← Каталог

· AI Engineer World's Fair 2026

Активная графовая среда выполнения для агентов (BabyAGI 4)

Active Graph Agent Runtime (BabyAGI 4)

Агента можно строить вокруг неизменяемого журнала событий, а не вокруг LLM-диалога: по словам спикера, так аудит, откат и форки состояния появляются из коробки.

  • Журнал как источник истины — состояние агента выводится из типизированного неизменяемого журнала, а реактивные behaviors меняют граф только через события. Воспроизведение, откат и форк получаются из журнала, без отдельной реализации.
  • Политики на изменения — правка промпта может требовать подтверждения человека, а новый факт проверяется на противоречия с уже известными. Так правила задают, что агент может менять сам.
  • Продолжение вместо перезапуска — когда API-ключ закончился на 350-м вопросе LongMemEval, прогон продолжился с 353-го, а не с начала.
  • Самоулучшение с приёмкой по метрике — патч принимался только при росте точности на выборке вопросов. Из 8–13 предложенных изменений принимали 4–5; по словам спикера, прирост скромный, но статистически значимый.

Кому полезно: тем, кто строит долгоживущих агентов и хочет видеть, что и почему в них менялось.

Статья по теме

На какие вопросы отвечает доклад

  • Как откатить и воспроизвести действия агента, не перезапуская долгий прогон с нуля?

    Все изменения агента пишутся в один неизменяемый журнал событий, из которого строится состояние графа, поэтому его можно воспроизвести, откатить или разветвить. После сбоя API-ключа прогон на 500 вопросах продолжили с 353-го.

    ▶ 2:00Создание агентов на основе проверяемого журнала событий
  • Как ограничить, какие изменения агент может вносить в промпты и факты без проверки человеком?

    Через политики: добавление источников разрешено без проверки, изменение промпта требует подтверждения человека, а изменение факта проверяется на противоречия с другими фактами.

    ▶ 4:24Реактивное поведение, запросы к графу, политики и пакеты
  • Как использовать историю диалогов агента как память без векторного индекса и извлечения фактов?

    Векторное представление запроса сравнивают с сообщениями журнала, берут найденные сообщения вместе с соседними по порядку и помещают в контекст. По словам автора, на LongMemEval такой подход показал неплохие результаты.

    ▶ 7:11Архитектура blackboard, ReAct и структурированный retrieval
  • Как позволить агенту менять себя и принимать только те правки, которые улучшают результат?

    Агент предлагает правку в форке, проходит статическую проверку и песочницу и принимается, только если точность на 50 вопросах выросла. Из 8–13 правок принимали 4–5; прирост небольшой, но статистически значимый.

    ▶ 8:31Эксперименты по самоулучшению и модульные пакеты
  • Как не повторять уже провалившиеся эксперименты при итеративной доработке агента?

    Каждая правка проверяется на 200 симулированных играх против трёх эталонных агентов и принимается только при росте процента побед. Провалы остаются в журнале, и агент учитывает их в следующих итерациях; за 80 проходов приняли 20–30 изменений.

    ▶ 13:00Знакомство с ActiveGraph и заключительные замечания

Главы

Похожие доклады