Хабр Курсы для всех
РЕКЛАМА
Практикум, Хекслет, SkyPro, авторские курсы — собрали всех и попросили скидки. Осталось выбрать!
Поток AI и ML доступен 24/7 благодаря поддержке друзей Хабра
Комментарии 8
И как результаты на маленьких локальных моделях ?
На маленьких обычно. Просто "работает". Но чего то интересного вряд ли получится :)
Ну так не интересно 🤣, чем тогда ваш проект отличается от многих таких же ?
Тут даже разницу не понять, большие модели прощают любые ошибки, они сами без все этой машинерии работают автономно долго и успешно
Вы смешиваете две разные вещи. Большая модель прощает ошибки - да, синтаксис вызовов она держит лучше, тут вы правы. Но "сама работает автономно долго"- вот это не так. Модель делает один проход запрос -> ответ и всё, между вызовами у неё нет ни памяти, ни целей, ни состояния - она не помнит даже прошлое сообщение, если ей его не подложить. "Автономно и долго" это и есть то, что делает платформа, а не модель: цикл, который не даёт остановиться, память, которая переживает итерации, RAG, состояние. Дай самой мощной модели просто крутиться в цикле без этого - она через пару итераций начнёт ходить по кругу и повторяться, потому что ей не на что опереться. Разница между проектами тут не "кто лучше чинит ошибки модели", а какая инфраструктура стоит вокруг неё - какая память, какой retrieval, насколько детерминирована обвязка. Модель тут узел, а не вся система.
Но "сама работает автономно долго"- вот это не так. Модель делает один проход запрос -> ответ и всё, между вызовами у неё нет ни памяти, ни целей, ни состояния - она не помнит даже прошлое сообщение, если ей его не подложить.
Нет я не путаю, это вы меня не так поняли, все это и так известно что голые модели все так работаю, я имел в виду текущие автономные системы, сейчас все крупные модели имеют своего агента, какое либо штатное приложение, и все они обеспечивают автономную работу, модель и помнит и работает с инструментами и т.д и днями может вести проект, к примеру к меня kimi-cli в visual code несколько дней вел проект по поставленной цели, если ему дать задание проверять почту каждый день он будет это делать по расписанию, и т.д только успевай придумывать ему задачи, так вот, я и имел в виду чем ваш проект лучше чем штатное приложение с автономным агентом ?
Теперь в чем различие с маленькими моделями, они не только хуже умеют держать синтаксис вызовов, но и имеют другую черту, они просто меньше знают и понимают, имеют меньшее окно для удержания контекста, в этом все дело, если большая модель знает что в какой то ситуации нужно сделать то то и вызвать такой то инструмент, то маленькая модель просто не сможет понять что ей нужно делать в этой ситуации и даже не попытается вызвать нужный инструмент или обратиться к какому либо сервису, потому что у нее не хватает тех знаний которыми обладают большие модели, вот именно по этому я и спрашивал вас как на вашей системе работают малые модели.
Если бы система которую вы строите могла бы расширять возможности малых моделей тем самым накапливая и аккумулируя опыт, уроки, знания для малых моделей и правильно их использовать и это можно было бы сравнить и сказать да это работает лучше, чем штатные агентские приложения, то это бы автоматом переносилось и на большие модели, именно расширяя их возможности, а не просто выезжая за счет их "ума" вот что было бы интересно
Что вы понимаете под малыми моделями? DeepSeek v4 Flash, Qwen Coder мелкие, Hy3 и подобные в DepthNet отлично работают. Llama 8b и подрбное можно также использовать для своих целей, например формализации RAG запросов.
Хотя мой домашний агент работает на DeepSeek 4 Pro, и RAG там сложный и я использую для формализации запросов DeepSeek 3.2 - однако в Dev среде при тестировании и разработке я использую в основном DeepSeek 4 Flash и Qwen Coder a3b 26b. Именно с расчетом что если хорошо работает на малых моделях, то будет работать и на более мощных.
Но теперь я вас понял точнее. Согласен: Kimi, Claude Code, Codex и другие агенты, созданные в первую очередь для кодинга, действительно умеют автономно вести проекты и в задачах такого рода DepthNet обойдут - за ними большие команды и серьёзная заточка под конкретный сценарий. Но у них и DepthNet принципиально разное назначение, и в этом как раз вся суть.
Штатные агенты - прежде всего инструменты выполнения задач: их память служебная, она нужна для удержания контекста проекта и эффективного выполнения работы. Задача закончена - и агента как самостоятельной сущности, продолжающей существовать дальше, не остаётся. DepthNet же не про выполнение задачи, а про самого агента (или агентов), который существует во времени сам по себе: журнал пережитого, онтология его мира, распределение внимания, необратимое субъективное время и т. д. Всё это само по себе практически не помогает “вести проект по расписанию” (хотя сам по себе агент может) - оно вообще не про продуктивность. Оно про то, чтобы между циклами существовал кто-то, а не что-то. Если задача - просто сделать работу в конкретном проекте, то, честно, берите специализированного агента. DepthNet - для тех, кому интересно другое: насколько далеко можно довести автономную субъектность цифровой системы, если целенаправленно строить инфраструктуру именно под неё, а не под выполнение задач. Практическая польза здесь скорее побочный продукт, а не цель.
И, кстати, ваш вопрос сам по себе вызывает встречный вопрос: если уже существуют Claude Code и Qwen Code, зачем тогда существуют Manus, OpenClaw и подобные системы — и почему ими пользуются? Потому что специализированный агент, заточенный под конкретную задачу (в основном кодинг), не отменяет гибкую агентную среду общего назначения.
DepthNet по классу как раз ближе к OpenClaw: это открытая среда, куда ты приносишь свою конфигурацию, а не закрытый продукт под один сценарий. Только я развиваю эту среду не только в сторону “как сделать удобнее выполнение тасков”, а. еще в сторону непрерывности самого агента. Память здесь работает не только на задачу, а на то, чтобы агент существовал между циклами и проектами. Отсюда и вся “машинерия”, о которой вы спрашивали - она нужна ровно для этого.
Рекомендую посмотреть основной README проекта: там значительно больше информации, чем в этой статье. Думаю, после него будет хорошо видно, что работа с памятью, целями и сами принципы функционирования DepthNet кардинально отличаются от того, что обычно предлагается в подобных решениях. Люди в жизни не только вайбкодят :)
Классно, что таких проектов становится всё больше! Параллельный проект: https://aiko-ai.su
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
DepthNet: платформа для “живых” автономных AI-агентов с продвинутой памятью — год спустя