Оригинальный заголовок: Что учить, строить и пропускать в AI-агентах (2026)
Автор оригинала: Rohit
Перевод: Peggy, BlockBeats

Редакторский комментарий: Область AI-агентов входит в этап взрыва инструментов и недостатка консенсуса.

Каждую неделю появляются новые фреймворки, новые модели, новые benchmark и новые продукты с «10-кратной эффективностью», но действительно важные вопросы уже не в том, «как успевать за всеми изменениями», а в том, «какие изменения действительно стоят вложений».

Автор считает, что в условиях постоянного переписывания технологического стека, долгосрочную прибыль приносят не самые свежие фреймворки, а более фундаментальные навыки: инженерия контекста, дизайн инструментов, системы оценки, модель-оркестратор-субагент, sandbox и концепции harness. Эти навыки не быстро устаревают с обновлением моделей, а скорее станут основой для построения надежных AI-агентов.

Статья далее указывает, что AI-агенты также меняют понимание «квалификации». Раньше диплом, должность и стаж были пропуском в индустрию; но в области, где даже гиганты публично экспериментируют и ошибаются, резюме уже не является единственным подтверждением. Всё более важным становится то, что ты сделал и что поставил на поток.

Поэтому эта статья — не только о том, что учить, что использовать и что пропускать в 2026 году, а о напоминании: в эпоху всё возрастающего шума, самая редкая способность — уметь определить, что действительно стоит изучать, и постоянно создавать что-то действительно полезное.

Ниже — оригинальный текст:

Каждый день появляется новый фреймворк, новый benchmark, новый продукт с «10-кратной эффективностью». Вопрос уже не в том, «как успевать», а в том, что из этого действительно сигнал, а что — шум, маскирующийся под срочность.

Каждая дорожная карта через месяц устаревает. Тот фреймворк, который вы освоили в прошлом квартале, уже стал устаревшим. Benchmark, который вы оптимизировали, после того, как его «пробили», быстро заменяется новым. Раньше нас учили идти по традиционной траектории: один технологический стек, набор тем и уровней; один опыт работы, стаж и должность; медленно поднимаясь по лестнице. Но AI переписал эту картину. Сегодня, если правильно сформулировать подсказки и достаточно хорошим вкусом, один человек может выполнить работу, на которую у инженера с двухлетним опытом уходит один спринт.

Профессиональные навыки по-прежнему важны. Ничего не заменит личного опыта: видеть, как система падает, исправлять утечки памяти в два часа ночи, или принимать трудные решения и быть правым. Такие суждения растут с помощью сложных процентов. Но не так быстро, как раньше, растет знакомство с «поверхностным API» новых фреймворков. Через полгода оно может измениться. Через два года победителями станут те, кто заранее выбрал устойчивые базовые навыки и умеет пропускать шум.

За последние два года я строил продукты в этой области, получал предложения с зарплатой выше 250 тысяч долларов в год, и сейчас отвечаю за техническую часть в компании без публичного присутствия. Если кто спросит меня: «Что сейчас важно учить?» — я отправлю ему именно это.

Это не дорожная карта. В области агентных систем еще нет четкой цели. Лаборатории крупных компаний тоже публично экспериментируют, возвращая проблему к миллионам пользователей, делая обзоры и онлайн-исправления. Если команда Claude Code выпускает версию, вызывающую 47% падение производительности, и только после того, как пользователи обнаружили проблему, осознает её — идея о «стабной карте» — фикция. Все еще ищут. Стартапы имеют шанс, потому что гиганты тоже не знают ответов. Люди, не умеющие писать код, работают с агентами, создавая в пятницу то, что в четверг казалось невозможным для магистров машинного обучения.

Самое интересное в этот момент — это изменение понимания «квалификации». Традиционный путь — это образование: диплом, начальная позиция, старшие роли, опыт, медленное повышение. Это оправдано, когда в базовых областях не происходит резких изменений. Но сейчас, земля под ногами у всех движется с той же скоростью. Молодой человек 22 лет, который публикует демонстрацию агента, и опытный инженер 35 лет — разница уже не только в десяти годах владения стеком. Они оба работают на чистом листе. Для них важнее желание постоянно поставлять и базовые навыки, которые не устареют за квартал.

Это — основная идея всей статьи. Далее я предложу способ оценки: какие базовые навыки стоит развивать, а какие можно пропускать. То, что подходит — берите, что не подходит — отпускайте.

Настоящий фильтр эффективности

Невозможно следить за всеми новинками каждую неделю, и не нужно. Вам нужен не поток информации, а фильтр.

За последние 18 месяцев пять критериев оказались рабочими. Перед тем, как включить что-то в стек, задайте себе эти вопросы.

Останется ли это важным через два года?
Если это просто оболочка передового модели, CLI-параметр или «версия Devin», ответ почти всегда — нет. Если это базовая операция, например, протокол, схема памяти или sandbox, — скорее да. Оболочки быстро устаревают, базовые операции — могут жить годами.

Есть ли у вас уважаемые люди, которые уже создали реальные продукты на основе этого и честно делились опытом?
Мнения в маркетинговых статьях не считаются, важны обзоры и разборы. Блог «мы протестировали X в продакшене, и тут возникла проблема» ценнее, чем десять объявлений. Истинные сигналы приходят от тех, кто готов был потратить выходной на эксперимент.

Использование этого означает отказ от существующих систем трассировки, повторных попыток, конфигураций, аутентификации?
Если да, то это попытка сделать фреймворк платформой. А фреймворки-платформы — риск 90%. Хорошие базовые операции должны легко интегрироваться в существующие системы, а не требовать их полной замены.

Что будет, если пропустить это на шесть месяцев?
Для большинства релизов — ничего. Через полгода вы узнаете больше, и победившие версии станут яснее. Этот вопрос помогает пропускать 90% релизов без страха. Но многие отказываются, потому что боятся отстать. На самом деле — нет.

Можете ли вы измерить, действительно ли это улучшает вашего агента?
Если нет — вы просто предполагаете. Без системы оценки команда рискует запустить проблему на продакшн. С eval команда может дать объективный ответ: лучше GPT-5.5 или Opus 4.7 в конкретной задаче.

Если из этой статьи вы возьмете только один навык, пусть это будет — писать, что нужно увидеть через шесть месяцев, чтобы поверить, что это важно. И возвращаться через шесть месяцев. Обычно ответы уже есть, и внимание сосредоточится на тех вещах, которые действительно дают сложные проценты.

За этим стоят более сложные навыки, чем любой тест. Это способность «не гнаться за модой». Фреймворки, которые сейчас популярны на Hacker News, через две недели потеряют актуальность, и их поддержка исчезнет. Те, кто не участвует, — сэкономят время и сосредоточатся на вещах, которые выдержат «становление скучными». Удерживаться, наблюдать, говорить «через шесть месяцев я узнаю» — это настоящая профессиональная способность. Все читают объявления, но мало кто умеет не реагировать на них.

Что учить

Концепции, модели, формы вещей. Именно они приносят сложные проценты. Они переживут смену моделей, фреймворков и парадигм. Глубокое понимание — быстро освоить любой новый инструмент за выходные. Пропускать — значит постоянно переучиваться поверхностным механизмам.

Инженерия контекста

За последние два года самое важное изменение — это переименование «Prompt Engineering» в «Context Engineering». Это действительно так, не просто смена названия.

Модель больше не — это просто команда умных инструкций. Она — это сборка рабочего контекста на каждом шаге. Этот контекст включает системные инструкции, схемы инструментов, найденные документы, предыдущие выводы, состояние scratchpad и сжатую историю. Поведение агента — результат совокупности всего этого.

Нужно усвоить: контекст — это состояние. Каждый лишний токен снижает качество рассуждения. Загрязнение контекста — настоящая производственная проблема. На восьмом шаге задачи, исходная цель может быть «захоронена» выводами инструментов. Команды, способные обеспечить надежного агента, — это те, кто умеет резать, сжимать и структурировать контекст. Они ведут версионный контроль описаний инструментов, кешируют статические части и исключают меняющиеся. Они рассматривают окно контекста как опытный инженер — как память.

Практический пример: возьмите любого агента из продакшена, откройте полный лог трассировки. Посмотрите на контекст в начале и в конце. Посчитайте, сколько токенов еще активно. В первый раз это может показаться неловким, но после этого вы начнете исправлять и заметите, что агент становится надежнее без изменения модели или подсказки.

Если прочитаете только одну статью, советую «Effective Context Engineering for AI Agents» от Anthropic. А затем — их обзор системы мультиагентов. Там цифры показывают, насколько важна изоляция контекста при масштабировании.

Дизайн инструментов

Инструменты — это место взаимодействия агента с бизнесом. Модель выбирает инструмент по имени и описанию, решает, как повторять ошибку. Совпадение контрактов с возможностями LLM — залог успеха или провала.

Пять-десять хорошо названных инструментов лучше двадцати посредственных. Название должно быть глаголом или фразой на английском. Описание — когда использовать, когда — нет. Ошибки — это обратная связь для модели. «Превышен лимит 500 токенов, сначала подведите итог» лучше, чем «Error: 400 Bad Request». В исследовательских командах переписывание сообщений об ошибках снизило число повторных попыток на 40%.

«Writing tools for agents» от Anthropic — отличный старт. После прочтения добавьте наблюдения по вызовам. Надежность агента — в основном на инструментальной стороне. Многие меняют подсказки, игнорируя важное.

Модель-оркестратор и субагенты

В 2024–2025 годах дискуссии о мультиагентах свелись к одному подходу. Наивные системы с несколькими агентами, параллельно пишущими в общий статус, — провал. Ошибки накапливаются. Реально работающая модель — один оркестратор, делегирующий узкоспециализированным субагентам, и объединяющий их результаты.

Исследования Anthropic и системы Claude Code используют именно такой подход. Spring AI и большинство промышленных решений тоже его стандартизировали. Субагенты имеют узкий фокус, не могут менять общий статус, а запись — за оркестратором.

Статьи «Don’t Build Multi-Agents» от Cognition и «How we built our multi-agent research system» от Anthropic кажутся противоположными, но на самом деле говорят об одном. Обе заслуживают внимания.

По умолчанию используйте одного агента. Только при достижении реальных границ — например, ограничений окна, задержках из-за последовательных вызовов или необходимости работы с разнородными задачами — стоит рассматривать оркестратор-субагент. Не стоит усложнять систему раньше времени.

Evals и золотые датасеты

Каждая команда, которая создает надежных агентов, использует eval. Без eval — невозможно обеспечить надежность. Это — самый важный навык, который недооценивают.

Эффективная практика — собирать трассировки из продакшена, отмечать неудачи и включать их в регресс. При появлении новых ошибок — добавлять их. Использовать LLM как судью, а также точное сравнение и автоматические проверки. Перед любым обновлением — запускать тесты. В блоге Spotify отмечают, что их система оценки предотвращает около 25% плохих результатов. Без нее — каждое четвертое плохое решение достигает пользователя.

Модель мышления: eval — это юнит-тест, который гарантирует, что агент не отклонился от своих обязанностей, несмотря на изменения. Новые версии моделей, крупные обновления фреймворков, устаревшие API — eval помогает отслеживать стабильность. Без eval — система, чья правильность зависит от постоянно меняющихся целей.

Примеры eval-фреймворков: Braintrust, Langfuse evals, LangSmith — хорошие, но не критичные. Главное — иметь размеченные данные. Уже на старте — 50 образцов, за полдня можно разметить вручную. Нет оправдания — без данных невозможно улучшать.

Используйте файловую систему как состояние и цикл «Думай-Действуй-Наблюдай»

Для любого агента, выполняющего многошаговые задачи, важна архитектура: размышление, действия, наблюдение, повтор. Файловая система или структурированное хранилище — источник фактов. Каждое действие записывается и может быть воспроизведено. Claude Code, Cursor, Devin, Aider, OpenHands, goose — все движутся в этом направлении, не случайно.

Модель сама по себе — безстатусная. Исполняющая среда — с состоянием. Файловая система — базовая структура, понятная каждому разработчику. Приняв это, вы автоматически внедрите дисциплину: чекпоинты, восстановление, проверка субагентов, sandbox.

Глубже: в любой продакшн-агент, зарабатывающий на реальных задачах, harness делает больше, чем модель. Модель выбирает действие, harness проверяет, запускает в sandbox, захватывает вывод, решает, что возвращать, когда останавливать, когда делать чекпоинт, когда создавать субагента. Замена модели — на другую того же уровня — не разрушит систему. Замена harness — на худший — приведет к агенту, который «забывает, что делает».

Если ваша система сложнее однократных вызовов, — сосредоточьтесь на harness. Модель — лишь часть.

Понимание MCP

Не просто учитесь вызывать MCP-сервер. Учитесь его модели. Он разделяет возможности агента, инструменты и ресурсы, обеспечивает масштабируемую аутентификацию и передачу данных. Освоив это, вы увидите, что все «агентские фреймворки» — это упрощенные версии MCP, и тратить время на их оценку не нужно.

Linux Foundation управляет MCP. Все крупные поставщики моделей его поддерживают. Его можно сравнить с «USB-C для AI» — и это уже не ирония.

Sandbox — базовая операция

Каждый промышленный агент работает в sandbox. Каждый браузерный агент сталкивался с косвенным prompt injection. Многоарендные агенты — с ошибками в разрешениях. Sandbox — это инфраструктурная основа, а не опция по требованию.

Учите основы: изоляцию процессов, контроль выхода в сеть, управление ключами, границы аутентификации между агентом и инструментами. Команды, которые добавляют это только после требований клиента, рискуют потерять сделки. Те, кто внедрил с первого дня — легко проходят корпоративные проверки.

Что использовать

Вот конкретные рекомендации на 2026 год. Они могут меняться, но не очень быстро. В этой области лучше выбирать «скучные, но надежные» решения.

Оркестровка

LangGraph — стандарт в промышленной среде. Одна треть крупных компаний используют его. Его абстракции соответствуют реальной структуре систем: типизированное состояние, условные границы, персистентные рабочие процессы, контроль с участием человека. Минус — громоздкий; плюс — при реальной эксплуатации необходим контроль, и он этому соответствует.

Если вы используете TypeScript, Mastra — практически единственный выбор. Самое ясное решение в экосистеме.

Если команда предпочитает Pydantic и ценит типовую безопасность, — Pydantic AI — хороший выбор для новых проектов. В конце 2025 года вышла версия 1.0, есть развитие.

Для провайдер-специфичных задач — компьютерное использование, голос, реальное взаимодействие — используйте SDK Claude Agent или OpenAI Agents внутри LangGraph. Не пытайтесь делать из них универсальный оркестратор — они оптимизированы под свои сценарии.

Протокол

MCP — это всё.

Интегрируйте инструменты через MCP-сервер. Внешние системы тоже используют его. Уже большинство поставщиков моделей поддерживают MCP. В 2026 году писать собственные plumbing — бессмысленно.

Память

При выборе системы памяти ориентируйтесь не на популярность, а на автономность агента.

Mem0 — для персонализации чатов: предпочтения пользователя, легкая история. Zep — для продакшн-диалогов, где состояние меняется и нужно отслеживать объекты. Letta — для агентов, которым важна стабильность в течение дней или недель. Большинство команд этого не требуют, но те, кому нужно — знают, что это важно.

Ошибки: сначала внедрять системы памяти без понимания проблем. Начинайте с расширения контекста и добавления векторной базы. Только при ясном понимании сценариев ошибок — подключайте память.

Об observability и evals

Langfuse — open source по умолчанию. Можно хостить самостоятельно, лицензия MIT. Включает трассировку, управление версиями подсказок, базовые evals с LLM как судьей. Если используете LangChain — интеграция с LangSmith еще плотнее. Braintrust — для исследовательских eval-работ, особенно при сравнении. OpenLLMetry / Traceloop — для многоязычных систем с vendor-neutral OpenTelemetry.

Нужно иметь и трассировку, и evals. Трассировка показывает, что делал агент. Evals — насколько он стал лучше или хуже. Без них — запускать нельзя. Лучше настроить сразу, чем исправлять потом.

Режим выполнения и sandbox

E2B — для общего выполнения кода в sandbox. Browserbase + Stagehand — для автоматизации браузеров. Anthropic Computer Use — для задач с реальным ОС. Modal — для краткосрочных задач.

Никогда не запускайте код без sandbox. Агент, уязвимый к prompt injection, в продакшене — это катастрофа.

Модели

Гонка за benchmark — пустая трата времени и денег. По состоянию на апрель 2026:

• Claude Opus 4.7 и Sonnet 4.6 — надежные для вызовов инструментов, многошаговой последовательности и восстановления после ошибок. Для большинства задач — Sonnet — оптимальный баланс цены и эффективности.

• GPT-5.4 и GPT-5.5 — для сложных CLI и терминальных рассуждений, или если вы полностью на инфраструктуре OpenAI.

• Gemini 2.5 и 3 — для задач с длинным контекстом или мультимодальных.

• В случаях, когда важна цена, а не максимум — DeepSeek-V3.2 или Qwen 3.6.

Рассматривайте модель как заменяемый компонент. Если агент работает только на одной модели — это не конкурентное преимущество, а признак плохого дизайна. Используйте evals для выбора модели. Пересматривайте раз в квартал, а не каждую неделю.

Что пропускать

Часто советуют учить и использовать эти вещи, но на самом деле — можно пропускать. Стоимость пропуска — очень низкая, а сэкономленное время — большое.

AutoGen и AG2 — не для продакшена.
Этот фреймворк от Microsoft уже перешел в сообщество, его развитие остановилось, а архитектура не подходит для реальных команд. Можно использовать для исследований, но не для продуктов.

CrewAI — не для новых продакшн-проектов.
Он популярен для демонстраций, но профессиональные команды уже уходят от него. Можно делать прототипы, но не связывайте с долгосрочной разработкой.

Microsoft Semantic Kernel — только если вы глубоко интегрированы в Microsoft и ваши клиенты ценят это.
Это не направление развития экосистемы.

DSPy — только если вы занимаетесь крупномасштабной оптимизацией prompt-программ.
Идеологически интересно, но узкая аудитория. Не стоит рассматривать как универсальный фреймворк.

Использование отдельного code-writing агента как архитектурный выбор.
Это интересное направление, но не стандарт в продакшене. Вызовы — инструменты, безопасность — вопросы, с которыми ваши конкуренты не сталкиваются.

«Автономные агенты» — маркетинг.
AutoGPT и BabyAGI — устаревшие концепции. В индустрии говорят «агентное проектирование»: с контролем, границами и оценкой. Продажа «не нужно ничего контролировать после запуска» — устаревшая идея 2023 года.

Магазин приложений и маркетплейс агентов.
Обещания с 2023 — не реализованы. Компании покупают узкоспециализированных агентов или делают свои. Не стоит строить бизнес вокруг идеи «магазина приложений».

Клиенты должны осторожно относиться к платформам «строить любого агента».
Например, Google Agentspace, AWS Bedrock, Microsoft Copilot Studio — могут пригодиться, но сейчас — хаос и медленная релизация. Обычно выбирают узкоспециализированных или делают свои. Salesforce Agentforce и ServiceNow Now Assist — исключения, потому что встроены в рабочие системы.

Не гоняйтесь за рейтингами SWE-bench или OSWorld.
Исследователи Berkeley в 2025 году отметили, что большинство публичных benchmark — фальсификация. Сейчас команды используют внутренние evals и реальные показатели. Не верьте в «скачки» по одному числовому показателю.

Наивная параллельная архитектура с несколькими агентами.
Пять агентов, общающийся через общий мемори, — выглядит круто на демонстрации, но в реальности разваливается. Если не можете нарисовать схему orchestrator-субагентов и их границы — не запускайте.

Новые продукты с оплатой за место — не стоит.
Рынок переходит к оплате за результат и по использованию. Оплата за место — уменьшит прибыль и даст сигнал клиентам, что вы не верите в результат.

Следующая неделя на Hacker News — это очередной новый фреймворк.
Подождите шесть месяцев. Если он останется важным — вы узнаете. Если нет — сэкономите время.

Что делать дальше

Если вы не просто хотите «следить за агентами», а реально внедрять их, следуйте этому порядку. Он скучен, но эффективен.

Начинайте с конкретного результата. Не стройте сразу «агентскую платформу». Выберите важную для бизнеса задачу — уменьшение поддержки, подготовка юридического заключения, фильтрация лидов, подготовка отчета. Успех агента — в улучшении этого результата. Он — ваша цель оценки.

Эта задача — самая важная, потому что она задает рамки для всего остального. Есть конкретный результат — выбор фреймворка не философия, а быстрый способ его доставки. Выбор модели — не спор о benchmark, а выбор модели, которая подтверждена evals. Не нужны memory, subagents или кастомные harness — только при явных ошибках.

Пропустите этот шаг — получите платформу без конкретных целей. Внимательно отнеситесь к нему — получите узкоспециализированного агента, окупающегося за квартал. Такой агент научит вас больше, чем два года чтения статей.

Перед запуском — настройте трассировку и evals. Используйте Langfuse или LangSmith. Соберите небольшой золотой датасет — 50 размеченных образцов. Без данных невозможно улучшать. В будущем — это будет в 10 раз дороже.

Начинайте с одного цикла «Думай-Действуй-Наблюдай». Выберите LangGraph или Pydantic AI. Модель — Claude Sonnet 4.6 или GPT-5. Дайте агенту 3–7 хорошо спроектированных инструментов. Используйте файловую систему или базу данных для состояния. Запустите на малой группе пользователей, наблюдайте трассы.

Рассматривайте агента как продукт, а не как проект. Он будет ошибаться — и эти ошибки станут вашей дорожной картой. Перед каждым релизом — тестируйте через evals. Большинство недооценивают этот этап, а именно он обеспечивает надежность.

Когда вы получите право расширять — добавляйте subагентов. Когда окно контекста станет узким — подключайте память. Когда API станет недостаточным — используйте computer use или browser use. Не проектируйте заранее — пусть ошибки покажут, что нужно.

Выбирайте скучную инфраструктуру: MCP для инструментов, E2B или Browserbase для sandbox, Postgres или существующие хранилища для состояния. Аутентификацию и наблюдение — по существующим системам. Не экспериментируйте с необычными решениями — важна дисциплина.

С первого дня следите за метриками: стоимость действий, кеширование, повторные попытки, вызовы моделей. В начале — кажется дешевым, но без контроля — быстро станет дорого. Например, один запуск за 0,50$ при масштабировании может стать 50 тысячами долларов в месяц. Не заметить — значит попасть на CFO.

Пересматривайте модели раз в квартал, а не каждую неделю. Зафиксируйте квартал, в конце — запустите evals. Если есть основания — меняйте модель. Так вы получите прогресс и избегаете хаоса.

Как понять, что это — тренд

Вот сигналы, что что-то реально работает: уважаемая команда пишет цифрами, а не только заявления; это базовая операция, а не оболочка; она совместима с существующими системами; в описании — решение конкретных ошибок, а не расширение возможностей; существует долго — есть блог о том, что не сработало.

Вот сигналы, что это — шум: 30-дневные релизы без реальных кейсов; нереалистичные скачки benchmark; использование «autonomous», «agent OS» или «build any agent» без ограничений; документация предполагает отказ от трассировки, аутентификации и конфигурации; рост звезд, но без роста коммитов и релизов; быстрый рост в Твиттере, но не на GitHub.

Полезная привычка — по пятницам выделять 30 минут на чтение: статьи Anthropic, заметки Simon Willison, Latent Space. Если есть разбор — прочитать пару. Остальное — пропуск. Главное — не пропустить важное.

Что стоит наблюдать

В ближайшие два квартала — не обязательно, что это выигрыш, а что — сигнал. Важны: модель Replit Agent 4 с параллельным форкингом; зрелость ценовой модели по результатам; новые идеи по упаковке способностей — например, AGENTS.md и skills; отзывы о качестве Claude Code в апреле 2026; рост голосовых каналов у Sierra; развитие open source моделей вроде DeepSeek-V3.2 и Qwen 3.6.

Каждая из этих тем — вопрос: «Через шесть месяцев — что должно быть, чтобы я поверил, что это важно?» Это — тест. Следите за ответами, а не за объявлениями.

Противоречащие интуиции ставки

Каждый неиспользуемый фреймворк — это шанс избежать миграции в будущем. Каждое неиспользуемое benchmark — это фокус на квартал. Компании, которые сейчас выигрывают — Sierra, Harvey, Cursor — выбирают узкие цели, создают дисциплину и пропускают шум.

Традиционный путь — выбрать стек, годами его изучать, и идти вверх по лестнице. Это работает, если стек стабилен десять лет. Но сейчас стек меняется каждый квартал. Побеждают те, кто фокусируется на вкусе, базовых операциях и скорости доставки. Они строят маленькое, учатся через результат. Их работы — их квалификация.

Подумайте об этом — это главное послание всей статьи. Большинство из нас работает по модели, предполагающей стабильность мира, где квалификация растет с опытом. Учимся, получаем диплом, поднимаемся по лестнице. Но сейчас, в области агентных систем, нет стабильной «обратной стороны». Компании могут быть всего полугода. Стек — полтора года. Протоколы — два. Даже самые цитируемые статьи — три года назад писались людьми, которых тогда еще не было. Нет лестницы — есть только создание и публикация. Это — путь против привычки, обходящий систему квалификаций. Но в постоянно меняющемся мире — это единственный способ роста.

Это — взгляд изнутри. Даже гиганты публикуют итерации, возвращают проблему, пишут обзоры, исправляют. Те, кто доставляют самое интересное — 18 месяцев назад могли быть новичками. Люди, не умеющие писать код, работают с агентами, создавая реальные системы. Доктора наук могут их обогнать — те, кто выбирает правильные базовые операции и быстро действует. Ворота открыты. Но большинство ищет, куда подать заявку.

Настоящий навык — не «агенты», а способность в постоянно меняющейся области определять, что даст сложные проценты. Engineering контекста, дизайн инструментов, модель-оркестратор-субагент, eval-практики, дисциплина harness — все это растет с помощью постоянных усилий. Когда вы научитесь отличать важное от шума, новые релизы перестанут быть стрессом, а станут фоном.

Вам не нужно учить всё. Нужно учить то, что дает сложные проценты, и пропускать остальное. Выберите результат. Перед запуском — настройте трассировку и evals. Используйте LangGraph или аналогичные инструменты. MCP — как стандарт. Sandbox — как базовая инфраструктура. Начинайте с одного агента. Когда контекст станет узким — добавляйте memory. Когда API — недостаточным — используйте computer или browser. Не проектируйте заранее — пусть ошибки покажут, что нужно.

Выбирайте скучное, проверенное. MCP для инструментов, E2B или Browserbase для sandbox, Postgres или существующие хранилища для состояния. Аутентификация и мониторинг — по существующим системам. Не экспериментируйте с необычными решениями — важна дисциплина.

Следите за метриками: стоимость, кеширование, повторные попытки, вызовы моделей. В начале кажется дешевым, но без контроля — быстро станет дорого. Один запуск за 0,50$ может превратиться в 50 тысяч долларов в месяц. Не заметить — значит попасть на CFO.

Пересматривайте модели раз в квартал, а не каждую неделю. Зафиксируйте квартал, в конце — запустите evals. Если есть основания — меняйте модель. Так вы получите прогресс и избегаете хаоса.

Как понять, что это — тренд

Вот сигналы, что что-то реально работает: уважаемая команда пишет цифрами, а не только заявления; это базовая операция, а не оболочка; она совместима с существующими системами; в описании — решение конкретных ошибок, а не расширение возможностей; существует долго — есть блог о том, что не сработало.

Вот сигналы, что это — шум: 30-дневные релизы без реальных кейсов; нереалистичные скачки benchmark; использование «autonomous», «agent OS» или «build any agent» без ограничений; документация предполагает отказ от трассировки, аутентификации и конфигурации; рост звезд, но без роста коммитов и релизов; быстрый рост в Твиттере, но не на GitHub.

Полезная привычка — по пятницам выделять 30 минут на чтение: статьи Anthropic, заметки Simon Willison, Latent Space. Если есть разбор — прочитать пару. Остальное — пропуск. Главное — не пропустить важное.

Что стоит наблюдать

В ближайшие два квартала — не обязательно, что это выигрыш, а что — сигнал. Важны: модель Replit Agent 4 с параллельным форкингом; зрелость ценовой модели по результатам; новые идеи по упаковке способностей — например, AGENTS.md и skills; отзывы о качестве Claude Code в апреле 2026; рост голосовых каналов у Sierra; развитие open source моделей вроде DeepSeek-V3.2 и Qwen 3.6.

Каждая из этих тем — вопрос: «Через шесть месяцев — что должно быть, чтобы я поверил, что это важно?» Это — тест. Следите за ответами, а не за объявлениями.

Противоречащие интуиции ставки

Каждый неиспользуемый фреймворк — это шанс избежать миграции в будущем. Каждое неиспользуемое benchmark — это фокус на квартал. Компании, которые сейчас выигрывают — Sierra, Harvey, Cursor — выбирают узкие цели, создают дисциплину и пропускают шум.

Традиционный путь — выбрать стек, годами его изучать, и идти вверх по лестнице. Это работает, если стек стабилен десять лет. Но сейчас стек меняется каждый квартал. Побеждают те, кто фокусируется на вкусе, базовых операциях и скорости доставки. Они строят маленькое, учатся через результат. Их работы — их квалификация.

Подумайте об этом — это главное послание всей статьи. Большинство из нас работает по модели, предполагающей стабильность мира, где квалификация растет с опытом. Учимся, получаем диплом, поднимаемся по лестнице. Но сейчас, в области агентных систем, нет стабильной «обратной стороны». Компании могут быть всего полугода. Стек — полтора года. Протоколы — два. Даже самые цитируемые статьи — три года назад писались людьми, которых тогда еще не было. Нет лестницы — есть только создание и публикация. Это — путь против привычки, обходящий систему квалификаций. Но в постоянно меняющемся мире — это единственный способ роста.

Это — взгляд изнутри. Даже гиганты публикуют итерации, возвращают проблему, пишут обзоры, исправляют. Те, кто доставляют самое интересное — 18 месяцев назад могли быть новичками. Люди, не умеющие писать код, работают с агентами, создавая реальные системы. Доктора наук могут их обогнать — те, кто выбирает правильные базовые операции и быстро действует. Ворота открыты. Но большинство ищет, куда подать заявку.

Настоящий навык — не «агенты», а способность в постоянно меняющейся области определять, что даст сложные проценты. Engineering конт