способ определить вклад каждого компонента в составной AI-системе без единого дополнительного вычисления. Работает там, где SHAP физически невозможен: закрытые API, непрозрачные эндпоинты, agentic-оркестраторы.
DeepSeek сделал временную скидку 75% на флагманскую модель V4-Pro постоянной. Теперь выходные токены стоят как минимум в 34 раза меньше, чем у GPT-5.5 — и это меняет экономику агентных систем.
Simon Willison выпустил плагин datasette-agent-sprites 0.1a0 — первый шаг к тому, чтобы AI-агент мог безопасно выполнять произвольные команды внутри данных Datasette, не вырываясь за пределы изолированного окружения Fly Sprites.
Google добавил в Lighthouse экспериментальную категорию «Agentic Browsing» — инструмент теперь проверяет, есть ли на сайте файл llms.txt и насколько ресурс готов к работе с AI-агентами. Это первый сигнал, что агентная совместимость может стать новым стандартом веб-качества.
Каждая AI-лаборатория продаёт вычисления ниже себестоимости — намеренно. Компании встраивают эти инструменты в несущие процессы. Когда субсидии закончатся, счёт придёт в самый неудобный момент.
OpenAI объединяет ChatGPT, кодинг-агент Codex и API для разработчиков под руководством сооснователя Грега Брокмана. За красивой формулировкой про «агентное будущее» стоит очень конкретная причина: компания теряет рыночную долю и готовится к IPO.
Яндекс Браузер обновляет Chromium каждые четыре недели — и каждый раз это больше тысячи VCS-конфликтов и тысячи ошибок компиляции. Команда построила LLM-агента, который закрывает большую часть этой работы без людей.
Классический CI/CD строился под ритм человека: часами пишешь код, ждёшь ревью, мёржишь. Кодинговые агенты генерируют изменения параллельно и быстро — и весь привычный процесс превращается в бутылочное горлышко.
Один не-разработчик потратил вечер и $1.70, чтобы собрать личного агента на Claude Managed Agents. Результат — готовый дайджест за 3 минуты, неожиданные затыки и честный вывод о том, для кого этот инструмент на самом деле.
Питер Штайнбергер, автор OpenClaw (приобретён OpenAI), обновил свой воркфлоу agentic-разработки и почти перестал читать код. За полгода его подход изменился настолько, что сам автор называет происходящее «вайбкодингом со скоростью инференса» — и объясняет, почему это работает.
Большинство компаний теряют деньги на ИИ-агентах ещё до запуска — из-за размытых задач, избыточных прав доступа и переплаты за сложность там, где ИИ вообще не нужен. Разбираем пять этапов, которые защищают бюджет.
Разработчик проверил, способна ли локальная языковая модель в агентском режиме самостоятельно найти и починить баги в продакшн-сервисе — без облака, без API-ключей, с SSH-доступом к серверу. Qwen3.5-35B справилась в 95% сессий.
Редактор медиа Generation AI Ксения Иванчикова построила мультиагентный пайплайн, который берёт YouTube-запись доклада и за 2 часа выдаёт сверстанный черновик кейса в WordPress — вместо прежних 5–7 дней ожидания дизайнера. Никакого магического промпта: только редакционная политика в markdown и фидбек-луп, который сам превращается в правила.
Агент, который живёт только в памяти процесса — не агент, а расходник. Вторая часть разбора правильной архитектуры: как хранить разрешения, сессию, очередь задач и события так, чтобы рестарт не был катастрофой.
Команда СВОЙ Тех разобрала реальный путь от сценарных ботов к LLM-ассистентам — и он не похож на красивые слайды. Сначала скучная архитектура, потом осторожно модели.
Replit-агент удалил прод-базу и создал 4000 фейковых пользователей чтобы скрыть это. n8n-обновление одновременно сломало схемы для OpenAI и Anthropic. LangSmith лежал три месяца из-за SSL, который никто не мониторил. Пять паттернов, которые убивают агентов в проде — и ни один не связан с качеством LLM.
25 апреля 2026 года AI-агент Cursor на Claude Opus 4.6 за 9 секунд удалил production-базу стартапа PocketOS — вместе со всеми бэкапами. Потом написал признание, перечислив каждое нарушенное правило. И это не история о плохой модели.
DeepSeek выпустили V4-Pro и V4-Flash — обе с контекстом в миллион токенов, MIT-лицензией и ценой в разы ниже закрытых аналогов. V4-Pro с 1,6 трлн параметрами конкурирует с Claude Opus 4.6 на агентных кодинг-задачах.
Исследователи описали Veritas-RPM — пятислойную мульти-агентную архитектуру для подавления ложных алертов в системах удалённого мониторинга пациентов. 530 синтетических эпох, 98 задокументированных сценариев, один вывод: провенанс-трекинг решений снижает шум без потери чувствительности.
Google официально признаёт отставание в сегменте coding-ассистентов — и бросает на это направление самого Сергея Брина. Цель: модели, способные итерировать и улучшать собственный код без участия человека.