Как создавать агентов, которые часами работают и не теряют нить
How to Build Agents That Run for Hours (Without Losing the Plot)
Агент, который работает несколько часов, держится на отдельном оценщике, проверяющем результат в живом приложении, а не на самооценке генератора.
- Самооценка агента не работает — модели склонны хвалить собственный код, поэтому оценщик выносится в отдельный контекст с жёсткими инструкциями. По словам авторов, одиночный запуск выдавал приложение, которое выглядело готовым, но не реагировало на клавиши.
- Вкус тоже можно проверять — субъективное качество задаётся рубрикой из четырёх критериев: дизайн, оригинальность, качество исполнения и функциональность. Вес смещён в сторону дизайна и оригинальности, а оценщик калибруется на нескольких эталонных сайтах, чтобы не появлялась типичная для моделей посредственная эстетика.
- Контракт до написания кода — генератор и оценщик договариваются через файлы, что значит «готово». В примере с игрой получилось 27 критериев: без такой гранулярности замечания остаются расплывчатыми.
- Упрощать по мере роста моделей — с Opus 4.6 авторы убрали сбросы контекста и запускают оценку один раз в конце, а не на каждом спринте. По их словам, такой запуск стоил примерно вдвое дешевле прежнего.
Кому полезно: тем, кто строит агентов для долгих автономных задач и думает, какие куски обвязки оставить.
Статья по теме
Главы
Похожие доклады
А что, если harness важнее модели?
AI Engineer World's Fair 2026
Близко по содержанию
Claude Managed Agents: вопросы и ответы — evals, CI/CD и мультитенантность (часть 4 из 4)
AI Engineer World's Fair 2026
Близко по содержанию
Эффективные AI-агенты: когда и как их создавать
AI Engineer Summit 2025
Близко по содержанию
Harness engineering: как создавать ПО, когда люди задают направление, а агенты выполняют работу
AI Engineer Europe 2026
Близко по содержанию


