Transcription
Хорошо, я собираюсь поговорить о предметно-ориентированных агентах и о том, почему я действительно считаю, что они будут играть невероятно важную роль в будущем ИИ и в будущем того, как мы создаем агентов. Чтобы быстро начать, меня зовут Джастин Шрейдер. Вы можете найти меня в X по адресу JP Schrader. И, эм, я работаю в небольшой компании под названием Standard Agents, о которой никто пока не слышал, потому что мы все еще находимся в режиме скрытности. Эм, после этого выступления, если вам интересно, не стесняйтесь связаться со мной, и я смогу рассказать вам немного больше. В основном, я известен тем, что занимаюсь множеством различных проектов с открытым исходным кодом. Эм, Dmux, который является отличным мультиплексором для всех ваших кодирующих агентов. Эм, ArrowJS, который является своего рода фреймворком для пользовательского интерфейса, вроде React для, эм, эры агентов. Еще много чего, о чем я не буду рассказывать, но, знаете, возможно, посмотрите их, если вам интересно. Хорошо. Я думаю, мы все можем согласиться, что момент, в котором мы находимся, очень похож на Промышленную революцию. Эм, на самом деле, это может быть ускоренная Промышленная революция. Возможно, это более важное событие, но оно определенно не менее важное. Вероятно, мне не нужно вас в этом убеждать, если вы слушаете одно из этих выступлений. Эм, но именно в такой момент мы оказались. Итак, я думаю, полезно вернуться и посмотреть, что было ключевым катализатором Промышленной революции. И в конечном итоге, мы научились использовать энергию с помощью машин. Мы научились использовать энергию с помощью машин. И интересно то, что в эту следующую эру мы, по сути, учимся использовать интеллект с помощью агентов. И агентов, я думаю, можно рассматривать немного как машины прошлых лет. Это то, что будет использовать интеллект. Не столько мы, сколько агенты. Что интересно в этом, так это то, что я уверен, если бы я был в реальной комнате с вами, и мы все подняли бы руки, я уверен, что у многих из вас, когда я скажу, что такое агент, мгновенно появятся примеры, но, вероятно, вы не сможете сразу же дать определение. Некоторые из вас, возможно, смогут, эм, но реальность такова, что мы даже не пришли к единому определению того, что такое агент, хотя мы уже далеко зашли в эру агентов. И я думаю, это несколько интересно. Эм, вот мое определение. Вы можете согласиться с ним или нет, но агенты — это детерминированное программное обеспечение, которое использует недетерминированные результаты, производимые моделями, для достижения некоторой желаемой цели. Теперь, детерминированное программное обеспечение может напомнить вам о своего рода механизме, и я на самом деле думаю, что различие между агентом и механизмом действительно педантично, не очень полезно, эм, и по большей части, в большинстве случаев, вы можете просто объединить их. Механизм — это агент, а агент — это механизм, хорошо? И для целей этого выступления мы пойдем вперед и просто продолжим с этим. Я думаю, вы могли бы привести веские аргументы, почему одно является другим и наоборот, но на самом деле это неважно сейчас. Теперь, если у вас появились какие-то примеры, они могли быть такими, как Claude или Codex, эм, знаете, OpenClaude, Hermes. Но знаете, что интересно, я уверен, что если бы вы вышли на улицы корпоративной Америки в любом городе, возможно, не в Сан-Франциско, а в любом городе Америки, и спросили бы кого-нибудь в офисном здании, можете ли вы назвать агента по имени? Я думаю, некоторые люди назовут Claude. Некоторые, возможно, назовут Codex. И это все. Я не думаю, что кто-либо назовет OpenClaude или Hermes. Эм, эм, и даже Claude, я не уверен, что люди даже знали бы, что это агент. Эти вещи не очень хорошо поняты. И тем не менее, что так безумно, так это то, что все создают агентов. У меня есть агентство недвижимости неподалеку, которое создает агентов. Я знаю, что независимые частные страховые брокеры создают своих собственных агентов. Я знаю, что компании из списка Fortune 500, многие из них, создают своих собственных пользовательских агентов. Все пытаются создать своих собственных пользовательских агентов. И я знаю, что люди мне не верят, эм, но поговорите с ними. Просто поговорите с людьми. Они пытаются создать пользовательских агентов. И я не могу не задаться вопросом, почему. Никто, кажется, не задает этот вопрос, почему? ИИ уже повсюду. Вы можете получить доступ к ChatGPT вплоть до какой-то модели с открытым исходным кодом из Китая на каком-то, знаете, шатком веб-сайте. Есть все между ними, но люди все равно хотят создавать пользовательских агентов. И в конечном итоге, все сводится к интеграции. Бизнес хочет, чтобы их данные были должным образом интегрированы в ИИ. Они верят, и, вероятно, правы, что если они должным образом используют ИИ, они получат драматический рост в своем бизнесе и так далее. Итак, им нужно выяснить, как интегрироваться. И создание своих собственных пользовательских агентов, очевидно, является способом сделать это. И это один из первых способов, который они обнаруживают, эм, как механизм для этого. Проблема, однако, в том, что агенты действительно сложны. Вам нужно очень, очень тщательно заботиться о цикле агента и убедиться, что он должным образом оркестрован. Вам нужно подумать о множестве различных абстракций поставщиков. Эм, к счастью, появляются хорошие инструменты для этого, знаете, например, Vercel AI SDK отлично подходит. Эм, надежное выполнение, вам нужно убедиться, что если есть сбои, мы можем вернуться. Это относительно сложные проблемы, эм, особенно если вы думаете об этом в масштабе. И реальность такова, что их просто намного больше. Есть всевозможные проверки и условия остановки и так далее. И поэтому часто случается так, что люди пытаются создавать своих собственных пользовательских агентов, и они работают как демонстрация, но не более того. Эм, и на самом деле оказывается, что это абсолютный кошмар для людей. Эм, создание надежных агентов просто сложно. И если вы поговорите с кем-нибудь в IT-отделе, они вырывают себе волосы, потому что существует так много различных проблем. Эм, нет определенного способа создать агента прямо сейчас. Например, на самом деле нет определенного способа. Самое близкое, возможно, это, эм, Eve, который только что вышел из Vercel, возможно, самое близкое. Эм, но на самом деле, каждый придумывает свой собственный способ сделать это. Эм, телеметрия и наблюдаемость этих агентов невероятно сложны, особенно в масштабе. Например, если вы хотите точно знать, что передается на каждом шаге каждого хода вашего агента, чтобы вы могли диагностировать его и дорабатывать и убедиться, что все не выходит из-под контроля, это очень сложно сделать. Эм, агенты также не переносимы. Так что, если у меня получится хороший агент, если мне удастся подняться на вершину, знаете, этой горы, и у меня есть хороший агент, который наконец-то хорошо работает, ну, он хорошо работает на моей машине. >> [смех] >> Но если я попытаюсь передать его кому-то другому, есть очень высокая вероятность, что между всеми конфигурациями переменных среды и системными требованиями и средами выполнения, есть хороший шанс, что он не будет работать на машине этого человека. И они не компонуемы. Так что, даже если у меня получится, знаете, действительно хороший чат-бот для моего университета, шансы на то, что я смогу повторно использовать его для чего-то другого, очень, очень малы. Я не могу просто легко поделиться этим. Итак, что часто происходит, так это то, что после короткого преследования агентов люди отступают и говорят: "Хорошо, ладно. Больше никаких агентов, никаких агентов. Вместо этого мы сделаем вещь MCP. Мы слышали об этом, это работает." И, конечно же, Model Context Protocol, это работает. И на самом деле, это работает довольно хорошо, чтобы взять, знаете, вашу корпоративную информацию, такую как информация Zillow, а затем запихнуть ее в один из этих действительно больших существующих агентов, таких как Claude или ChatGPT, которые я бы считал большим универсальным агентом. Эм, и это работает примерно так. Эм, и это работает нормально. Но если вы посмотрите, это на самом деле с веб-сайта MCP, и если вы посмотрите на то, что поддерживается в клиентах MCP по всему миру, вы заметите, что только одна из этих колонок действительно заполнена до конца. И это, конечно, инструменты. Так что MCP стал де-факто механизмом распространения инструментов для агентов. Так что, если мне нужно получить инструменты моей компании в этот другой агент, то MCP — хороший способ сделать это. Он пока не доказал свою эффективность в предоставлении другой ценности. И, честно говоря, инструментов просто недостаточно. Знаете, я, я, я люблю шутить, что мы не высадили человека на Луну, дав одному парню кучу инструментов. Это не реалистичный способ выполнить действительно большой проект. Так что, эм, знаете, возможно, MCP — это не путь, но ага, у нас есть навыки. У нас есть навыки, и навыки — это здорово. Эм, я, я, я на самом деле люблю навыки. Я уверен, что вы тоже. Мы устанавливаем их постоянно для всевозможных вещей. И по сути, что такое навык, это файл в формате markdown, который, по сути, работает как документация. Теперь, интересно, есть много исследований, которые показывают, что если вы используете очень много из них, это на самом деле делает вашего агента значительно хуже. Но они работают как документация для различных сложных вещей. Так что, знаете, возвращаясь к аналогии с человеком, достигающим Луны, это немного похоже на то, как вы даете этому парню, знаете, кучу документации. И документация поможет, но это не фундаментальная проблема. Так в чем же фундаментальная проблема? Хорошо. Давайте построим базовый стек агентов. Давайте начнем с модели. Все агенты начинаются с модели. Большая, маленькая, неважно. Они начинаются с модели. Затем у вас есть что-то вроде системного промпта поверх этого, который говорит модели, какова ее роль в великой вселенной, своего рода ее жизненная цель. Затем у нас есть инструменты, то, что она действительно может делать, эффекты, которые она может оказывать. И затем, навыки будут наложены поверх этого. И затем, MCP будет наложен поверх этого. И затем, наконец, у вас есть все сообщения из разговора. Это примерно стек информации, который передается во время выполнения агента. И если вы посмотрите сюда, почти все это контекст. По сути, все. Системный промпт, инструменты, навыки, все это то, что попадает в контекст агента. И поэтому, по сути, люди пытаются решить проблему интеграции, работая над контекстом или моделью. Это две области, где мы постоянно видим новые достижения. Мы также видим, знаете, новые новые вещи, такие как навыки и и MCP, эм, новые технологии, новые протоколы. Все они появляются в области контекста и модели. Так как же это на самом деле работает? Ну, по сути, вы работаете в компании, вам иногда нужно совершать деловые поездки, поэтому у вас установлено несколько MCP для путешествий. У вас также есть, знаете, Figma и Playwright, установленные на ваших. И все это накапливается в этом слое контекста. А затем у вас есть какие-то, знаете, Gmail MCP, чтобы проверять вашу почту для вас, и какие-то Google Sheets, чтобы заполнять другие, эм, другие, эм, отчеты о расходах или что-то в этом роде. А затем у вас есть навыки. Вы разработчик, поэтому у вас есть какие-то исправления React и линтеры. Это на самом деле, я думаю, один из самых популярных или второй по популярности MCP-сервер, который существует. Эм, возможно, у вас есть, эм, навык Matt's grill me или, или, возможно, у вас есть навык GitHub. И по сути, что вы делаете, это вы раздуваете этот слой контекста. И у нас есть термин для этого в инженерии. Это называется наследование. Идея наследования заключается в том, что вы берете объект, а затем добавляете к нему больше атрибутов, чтобы этот один объект имел другие свойства. Верно? И это именно то, что мы делаем здесь с агентом. Мы говорим: "Этот агент довольно хорош, но если мы добавим все эти дополнительные слои, то агент сможет делать то, чего раньше не мог". Это именно то, что такое наследование. И правда о наследовании в том, что оно работает. Оно работает. Вот почему эти вещи существуют и работают. Но есть старая поговорка: "Композиция вместо наследования". И оказывается, это так же старо, как мир. В конечном итоге наследование начинает давать сбой. Представьте, например, знаете, хорошо, у меня есть пять навыков на, эм, ChatGPT или на, или на Claude, прошу прощения. И, эм, это работает довольно хорошо. Теперь, что, если у меня 100 навыков? Что, если у меня 1000 навыков? Есть некоторая точка, в которой я получаю убывающую отдачу от добавления дополнительного контекста. Это очевидно. Мы все это как бы понимаем неявно. Так есть ли альтернатива? Ну, композиция — это альтернатива наследованию. Она выглядит примерно так. Итак, представьте, что у нас есть еще один маленький агент, и снова, мы пытаемся предоставить Figma как, как вещь, которую может сделать наш основной агент. Ну, что мы могли бы сделать, так это иметь крошечного маленького агента, где сам системный промпт агента написан специально для того, чтобы быть агентом Figma. Он знает все о Figma. Он знает весь свой контекст, весь свой API, все правильные места для нажатия и вещи, которые нужно сделать, и движения мыши и все такое. И затем у него есть эти точные инструменты, которые ему нужны для выполнения всех этих действий, и ничего более. Только это. И затем очень короткая история сообщений, которая имеет отношение только к части Figma. И тогда у вас может быть больше таких. У вас все еще могут быть ваши Gmail и ваши путешествия, и ваши Google Sheets, и все такое, но каждый из них — отдельный изолированный агент, полный агент. Не просто маленький сервер с инструментами. Это полный агент со своей историей сообщений, своим циклом агента. И затем над ними у вас есть координатор. И механизм связи для всех этих маленьких агентов, говорящих с большим агентом над ним, — это просто английский язык. Они просто говорят друг с другом так, как это делает человек. Так что, если основной агент говорит: "О, мне нужно проверить свою почту, чтобы узнать, есть ли что-нибудь о поездке". Ну, он знает, что нужно спросить Gmail о любых новых, эм, электронных письмах о поездке. Они направляются обратно вверх, говорят: "О, да, на самом деле, на этих выходных предстоит поездка в Лос-Анджелес". И тогда он может отправиться к нашему туристическому агенту и начать делать бронирования. Это своего рода грубая идея того, как что-то подобное могло бы работать. И реальность такова, что это работает. И мы знаем, что это работает, потому что именно так мы добрались до Луны. Были команды экспертов. Команды экспертов с лицами, похожими на это, и лицами, похожими на это. Каждый из них с разными навыками и возможностями. И лицами, похожими на это. Это запуск Аполлона-11. И посмотрите сюда, есть агент. Я только что нашел агента, сидящего там. >> [смех] >> Его мозг — это его LLM. И вот его инструменты прямо там на приборной панели. Это инструменты. Теперь у него не было всех инструментов. У него были только эти инструменты. И он был очень, очень, очень хорош в них. И посмотрите на этот рот. Это сообщения. Эм, мы привыкли к этому. Мы можем это понять. Это неявно работает. Это почти форма биомимикрии для мира агентов. Эм, это работает. И я называю их предметно-ориентированными агентами. Эм, я не думаю, что я был первым человеком, произнесшим слова "предметно-ориентированные агенты". Определенно не первый человек, у которого была эта идея. Эм, но именно об этом я хочу вам рассказать. Агенты, которые просто нацелены на очень специфическую область. И мы здесь, в Standard Agents, строим эту экосистему уже довольно давно. Так что у нас был очень хороший взгляд изнутри на то, как они на самом деле работают. И я не готов выходить сюда и объявлять о продукте или что-то в этом роде. Эм, но я могу дать вам небольшой взгляд. Во-первых, они гораздо более эффективны по токенам. Гораздо более эффективны по токенам. Мы регулярно видим более 80% эффективности по токенам для любой данной задачи. Теперь, это немного сложнее, потому что вам нужно определять эти задачи немного заранее. Но если у вас может быть переносимость агентов, где я могу взять этот агент Gmail, сжать его, а затем отправить кому-то другому, мы можем создать экосистему, где нам не нужно создавать каждый из этих навыков и возможностей, но в пределах этой области вы получите драматическую эффективность. Эм, и одна из причин, если вы подумаете о том, как работает контекст, мне не нужен весь контекст разговора, когда я принимаю решение что-то сделать. Вместо этого мой основной координатор может просто спросить Gmail, эй, достань последнее письмо от Дебби. И это вся полнота контекста. Он буквально имеет только системное сообщение, его инструменты и это сообщение, которое пришло. И поэтому он способен выполнить эту очень целенаправленную, очень специализированную, крошечную вещь без всего окружающего контекста. Он также гораздо более практичен с малыми языковыми моделями. Если вы посмотрите на разницу между двумя моделями, такими как DeepSeek V4 Flash и Fable 5, разница в стоимости ошеломляет. Это в 137 раз дешевле, чем Fable за задачу. 137 и 37 раз. Теперь, конечно, если DeepSeek V4 Flash снова и снова терпит неудачу в выполнении задачи, то не только это будет, знаете, не так уж и дешево, но и использовать его будет намного раздражающее. Но именно поэтому предметно-ориентированные агенты так хороши, потому что вам не нужно, чтобы V4 Flash делал все. Вместо этого он должен делать только те задачи, которые были специально выбраны для него. И с минимальным контекстом он может выполнять их очень добросовестно. Таким образом, вы получаете драматическое снижение затрат не только за счет эффективности по токенам, но и потому, что вы можете использовать гораздо меньшие языковые модели и даже неязыковые модели. Вы можете использовать генерацию изображений и диффузионные модели. Вы можете использовать всевозможные другие модели для небольших задач. >> [фыркает] >> Вы также можете применять очень строгие ограничения на возможности. И я думаю, вы понимаете, о чем я говорю. Я говорю об этом. Эм, мы все летаем слишком близко к солнцу в наши дни. Мы все обходим разрешения налево и направо. И, конечно, вам приходится, потому что кодирующий агент с большой моделью может делать все. И поэтому мы используем его для всего. В мире, который будет работать на основе небольших предметно-ориентированных агентов, эти агенты не смогут делать все. Они смогут делать только то, на что им уже явно разрешено. Это не означает, что вы все еще не можете иметь разрешения и диалоги разрешений, но вы выбираете гораздо более контролируемую экосистему. И я обещаю вам, когда вы объясните это Дагу из IT, он успокоится, поняв разницу между этими двумя. >> [фыркает] >> И, эм, четвертое, они имеют отличные характеристики масштабирования. Поскольку каждый из этих агентов является своей собственной небольшой средой выполнения, вы можете параллелизировать их. Вы можете легко разместить их в облаке, не нуждаясь в гигантском VPC там. Вы можете запускать тысячи экземпляров одновременно, эм, во всех регионах мира. Им на самом деле не нужно быть, знаете, географически расположенными рядом или что-то в этом роде. Эм, так что у них очень, очень хорошие характеристики масштабирования. К сожалению, их не существует. Это недостаток. >> [смех] >> Эти предметно-ориентированные агенты на самом деле не существуют. Эм, не в большом публичном масштабе. Как я уже сказал, здесь, в Standard Agents, у нас они есть. Мы работаем с ними ежедневно, но их пока еще не так много в публичном доступе. Однако это меняется. Это изменится очень быстро. Мы находимся примерно на полпути 2026 года, и я здесь, чтобы сделать публичное предсказание, что, я думаю, по мере того, как мы будем двигаться от этого момента до конца 2026 года, мы увидим драматический всплеск в разговорах о создании предметно-ориентированных агентов, фреймворков вокруг них. Всевозможные вещи идут в разработке. И это будет не маленький ручеек. Это будет ускоряться стремительно, и это станет одним из основных игроков в экосистеме агентов. И 2027 год, я бы сказал, это, по сути, год оркестровки мультиагентов. Это еще одно слово, которое вы, я думаю, скоро начнете часто слышать. Так что это мое большое смелое публичное предсказание. Я был очень взволнован всего несколько дней назад, когда Vercel выпустил Eve. Это первый раз, когда я увидел термин, который я выкрикивал в пустоту, вернулся и ударил меня в лицо. Фреймворк для создания агентов, создания мозга компании, личного помощника или предметно-ориентированного агента. Итак, вот оно. Примерно к середине года мы начнем набирать обороты. Это мое предсказание. И есть ряд причин. Одна из них — то, во что большинство людей сейчас верят, — это то, что стоимость интеллекта снижается. Эта тенденция на самом деле обратилась вспять в 2026 году. Мы отслеживаем это на веб-сайте. Токены больше не дешевеют. Они на самом деле растут, даже с учетом IQ. Они выросли на 29% с учетом IQ только в этом году, на полпути года, мы уже выросли на 30%, и это может быть вызвано множеством различных вещей. Конечно, эм, у нас есть этот дефицит памяти, и, знаете, вероятно, долгосрочная тенденция в течение 10-летнего цикла или чего-то подобного заключается в том, что интеллект будет снижаться, но это не означает, что мы должны платить в 137 раз больше за то, что может быть сделано так же эффективно. Проблема в том, что эти вещи труднее разделить. Теперь, если вы не учитываете IQ, токены выросли на 76% в этом году, почти 100% увеличение токенов только в этом году. Эм, и мы еще даже не прошли половину. Так что мы действительно движемся вверх по стоимости токенов. Так что все, что мы можем сделать, особенно с крупным бизнесом, чтобы снизить это, будет действительно важно. Эм, другой, другой вариант использования, который стоит рассмотреть, — это предоставление ИИ клиентам. Вы не можете предоставить Fable клиенту, эм, если только у этого клиента нет огромной пожизненной ценности. Это просто слишком дорого. Так что вам нужно найти способ создать высокую эффективность, будучи эффективным. И предметно-ориентированные агенты будут способом сделать это. Так что я скоро оставлю вас, эм, но прежде чем я это сделаю, давайте немного помечтаем. Позвольте мне немного глубже погрузиться в то, как может быть оркестрован агент и как на самом деле выглядел бы идеальный агент. И тогда я обещаю оставить вас в покое. Вот оно. Итак, помните, у нас была модель и системный промпт. А затем, на уровне инструментов, давайте немного разберем это. С одной стороны, у нас есть функции. Это было бы похоже на фактическую функцию, которая может быть выполнена, например, запись файла в файловую систему. Затем у нас есть промпты. Промпты очень похожи на системный промпт, но это меньшие отдельные промпты, которые могут быть вставлены, и подпромпты, которые могут, знаете, вы можете запустить функцию, которая на самом деле вызывает LLM. Так что, скажем, у меня работает основной агент, но я хочу использовать Nano Banana только для генерации изображения, когда я использую GLM, знаете, 5.2 в качестве основного. Ну, вы можете просто иметь инструмент, который является промптом. Было бы очень круто, если бы вы могли это сделать. И затем другой тип инструмента может быть другим полноценным агентом, например, совершенно другой предметно-ориентированный агент может быть просто одним из инструментов. Так что это уровень инструментов. А затем у вас есть хуки. Эм, что такое хуки? Ну, в этом идеальном мире, хук может быть чем-то, что может использовать, изменять или мутировать или выполнять побочные эффекты. Так что позвольте мне привести пример. LLM понятия не имеют, сколько времени в данный момент. Оказывается, отличный способ сообщить им время — это вставить искусственное сообщение или искусственный вызов инструмента в историю сообщений. Так что, [фыркает] выглядит так, как будто кто-то только что сказал: "Эй, сколько времени?" и другой человек ответил: "О, сейчас 18:45 по тихоокеанскому времени". Довольно просто. Эм, вы можете сделать это с помощью хука. Или вы можете запустить какой-то побочный эффект, используя хук. Так что это важная часть агента. И затем, наконец, есть эти правила агента. И правила агента довольно сложны. Это похоже на то, сколько раз одна сторона должна иметь ход? Например, может ли он продолжаться 10 000 ходов, эм, или 10 000 шагов, прежде чем его ход закончится? Знаете, есть всевозможные интересные маленькие правила. Знаете, когда он вызывает, эм, инструмент, знаете, обязан ли он валидировать все это или нет, знаете? Всевозможные очень специфичные инструменты, эм, или, или правила, которые принадлежат конкретному агенту. И в совокупности, если мы упакуем все это, мы назовем это агентом. Но ему не хватает пары вещей. Во-первых, у каждого агента действительно должна быть файловая система. Если вы когда-либо делали это с ChatGPT или Claude или Codex, если вы просто попросите его, знаете, не внутри проекта или чего-то еще, вроде: "Эй, можешь сделать мне PDF для дня рождения моего сына?" Ну, он сделает это. И он сохранит его в своей собственной маленькой файловой системе. Так что большие лаборатории уже поняли, что для создания эффективного интерфейса чата, не говоря уже о большом агенте, ему нужна какая-то файловая система. Так что у каждого агента должна быть своя собственная песочница файловой системы. И также у каждого агента должно быть изолированное место для выполнения кода. Так что он может записывать файлы, он может запускать эти файлы и делать это безопасно, не эксфильтруя ничего, не взаимодействуя с ОС на более высоком уровне. Это должно быть встроено как примитив в каждый предметно-ориентированный агент. Хорошо, так что, скажем, это наш идеальный агент. И теперь давайте поговорим об этом маленьком инструменте-агенте. Что это? Ну, это могут быть субагенты, рекурсивные субагенты даже. У вас может быть агент, который вызывает субагента, который вызывает субагентов, которые вызывают субагентов. Эм, и их может быть один или много на разных уровнях. Так, например, у вас может быть этот координатор-агент, который находится на самом верху, а затем у вас может быть агент Salesforce. И этот агент знает Salesforce вдоль и поперек. Он знает все его API, он знает все учетные данные для связи с вашим экземпляром Salesforce всеми соответствующими способами. А затем ему нужно связаться с агентом Google Workspace. Так что он может делать там всевозможные вещи. Он может запускать электронные таблицы. Я могу сказать: "Эй, кто мои лучшие, эм, мои лучшие продавцы в этом году?" Бум, он может посмотреть в Salesforce, он может скоординироваться с субагентом, создать для вас таблицу, отправить ее обратно. Идеально. Но, возможно, тогда вам нужно будет сгенерировать какие-то активы. Так что агент Salesforce на самом деле имеет еще один субагент, с которым он может общаться в любое время. И он потрясающий в генерации активов. Возможно, этот субагент имеет не только, знаете, генерацию изображений Codex, возможно, у него есть Nano Banana, возможно, у него есть генератор SVG, всевозможные вещи, так что он является потрясающим генератором активов и выполняет некоторое собственное отражение и контроль качества. И тогда нашему основному агенту может понадобиться целая юридическая команда агентов, просто чтобы он мог проверять работу, исходящую от других. И, возможно, юридической команде агентов действительно нужен агент по соответствию GDPR только для европейских клиентов. Знаете, основной не имеет всего, знаете, мы не хотим иметь 45 мегабайт контекста только по GDPR. Так что мы делаем это отдельным субагентом. Эм, так что, знаете, и тогда, возможно, юридической команде также нужен, эм, агент по соответствию OSHA, который также очень сложен. И поэтому у него есть отдельный для этого. Вы как бы поняли идею. Вы можете получить всевозможные высокоэффективные, маленькие агенты, которые работают вместе, но при этом поддерживают небольшие минимальные окна контекста на всем протяжении. Такова идея предметно-ориентированных агентов. Так что, спасибо вам большое. Я ценю, что вы послушали мое выступление. Опять же, эм, Standard Agents — это то, где мы работаем, standardagents.ai. Вы можете фактически зарегистрироваться там для раннего доступа. Эм, мы медленно начинаем развертывать это для нескольких человек. Эм, если ваш бизнес очень амбициозен и действительно хочет, эм, попробовать небольшие предметно-ориентированные агенты, то, эм, знаете, вы можете написать мне info@standardagents. И, конечно, я буду признателен за подписку. Большое вам спасибо. Пока.