Сегодня произошёл довольно примечательный момент.
В последнее время я разрабатываю небольшой AI-оркестратор. Его концепция отличается от типичных AI IDE и агрегаторов нейросетей. Я сознательно отказываюсь от подхода, при котором выбирается одна «лучшая» модель и ей поручается выполнение всех задач. Более обоснованным представляется объединение различных AI-платформ в единую систему, поскольку каждая из них обладает собственными сильными и слабыми сторонами.
Однако ключевым элементом здесь являются не сами модели. Пользователь формулирует задачу не для конкретного AI, а для главного агента — условного архитектора. Например, запрос «создай веб-приложение» обрабатывается следующим образом: архитектор анализирует задачу, декомпозирует её и самостоятельно определяет необходимые роли, а также распределяет их между специализированными агентами.
Один агент занимается исследованием и анализом требований, другой — проектированием архитектуры, третий — написанием кода, четвёртый — разработкой интерфейса, пятый — тестированием и выявлением ошибок, шестой — code review. Результаты передаются между агентами, которые могут дополнять и проверять работу друг друга. В итоге архитектор объединяет все промежуточные результаты в целостный итог.
Схема взаимодействия выглядит так:
человек → архитектор → распределение ролей → различные AI-платформы → совместная работа → результат.
При этом конкретная платформа не является принципиальной. Сегодня Claude может лучше подходить для одной роли, Gemini — для другой, Codex — для третьей. Завтра появится новая модель, превосходящая существующие в определённой задаче, — и её просто добавляют в систему. Вопрос смещается с «какая нейросеть лучше?» на «какую работу какой AI способен выполнить наиболее эффективно?».
Сегодня я случайно зашёл на сайт Spotify и увидел их новый проект Xirp. Это вызвало у меня заметное удивление. Spotify также движется в направлении среды, в которой несколько AI coding agents могут работать совместно, используя Claude, Gemini и Codex, обладая общим контекстом проекта, документацией, историей решений и возможностью сохранять результаты своей работы для последующих агентов.
Xirp, разумеется, не является копией моей идеи. Акцент у Spotify иной. Их решение прежде всего направлено на обеспечение общего контекста и рабочего пространства для множества AI-агентов. В моей концепции центральным элементом выступает архитектор, который самостоятельно определяет организацию команды и распределение работы.
Сравнивая подходы:
- Xirp: человек → workspace → несколько агентов → общий контекст;
- моя концепция: человек → архитектор → декомпозиция задачи → роли → выбор агентов → совместная работа → результат.
Мне особенно интересно, насколько успешно эти два подхода смогут в будущем дополнять друг друга. Похоже, мы постепенно приходим к довольно очевидной мысли: следующий этап развития AI-разработки — это уже не один исключительно умный чат-бот, способный решать всё, а команда специализированных AI-агентов, работающих под управлением более высокого уровня.
В такой системе сами модели становятся практически взаимозаменяемыми. Главной ценностью оказывается не конкретный Claude, Gemini или GPT, а архитектура их взаимодействия: кто принимает задачу, кто её декомпозирует, кто выбирает исполнителей, каким образом передаётся контекст, как агенты проверяют работу друг друга, как принимаются решения и как сохраняется память проекта.
Возможно, наиболее интересный вопрос заключается в том, сможет ли система со временем самостоятельно определять оптимальный состав AI-команды для конкретной задачи.
Поэтому появление Xirp я воспринимаю не как ситуацию, в которой кто-то уже реализовал мою идею. Напротив, приятно видеть, что примерно в тот же период, когда я работаю над этой проблемой на своём уровне, одна из крупнейших технологических компаний приходит к близкой архитектурной области. Это косвенно подтверждает, что направление исследований, вероятно, выбрано верно.
Теперь особенно интересно исследовать, насколько далеко можно развить данную концепцию. Если AI действительно превращается из инструмента в команду, то в перспективе могут потребоваться уже не столько новые «самые умные модели», сколько новые операционные системы для управления такой командой.
В последнее время я разрабатываю небольшой AI-оркестратор. Его концепция отличается от типичных AI IDE и агрегаторов нейросетей. Я сознательно отказываюсь от подхода, при котором выбирается одна «лучшая» модель и ей поручается выполнение всех задач. Более обоснованным представляется объединение различных AI-платформ в единую систему, поскольку каждая из них обладает собственными сильными и слабыми сторонами.
Однако ключевым элементом здесь являются не сами модели. Пользователь формулирует задачу не для конкретного AI, а для главного агента — условного архитектора. Например, запрос «создай веб-приложение» обрабатывается следующим образом: архитектор анализирует задачу, декомпозирует её и самостоятельно определяет необходимые роли, а также распределяет их между специализированными агентами.
Один агент занимается исследованием и анализом требований, другой — проектированием архитектуры, третий — написанием кода, четвёртый — разработкой интерфейса, пятый — тестированием и выявлением ошибок, шестой — code review. Результаты передаются между агентами, которые могут дополнять и проверять работу друг друга. В итоге архитектор объединяет все промежуточные результаты в целостный итог.
Схема взаимодействия выглядит так:
человек → архитектор → распределение ролей → различные AI-платформы → совместная работа → результат.
При этом конкретная платформа не является принципиальной. Сегодня Claude может лучше подходить для одной роли, Gemini — для другой, Codex — для третьей. Завтра появится новая модель, превосходящая существующие в определённой задаче, — и её просто добавляют в систему. Вопрос смещается с «какая нейросеть лучше?» на «какую работу какой AI способен выполнить наиболее эффективно?».
Сегодня я случайно зашёл на сайт Spotify и увидел их новый проект Xirp. Это вызвало у меня заметное удивление. Spotify также движется в направлении среды, в которой несколько AI coding agents могут работать совместно, используя Claude, Gemini и Codex, обладая общим контекстом проекта, документацией, историей решений и возможностью сохранять результаты своей работы для последующих агентов.
Xirp, разумеется, не является копией моей идеи. Акцент у Spotify иной. Их решение прежде всего направлено на обеспечение общего контекста и рабочего пространства для множества AI-агентов. В моей концепции центральным элементом выступает архитектор, который самостоятельно определяет организацию команды и распределение работы.
Сравнивая подходы:
- Xirp: человек → workspace → несколько агентов → общий контекст;
- моя концепция: человек → архитектор → декомпозиция задачи → роли → выбор агентов → совместная работа → результат.
Мне особенно интересно, насколько успешно эти два подхода смогут в будущем дополнять друг друга. Похоже, мы постепенно приходим к довольно очевидной мысли: следующий этап развития AI-разработки — это уже не один исключительно умный чат-бот, способный решать всё, а команда специализированных AI-агентов, работающих под управлением более высокого уровня.
В такой системе сами модели становятся практически взаимозаменяемыми. Главной ценностью оказывается не конкретный Claude, Gemini или GPT, а архитектура их взаимодействия: кто принимает задачу, кто её декомпозирует, кто выбирает исполнителей, каким образом передаётся контекст, как агенты проверяют работу друг друга, как принимаются решения и как сохраняется память проекта.
Возможно, наиболее интересный вопрос заключается в том, сможет ли система со временем самостоятельно определять оптимальный состав AI-команды для конкретной задачи.
Поэтому появление Xirp я воспринимаю не как ситуацию, в которой кто-то уже реализовал мою идею. Напротив, приятно видеть, что примерно в тот же период, когда я работаю над этой проблемой на своём уровне, одна из крупнейших технологических компаний приходит к близкой архитектурной области. Это косвенно подтверждает, что направление исследований, вероятно, выбрано верно.
Теперь особенно интересно исследовать, насколько далеко можно развить данную концепцию. Если AI действительно превращается из инструмента в команду, то в перспективе могут потребоваться уже не столько новые «самые умные модели», сколько новые операционные системы для управления такой командой.