← Каталог

· AI Engineer Europe 2026

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