Зачем ИИ понадобились «петли»

На конференции Meta @Scale создатель Claude Code Борис Черни ответил на первый же вопрос аудитории — и он оказался неожиданным: «Петли — это следующий хайп или они действительно работают?» Черни не колебался: «Безусловно, они работают». Он объяснил эволюцию: два года назад мы писали код вручную, затем агенты начали писать код за нас, а теперь агенты начинают ставить задачи другим агентам, которые уже пишут код. По словам Черни, этот переход к петлям по значимости сопоставим с прыжком от ручного программирования к агентному ИИ.

Идея проста, но мощна: вместо того чтобы контролировать каждый шаг агента, мы даём целому рою агентов возможность работать непрерывно в фоновом режиме. Это требует огромного доверия к технологиям, но поскольку модели улучшаются стремительно, такой подход может стать следующим этапом в автоматизации реальной работы.

Как агентные петли работают на практике

Черни продемонстрировал конкретный пример собственного рабочего процесса. Один агент постоянно ищет способы улучшить архитектуру кода, а другой выявляет дублирующие абстракции, которые можно объединить. Они отправляют pull-запросы как обычные разработчики, а поскольку код непрерывно меняется, агенты никогда не прекращают работу.

Петли в ИИ — это не совсем новое изобретение. Рекурсивные функции, вызывающие самих себя до выполнения условия, — классический элемент курсов по компьютерным наукам. Разница в том, что агентные петли работают на недетерминированной логике: субагент сам решает, когда остановить цикл, а не ждёт чёткого условия. Самый популярный приём — так называемый Ralph Loop (по имени персонажа Ральфа Виггама): он суммирует всю проделанную работу модели и спрашивает, достигнута ли цель. Это способ вернуть «заблудившийся» ИИ на нужный путь, подбрасывая его туда-сюда до завершения задачи.

Петли как способ тратить больше вычислений

Петли тесно связаны с общим трендом на увеличение вычислений в момент выполнения (test-time compute). Как отметил исследователь OpenAI Ноам Браун, современные модели способны решать почти любую задачу, если бросить на неё достаточно вычислительных ресурсов. А значит, один из способов гарантировать решение — продолжать бросать ресурсы, пока задача не будет завершена.

Это особенно актуально для задач типа «хилл-климбинга», таких как улучшение кодовой базы: модель может бесконечно вносить инкрементальные улучшения, пока не достигнет заданного порога. Или, как в случае Черни, продолжать улучшать код, пока есть вычислительные ресурсы для трат. И если это звучит дорого — так оно и есть. Как и агентный ИИ раньше, петли сжигают токены намного быстрее, чем простые чат-боты в режиме Q&A, а поскольку цель — держать цикл запущенным постоянно, потолка расходам нет.

Куда движется индустрия

Для Anthropic, которая в конечном счёте продаёт токены, такая модель работает на пользу. Для остальных участников рынка это может оказаться дорогим способом работы. Тем не менее, в зависимости от задачи, которую решает агентная петля, и при правильной настройке контроля расхода токенов, дрейфа и других классических проблем ИИ, выгоды могут перевесить затраты.

Переход к петлям знаменует собой качественный скачок в отношениях человека и ИИ: от управления отдельными агентами к делегированию непрерывных автономных процессов. По мере того как модели становятся всё способнее, доверие к таким системам будет расти — и вместе с ним будет меняться сам подход к разработке программного обеспечения.