[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:ru":3,"public-menus:all":38,"post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:ru":205,"related:post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:ru:1":3344},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","ru","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":3343},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1538,"featuredImage":1539,"featuredImageAlt":1540,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1541,"publishedAt":1542,"createdAt":1543,"updatedAt":1544,"seoLocalePaths":1545,"categories":1554,"author":1567,"translations":1572},"489","Агентный ИИ: когда система ИИ может планировать, использовать инструменты и действовать","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u003Cp>Агентный ИИ — это система ИИ, в которой модель может преследовать цель на протяжении нескольких шагов, решая, что делать дальше, используя инструменты или другие возможности, наблюдая за результатами, обновляя своё рабочее состояние и продолжая до достижения условия остановки. Сама модель не является агентом. Работоспособному агенту также нужна среда выполнения или обвязка, которая управляет контекстом, выполнением инструментов, состоянием, разрешениями, согласованиями, ошибками и циклом между решениями и наблюдениями.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Прямой ответ\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Обычный вызов модели обычно представляет собой \u003Cstrong>вход → модель → выход\u003C\u002Fstrong>. Агентная система ближе к \u003Cstrong>цель → решение → инструмент\u002Fдействие → наблюдение → обновлённое решение → … → результат\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>Критическое различие не в том, использует ли приложение LLM или вызов функций. Оно в том, даёт ли система модели значимый контроль над следующим шагом многошагового процесса, в то время как среда выполнения ограничивает то, что модели фактически разрешено делать.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Возможность — это не полномочие\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Модель может знать, как вызвать инструмент. Среда выполнения может предоставить этот инструмент. Ни один из этих фактов не означает, что текущий пользователь или агент уполномочен выполнить соответствующее бизнес-действие. \u003Cstrong>Возможность инструмента, разрешение на инструмент и бизнес-полномочие — это отдельные слои.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Примечание об актуальных источниках — 8 октября 2026 г.\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Терминология агентов всё ещё различается у поставщиков и в исследовательских сообществах. OpenAI в настоящее время определяет среды выполнения агентов вокруг многошаговой работы, инструментов, состояния и оркестрации. Практическое различие Anthropic остаётся полезным: рабочие процессы следуют предопределённым путям кода, тогда как агенты динамически направляют собственный процесс и использование инструментов. Поэтому в этой статье «агентный ИИ» рассматривается как архитектурный спектр, а не как одна стандартизированная категория продуктов.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Содержание\">\u003Cstrong class=\"editorjs-toc__title\">Содержание\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Что на самом деле означает агентный ИИ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-10\" class=\"editorjs-toc__link\">Простейший пример\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">Где останавливается простой пример\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-18\" class=\"editorjs-toc__link\">Агент против рабочего процесса\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-21\" class=\"editorjs-toc__link\">Агентное поведение — это спектр, а не бинарный ярлык\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-24\" class=\"editorjs-toc__link\">Минимальная архитектура агентной системы\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">Модель — это не агент\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">Использование инструментов центрально — но само по себе использование инструментов не делает систему агентом\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">Возможность инструмента, разрешение и полномочия — это разные вещи\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">Среда выполнения или обвязка — это фактическая система исполнения\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Планирование полезно, но явный план не обязателен\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-44\" class=\"editorjs-toc__link\">Обратная связь от среды делает цикл полезным\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Состояние агента — это не то же самое, что контекст модели\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-51\" class=\"editorjs-toc__link\">Память необязательна и не является определением агента\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">Инженерия контекста становится динамичной в агентах\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-58\" class=\"editorjs-toc__link\">Инструменты чтения и инструменты с побочными эффектами имеют разный риск\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">Человек в цикле — это механизм контроля, а не противоположность агентному ИИ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-64\" class=\"editorjs-toc__link\">Агентам нужны явные условия остановки\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-66\" class=\"editorjs-toc__link\">Восстановление — часть поведения агента\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-70\" class=\"editorjs-toc__link\">Агентный ИИ не требует нескольких агентов\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-74\" class=\"editorjs-toc__link\">Агентные протоколы — это слои взаимодействия, а не сам агент\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-78\" class=\"editorjs-toc__link\">Траектория — часть надёжности агента\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">Агентные системы увеличивают поверхность безопасности\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-85\" class=\"editorjs-toc__link\">Наблюдаемость агента должна следовать за циклом\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-88\" class=\"editorjs-toc__link\">Как оценивать агентную систему\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Когда агент уместен\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-93\" class=\"editorjs-toc__link\">Доказательства оригинальной реализации\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-94\" class=\"editorjs-toc__link\">Aaasaasa AI Client: модель, среда выполнения и разрешения разделены\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Source of Truth Research Engine: ограниченные агентные этапы исследования\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Распространенные режимы отказа агентного ИИ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Распространенные заблуждения\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-109\" class=\"editorjs-toc__link\">Практическая последовательность проектирования агента\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-111\" class=\"editorjs-toc__link\">Контрольный список архитектуры агентного ИИ\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Краевые случаи и ограничения\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-119\" class=\"editorjs-toc__link\">Что могло бы изменить этот ответ?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Связанные канонические знания\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-127\" class=\"editorjs-toc__link\">Часто задаваемые вопросы\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-129\" class=\"editorjs-toc__link\">Глоссарий\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-131\" class=\"editorjs-toc__link\">Заключение\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-135\" class=\"editorjs-toc__link\">Первоисточники и актуальные рекомендации\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Что на самом деле означает агентный ИИ\u003C\u002Fh2>\n\u003Cp>Важный сдвиг от обычного генеративного ИИ к агентному ИИ — это контроль над процессом. Обычный ассистент может ответить на вопрос, используя полученный контекст. Агент может решить, что для ответа требуются дополнительные шаги: проверить файл, выполнить поиск в репозитории, запросить API, попросить уточнение, запустить тест, обновить тикет, делегировать подзадачу или повторить попытку после неудачного действия.\u003C\u002Fp>\n\u003Cp>Это не требует неограниченной автономии. Агент может работать внутри узкой песочницы, под строгими разрешениями, с обязательным согласованием перед каждым значимым действием. Система всё равно остаётся агентной, если модель динамически выбирает среди разрешённых следующих шагов.\u003C\u002Fp>\n\u003Cp>Поэтому архитектура важнее ярлыка. «Агент» должен описывать поведение системы: итеративное принятие решений на основе модели над инструментами, состоянием и обратной связью — а не просто чат-бота с более крупным промптом.\u003C\u002Fp>\n\u003Ch2 id=\"section-10\">Простейший пример\u003C\u002Fh2>\n\u003Cp>Предположим, разработчик спрашивает систему ИИ: «Найди, почему набор тестов падает, и исправь ошибку». Одиночный вызов модели мог бы лишь предложить вероятные причины на основе данного ей текста.\u003C\u002Fp>\n\u003Cp>Агентная система программирования может проверить репозиторий, найти падающий тест, прочитать соответствующие файлы, предложить изменение, отредактировать код, запустить тест, наблюдать сбой, пересмотреть реализацию и снова запустить тест.\u003C\u002Fp>\n\u003Cp>Агентная часть состоит не просто в наличии инструментов оболочки и файлов. Она в том, что модель может использовать обратную связь от среды, чтобы выбрать следующий шаг, вместо следования одной полностью предопределённой последовательности.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Базовый цикл агента\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Получить цель\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Пользователь или вышестоящая система определяет цель и соответствующие ограничения.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Построить текущий контекст\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Среда выполнения предоставляет инструкции, состояние, историю, память, инструменты и текущие данные.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Модель решает следующий шаг\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Модель может ответить, вызвать инструмент, запросить информацию, делегировать или остановиться.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Среда выполнения проверяет запрос\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Разрешения, схемы, согласования и политика определяют, может ли предложенное действие быть выполнено.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Выполнить инструмент или действие\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Внешняя среда изменяется или возвращает новую информацию.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Наблюдать результат\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Среда выполнения передаёт структурированный вывод инструмента, ошибки или изменения состояния обратно в следующий шаг модели.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Продолжить или остановиться\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Цикл повторяется до успеха, отказа, эскалации, достижения лимита бюджета, тайм-аута или другого условия остановки.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">Где останавливается простой пример\u003C\u002Fh2>\n\u003Cp>Не каждая многошаговая система ИИ является в равной степени агентной. Рабочий процесс может использовать несколько вызовов LLM и инструментов, при этом каждый шаг предопределён в коде. Другая система может позволить модели решать, какой инструмент вызвать, в каком порядке, сколько раз и когда остановиться.\u003C\u002Fp>\n\u003Cp>Оба варианта могут быть полезны. Разница в том, где находится контроль. Предопределённые рабочие процессы передают больше контроля в код приложения. Агенты переносят больше тактических решений о процессе в цикл модель\u002Fсреда выполнения.\u003C\u002Fp>\n\u003Ch2 id=\"section-18\">Агент против рабочего процесса\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Предопределённый рабочий процесс и агентное управление\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Рабочий процесс LLM\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Агент\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Путь процесса\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Последовательность инструментов\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Сильная сторона\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Риск\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic явно разделяет эти два паттерна: рабочие процессы оркеструют модели и инструменты через предопределённые пути кода, тогда как агенты позволяют моделям динамически управлять собственными процессами и использованием инструментов. Это не единственная возможная терминология, но это полезная архитектурная граница.\u003C\u002Fp>\n\u003Ch2 id=\"section-21\">Агентное поведение — это спектр, а не бинарный ярлык\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Уровень\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Пример\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Кто решает следующий шаг?\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Одиночный вызов модели\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Суммируй этот документ\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Приложение вызывает модель один раз\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ответ с поддержкой инструментов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель может использовать веб-поиск перед ответом\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель выбирает из ограниченных инструментов для одного ответа\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Структурированный рабочий процесс\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Классифицировать → извлечь → сгенерировать → проверить\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Рабочий процесс приложения определяет этапы\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Адаптивный рабочий процесс\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель может выбирать среди нескольких ветвей и повторять попытки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Совместный контроль между приложением и моделью\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Цикл агента\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель многократно выбирает инструменты\u002Fдействия на основе наблюдений\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель управляет тактическим выполнением в рамках ограничений среды выполнения\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Долгоработающий агент\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агент приостанавливается, возобновляется, управляет артефактами и продолжает\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель + постоянная среда выполнения управляют развивающимся выполнением\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Называть каждую систему выше «агентом» может скрыть важные операционные различия. Чем сильнее контроль модели над последовательностью, длительностью и действиями, тем важнее становятся изоляция среды выполнения, разрешения, трассировка, условия остановки и оценка траектории.\u003C\u002Fp>\n\u003Ch2 id=\"section-24\">Минимальная архитектура агентной системы\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Компонент\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ответственность\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Цель \u002F задача\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Определяет, чего система пытается достичь.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Интерпретирует контекст и решает следующее действие или вывод.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Инструкции\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Определяют роль, ограничения, приоритеты и политику для конкретной задачи.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сборщик контекста\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Формирует информацию, видимую модели на каждом шаге.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Каталог инструментов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Определяет возможности, которые модель может запросить.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Среда выполнения \u002F обвязка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запускает цикл, выполняет инструменты, управляет состоянием и обрабатывает условия остановки.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Слой авторизации\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Определяет, разрешено ли предложенное действие для текущего субъекта.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Состояние \u002F сессия\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сохраняет прогресс задачи между ходами или шагами выполнения.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Канал наблюдения\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Возвращает результаты инструментов и изменения среды к следующему шагу модели.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Согласования \u002F человеческий контроль\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Приостанавливает значимые действия, где требуется проверка.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Трассировка \u002F аудит\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Записывает вызовы модели, инструменты, переходы, согласования и сбои.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Оценка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Измеряет результаты и траектории выполнения относительно критериев приёмки.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-26\">Модель — это не агент\u003C\u002Fh2>\n\u003Cp>Языковая модель производит выводы из входных данных. Сама по себе она не владеет файловой системой, не выполняет команды оболочки, не поддерживает долговременное состояние задачи, не обеспечивает соблюдение разрешений и не вызывает себя автоматически снова.\u003C\u002Fp>\n\u003Cp>Эти возможности исходят от окружающей среды выполнения. Одна и та же модель может вести себя как простая чат-модель в одном приложении и как движок принятия решений внутри цикла агента в другом.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Архитектурное правило\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>Возможности модели определяют, какие решения могут быть предложены. Архитектура среды выполнения определяет, что может фактически произойти.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-30\">Использование инструментов центрально — но само по себе использование инструментов не делает систему агентом\u003C\u002Fh2>\n\u003Cp>Инструменты позволяют модели получать информацию и воздействовать на внешние системы. Примеры включают чтение базы данных, файловые операции, выполнение команд оболочки, веб-поиск, управление браузером, вызовы API, обновление тикетов или делегирование специализированным агентам.\u003C\u002Fp>\n\u003Cp>Одиночный вызов модели может использовать один инструмент и всё же оставаться ограниченным ответом с поддержкой инструментов, а не долгоработающим агентом. Агентное поведение появляется, когда наблюдения инструментов питают адаптивный цикл, в котором модель выбирает, что делать дальше.\u003C\u002Fp>\n\u003Cp>Дизайн инструментов важен, потому что инструменты — это контракт между рассуждением модели и внешней реальностью. Неоднозначные или пересекающиеся инструменты создают ошибки маршрутизации; большие неструктурированные выводы загрязняют контекст; инструменты с широкими побочными эффектами увеличивают радиус поражения.\u003C\u002Fp>\n\u003Ch2 id=\"section-34\">Возможность инструмента, разрешение и полномочия — это разные вещи\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Слой\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Вопрос\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Возможность\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Может ли эта среда выполнения технически выполнить операцию?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Доступность инструмента\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Доступна ли эта возможность данному агенту?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Разрешение\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Может ли этот агент\u002Fсессия использовать её в рамках текущей политики?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Авторизация пользователя\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Разрешено ли запрашивающему субъекту инициировать эту операцию?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Бизнес-полномочия\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Является ли операция допустимой в соответствии с доменными правилами, согласованиями и лимитами?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Выполнение\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Произошла ли операция фактически?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Аудит\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Может ли система доказать, кто запросил, одобрил и выполнил её?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Эти слои часто сливаются в прототипах. Модель видит инструмент возврата средств и поэтому кажется способной выдавать возвраты. В продакшене инструмент всё равно должен независимо от запроса модели проверять счёт, пользователя, транзакцию, сумму, политику и условия согласования.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">Среда выполнения или обвязка — это фактическая система исполнения\u003C\u002Fh2>\n\u003Cp>Текущая документация OpenAI по агентам явно выделяет различие сред выполнения. Разные среды выполнения могут управлять оркестрацией, состоянием, инструментами, песочницами и исполнением в разных местах, тогда как модель остаётся лишь одной частью системы.\u003C\u002Fp>\n\u003Cp>Agents SDK описывает цикл, который многократно вызывает текущую модель, проверяет вывод, выполняет запрошенные инструменты или передачи управления и продолжается, пока модель не вернёт окончательный ответ или не достигнет другой реальной точки остановки.\u003C\u002Fp>\n\u003Cp>Это означает, что решения об архитектуре агента включают: где выполняется оркестрация, где хранится состояние, кто выполняет инструменты, какая песочница содержит побочные эффекты и кто отвечает за повторные попытки, тайм-ауты и возможность возобновления.\u003C\u002Fp>\n\u003Ch2 id=\"section-41\">Планирование полезно, но явный план не обязателен\u003C\u002Fh2>\n\u003Cp>Агентов часто описывают как системы, которые «планируют». На практике планирование может быть явным или неявным. Агент может сначала создать видимый многошаговый план или выбирать по одному следующему действию за раз и пересматривать его после каждого наблюдения.\u003C\u002Fp>\n\u003Cp>Для задач с высокой неопределённостью краткосрочное планирование может быть безопаснее, поскольку среда может сделать длинный план недействительным. Архитектурное требование — это способность выбирать и пересматривать действия на основе цели, текущего состояния и новых данных.\u003C\u002Fp>\n\u003Ch2 id=\"section-44\">Обратная связь от среды делает цикл полезным\u003C\u002Fh2>\n\u003Cp>Агент становится операционно значимым, когда может наблюдать, сработало ли его действие. Вывод инструментов, результаты тестов, ответы API, состояние файловой системы, состояние браузера и записи приложений предоставляют внешние доказательства, которые система может использовать для пересмотра своего следующего решения.\u003C\u002Fp>\n\u003Cp>Руководство Anthropic по агентам подчёркивает этот цикл обратной связи: агенты используют инструменты, получают достоверные данные из среды, оценивают прогресс и продолжают работу или запрашивают ввод человека.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Самоотчёт не является доказательством из среды\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Если агент говорит «задача выполнена», это не доказывает завершение. Где возможно, проверяйте конечное состояние через внешнюю систему, тест, файл, запись транзакции или другой наблюдаемый результат.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-48\">Состояние агента — это не то же самое, что контекст модели\u003C\u002Fh2>\n\u003Cp>Длительная задача может требовать состояния, которое не может или не должно оставаться в контексте модели: идентификаторы задач, контрольные точки, артефакты, одобрения, идентификаторы внешних объектов, счётчики повторных попыток и статус рабочего процесса.\u003C\u002Fp>\n\u003Cp>Среда выполнения может сохранять это долговременное состояние вне окна модели и восстанавливать контекст, необходимый для следующего шага. Это позволяет держать видимый модели контекст сфокусированным, сохраняя непрерывность и возможность возобновления.\u003C\u002Fp>\n\u003Ch2 id=\"section-51\">Память необязательна и не является определением агента\u003C\u002Fh2>\n\u003Cp>Агент может успешно работать без долговременной памяти, если вся задача помещается в один ограниченный запуск. Память становится полезной, когда информация должна сохраняться между сессиями, задачами или длительными горизонтами выполнения.\u003C\u002Fp>\n\u003Cp>RAG, память, состояние и контекст решают разные задачи. Рассмотрение векторной базы данных как «памяти агента» или истории диалога как «машины состояний» обычно скрывает важные границы жизненного цикла и полномочий.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Память ИИ-агента — это не RAG: как разделить память, извлечение, состояние и контекст\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Практическая архитектура, разделяющая постоянную память, авторитетное состояние приложения, извлечение и контекст, передаваемый модели.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать статью об архитектуре памяти →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-55\">Инженерия контекста становится динамичной в агентах\u003C\u002Fh2>\n\u003Cp>Каждый вызов инструмента может порождать новый контекст. Каждый шаг также может сделать предыдущую информацию устаревшей. Поэтому сильная среда выполнения агента перестраивает или курирует контекст по мере выполнения, а не воспроизводит всё бесконечно.\u003C\u002Fp>\n\u003Cp>Определения инструментов, состояние задачи, извлечённые данные, наблюдения и память конкурируют за внимание модели. Долго работающим агентам нужны обрезка, сжатие или загрузка по требованию, чтобы контекст оставался релевантным текущему решению.\u003C\u002Fp>\n\u003Ch2 id=\"section-58\">Инструменты чтения и инструменты с побочными эффектами имеют разный риск\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Доступ к информации против внешнего действия\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Чтение \u002F наблюдение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Запись \u002F действие\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Примеры\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Основной риск\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Типичный контроль\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-60\">Человек в цикле — это механизм контроля, а не противоположность агентному ИИ\u003C\u002Fh2>\n\u003Cp>Агент не перестаёт быть агентным из-за того, что человек одобряет значимые шаги. Модель по-прежнему может автономно исследовать, рассуждать, искать и готовить действие, пока среда выполнения требует подтверждения человека перед выполнением.\u003C\u002Fp>\n\u003Cp>Текущие рекомендации OpenAI по безопасности агентов явно советуют одобрения для операций с инструментами в рабочих процессах с повышенным риском. Anthropic также подчёркивает контрольные точки и человеческое суждение там, где агенты сталкиваются с препятствиями или значимыми решениями.\u003C\u002Fp>\n\u003Cp>Полезный архитектурный вопрос не «человек или автономность?», а какие решения можно делегировать, какие требуют проверки и какие должны оставаться детерминированными?\u003C\u002Fp>\n\u003Ch2 id=\"section-64\">Агентам нужны явные условия остановки\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Условие остановки\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Назначение\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Успешный проверенный результат\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Завершить, когда внешнее целевое состояние подтверждено.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Максимум шагов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предотвратить бесконтрольные циклы.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Бюджет времени\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ограничить время выполнения.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Бюджет стоимости\u002Fтокенов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ограничить потребление ресурсов.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Детектор повторяющихся действий\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Остановить циклы, которые больше не продвигаются вперёд.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Граница разрешений\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Приостановить или остановить, когда следующее требуемое действие не разрешено.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Контрольная точка одобрения человеком\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Подождать перед значимым выполнением.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Неустранимая ошибка инструмента\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Эскалировать вместо бесконечных повторных попыток.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Порог неопределённости\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Запросить уточнение, когда задачу нельзя безопасно вывести.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-66\">Восстановление — часть поведения агента\u003C\u002Fh2>\n\u003Cp>Агенты работают в средах, которые дают сбои: API истекают по таймауту, файлы меняются, учётные данные истекают, веб-страницы перемещаются, а инструменты возвращают некорректный вывод. Поэтому полезная агентная система нуждается в поведении восстановления, а не только в цикле инструментов по счастливому пути.\u003C\u002Fp>\n\u003Cp>Восстановление может включать повтор с ограничениями, выбор другого инструмента, повторное чтение текущего состояния, запрос к пользователю, откат частичного действия или эскалацию к человеку.\u003C\u002Fp>\n\u003Cp>Повторные попытки также требуют учёта идемпотентности. Повтор чтения обычно малорискован; повтор платежа или отправки сообщения может создать дублирующие побочные эффекты.\u003C\u002Fp>\n\u003Ch2 id=\"section-70\">Агентный ИИ не требует нескольких агентов\u003C\u002Fh2>\n\u003Cp>Один агент с чётким набором инструментов часто проще и легче для оценки, чем мультиагентная архитектура. Несколько агентов полезны, когда специализация существенно улучшает изоляцию инструментов, изоляцию политик, ясность промпта, ответственность или читаемость трассировки.\u003C\u002Fp>\n\u003Cp>Текущие рекомендации OpenAI по оркестрации явно советуют по возможности начинать с одного агента и добавлять специалистов только тогда, когда контракт или граница ответственности существенно меняются.\u003C\u002Fp>\n\u003Cp>Мультиагентные системы добавляют новые проблемы: качество делегирования, дублирование контекста, конфликтующее состояние, семантика передачи управления, идентичность, стоимость и обработка распределённых сбоев.\u003C\u002Fp>\n\u003Ch2 id=\"section-74\">Агентные протоколы — это слои взаимодействия, а не сам агент\u003C\u002Fh2>\n\u003Cp>Такие протоколы, как MCP и A2A, могут сделать агентную архитектуру совместимой, но они сами по себе не создают цикл агента. MCP может предоставлять инструменты и ресурсы. A2A может соединять независимо реализованных агентов. Приложению всё ещё нужны среда выполнения, авторизация, состояние, оценка и доменная логика.\u003C\u002Fp>\n\u003Cp>Именно поэтому возможности протокола должны оставаться отдельными от бизнес-полномочий. Обнаружение инструмента через MCP не доказывает, что текущему субъекту разрешено его использовать. Получение задачи через A2A не доказывает, что удалённый агент может выполнить каждое запрошенное действие.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">MCP vs A2A vs UCP vs AP2 vs A2UI: объяснение стека агентных протоколов\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Карта ответственности протоколов, показывающая, почему доступ к инструментам, взаимодействие агентов, коммерция, платёжные полномочия и управляемый агентом интерфейс относятся к разным границам совместимости.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать о стеке агентных протоколов →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-78\">Траектория — часть надёжности агента\u003C\u002Fh2>\n\u003Cp>Финального ответа недостаточно как доказательства для агентной системы, потому что агент может прийти к правильному результату через небезопасный или недопустимый путь. Он может использовать неавторизованный инструмент, пропустить обязательную проверку, повторить побочный эффект, опереться на устаревшее состояние или случайно добиться успеха.\u003C\u002Fp>\n\u003Cp>Поэтому оценка требует трассировок выполнения: решений, вызовов инструментов, одобрений, наблюдений, изменений состояния и итогового результата. Текущие рекомендации OpenAI по безопасности советуют использовать оценщиков трассировок и evals; руководство Anthropic 2026 года по оценке агентов аналогично рассматривает многошаговые траектории использования инструментов как полноценные объекты оценки.\u003C\u002Fp>\n\u003Cp>Более сильный вопрос о надёжности звучит так: достиг ли агент приемлемого результата через приемлемую, восстановимую и аудируемую траекторию?\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Надёжность ИИ-агентов: почему финального ответа недостаточно\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Почему производственная оценка должна проверять траектории, использование инструментов, переходы состояния и восстановимость, а не только финальные ответы.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Читать статью о надёжности →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-83\">Агентные системы увеличивают поверхность безопасности\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Риск\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Почему агенты его усиливают\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ответ архитектуры\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Инъекция промпта\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Недоверенный контент может влиять на будущие решения об инструментах\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Отделяйте инструкции от данных; ограничивайте инструменты; санитизируйте или структурируйте внешний ввод, где это возможно\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Чрезмерные разрешения\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ошибки рассуждения могут стать реальными побочными эффектами\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Наименьшие привилегии, ограниченные учётные данные, политика и одобрения для каждого инструмента\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Утечка учётных данных\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Инструментам могут требоваться мощные секреты\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Держите секреты вне контекста модели; брокеризуйте доступ через доверенную среду выполнения\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Спутанный заместитель\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агент может действовать с полномочиями шире, чем у запрашивающего пользователя\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Привязывайте выполнение к идентичности пользователя или сервиса и повторно авторизуйте значимые действия\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Неуправляемые циклы\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель многократно вызывает инструменты без прогресса\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Бюджеты по шагам, времени и стоимости плюс обнаружение циклов\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Дрейф состояния\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Среда меняется после того, как агент сформировал план\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Повторно читайте авторитетное состояние перед значимыми действиями\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Косвенная инъекция\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Содержимое инструментов, веб-страниц или документов содержит инструкции, нацеленные на модель\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Рассматривайте внешний контент как недоверенные данные, а не как источник инструкций\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Пробел в аудите\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Финальный результат не может показать, что было выполнено\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Трассируйте вызовы инструментов, одобрения, идентичности и изменения состояния\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-85\">Наблюдаемость агента должна следовать за циклом\u003C\u002Fh2>\n\u003Cp>Традиционная наблюдаемость сервисов фиксирует запросы, задержку и ошибки. Наблюдаемости агента нужна дополнительная модель выполнения: какой агент был активен, какая версия модели приняла решение, какой контекст был доступен, какой инструмент был выбран, какие аргументы были отправлены, какой результат вернулся и почему выполнение остановилось.\u003C\u002Fp>\n\u003Cp>Для чувствительных систем сами трассировки требуют контроля доступа и политики хранения, потому что промпты, выводы инструментов и артефакты могут содержать конфиденциальные данные.\u003C\u002Fp>\n\u003Ch2 id=\"section-88\">Как оценивать агентную систему\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Измерение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Вопрос\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Пример доказательства\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Успех задачи\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Произошёл ли запрошенный результат?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Внешнее состояние, тесты, бизнес-результат\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Качество траектории\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Были ли шаги приемлемыми?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Трассировка инструментов и действий\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Выбор инструмента\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Выбрал ли агент подходящие возможности?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ожидаемые и фактические вызовы инструментов\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Соблюдение разрешений\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Остался ли он в пределах разрешённых полномочий?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Журналы авторизации и тесты запрещённых действий\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Обработка состояния\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Использовал ли он текущее авторитетное состояние?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Проверки актуальности и тесты изменения состояния\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Восстановление\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Правильно ли он отреагировал на сбои?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сценарии с внедрёнными тайм-аутами и ошибками\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Поведение остановки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Остановился ли он в нужный момент?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Количество шагов, обнаружение циклов, доказательство финального состояния\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Эскалация к человеку\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Спросил ли он, когда требовалась проверка?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Трассировки одобрений и эскалаций\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Стоимость и задержка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Оправдала ли автономность операционную стоимость?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Токены, вызовы инструментов, длительность\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Устойчивость\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Выдерживает ли он реалистичные вариации среды?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Повторные и состязательные испытания\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-90\">Когда агент уместен\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Используйте агента, когда\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Предпочтите рабочий процесс или простой вызов, когда\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Количество или порядок шагов не могут быть надежно известны заранее\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Последовательность стабильна и детерминирована\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Система должна исследовать среду и адаптироваться\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Достаточно одного шага извлечения и генерации\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Несколько инструментов могут быть полезны в зависимости от промежуточных результатов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Один известный вызов API решает задачу\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Задача выигрывает от итеративной проверки или исправления\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ответ может быть получен непосредственно из предоставленного контекста\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сбои требуют гибкого поведения восстановления\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ветви сбоев просты и могут быть явно закодированы\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Человеческий обзор может быть вставлен в значимые контрольные точки\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Каждый шаг высокорискован и в любом случае должен контролироваться вручную\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ожидаемая ценность оправдывает дополнительные задержки, затраты и сложность\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предсказуемость и низкая стоимость важнее гибкости\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Надежным подходом по умолчанию является начало с самого простого работающего решения и увеличение агентной сложности только тогда, когда гибкость дает измеримую ценность. Агенты обменивают предсказуемость, задержку и стоимость на адаптивное выполнение.\u003C\u002Fp>\n\u003Ch2 id=\"section-93\">Доказательства оригинальной реализации\u003C\u002Fh2>\n\u003Ch3 id=\"section-94\">Aaasaasa AI Client: модель, среда выполнения и разрешения разделены\u003C\u002Fh3>\n\u003Cp>Aaasaasa AI Client явно разделяет агента\u002Fклиента, провайдера, модель, расположение среды выполнения и разрешения. Его документация по архитектуре рассматривает разрешения как центральную политику инструментов\u002Fрабочего пространства, а не как свойство модели.\u003C\u002Fp>\n\u003Cp>Одно и то же приложение может предоставлять Direct Chat без инструментов файловой системы или оболочки, в то время как среда выполнения Codex работает в выбранном рабочем пространстве и профиле разрешений. Это демонстрирует ключевую границу агентной архитектуры: изменение поверхности среды выполнения\u002Fинструментов меняет то, что система может делать, даже если доступ к модели остается доступным.\u003C\u002Fp>\n\u003Cp>Репозиторий также различает локальную среду выполнения Codex и расположение модели: локальная среда выполнения может вызывать облачную модель. Это предотвращает распространенную ошибку отождествления «агент работает локально» с «вывод выполняется локально».\u003C\u002Fp>\n\u003Cp>Реализация отключает встроенные пути выполнения, семантика одобрения которых не удовлетворяет требуемой модели разрешений. Это поддерживает принцип, согласно которому возможности агента не должны обходить авторизацию среды выполнения только потому, что базовая платформа может выполнять инструменты.\u003C\u002Fp>\n\u003Ch3 id=\"section-99\">Source of Truth Research Engine: ограниченные агентные этапы исследования\u003C\u002Fh3>\n\u003Cp>Source of Truth Research Engine использует ограниченный конвейер исследований: обнаружение → получение → извлечение → проверка → противоречие → синтез. Задания исследования могут выполняться через среду выполнения ИИ, в то время как доказательства, источники, утверждения и противоречия остаются во внешнем постоянном хранилище.\u003C\u002Fp>\n\u003Cp>Это намеренно более контролируемо, чем неограниченный автономный исследовательский агент. Этапы обеспечивают ограничения в отношении того, какая работа должна выполняться следующей, при этом позволяя управляемое моделью исследование внутри каждой ограниченной задачи.\u003C\u002Fp>\n\u003Cp>Это различие является полезным доказательством для проектирования агентов: автономия может быть помещена внутрь структурированного конверта доставки, а не применяться единообразно ко всему процессу.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Реализованный шаблон\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Урок агентной архитектуры\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Direct Chat не имеет инструментов ОС\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель может существовать без возможности агентного выполнения.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Среда выполнения Codex имеет профиль разрешений рабочего пространства\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Полномочия инструментов принадлежат политике среды выполнения, а не возможностям модели.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Провайдер\u002Fмодель\u002Fсреда выполнения — отдельные концепции\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Расположение обвязки агента и расположение вывода — независимые решения.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Брокер разрешений для сред выполнения с поддержкой инструментов\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Предоставление возможностей может быть централизовано и управляемо.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ограниченные этапы исследования\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Автономия может работать внутри явных границ процесса.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Постоянные утверждения\u002Fдоказательства вне контекста модели\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Состояние агента и доказательства не обязательно должны находиться только в истории разговора.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Граница доказательств\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Эти проекты демонстрируют конкретные шаблоны агента\u002Fсреды выполнения, разрешений и ограниченных исследований. Они не представлены как доказательство крупномасштабного коммерческого развертывания автономных агентов.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-105\">Распространенные режимы отказа агентного ИИ\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Режим отказа\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Что на самом деле отказало\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Агент» — это всего лишь чат-бот с инструментами, перечисленными в подсказке\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Не существует надежного цикла среды выполнения или архитектуры выполнения инструментов\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Поддержка инструментов рассматривается как разрешение\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Границы возможностей и авторизации разрушаются\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агент доверяет своему собственному заявлению о завершении\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Результат не проверяется по внешнему состоянию\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Каждая задача становится многоагентной\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Сложность увеличивается без реальной границы владения или специализации\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">История разговора используется как долговременное состояние\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Возобновляемость и авторитетное состояние становятся хрупкими\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агент слепо повторяет побочные эффекты\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Становятся возможными дублирование сообщений, платежей или изменений состояния\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Нет ограничений на шаги\u002Fстоимость\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агент может зацикливаться бесконечно или потреблять неконтролируемые ресурсы\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Вывод инструмента воспринимается как инструкция\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Косвенная инъекция подсказки может перенаправить поведение\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Правильный окончательный ответ — единственная оценка\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Небезопасные или недопустимые траектории остаются невидимыми\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Обновление модели рассматривается как прозрачное\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Выбор инструментов, планирование и поведение остановки могут измениться\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Один широкий инструмент предоставляет множество привилегированных операций\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Радиус поражения увеличивается, и намерение становится труднее проверить\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Человеческое одобрение существует, но у рецензента нет контекста\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Одобрение становится церемониальным, а не эффективным\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-107\">Распространенные заблуждения\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Заблуждение\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Исправление\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«LLM — это агент».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Модель — это компонент принятия решений; агент — это окружающая система, которая управляет инструментами, состоянием и итерацией.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Вызов инструментов автоматически означает агентный ИИ».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Один ограниченный вызов инструмента может не включать адаптивный многошаговый цикл агента.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Агенты должны быть полностью автономными».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Агентные системы могут требовать одобрений и работать в узких границах разрешений.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Агентам нужна долговременная память».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Память необязательна; многие полезные агенты выполняют ограниченные задачи без межсессионной памяти.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Агенты должны сначала создать письменный план».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Планирование может быть явным или неявным и может происходить шаг за шагом.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Многоагентность более продвинута, чем одноагентность».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Она более сложна; используйте ее только тогда, когда специализация или границы владения оправдывают это.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«MCP создает агента».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">MCP предоставляет инструменты\u002Fресурсы; среде выполнения все еще нужен цикл агента и модель авторизации.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Локальная среда выполнения означает, что модель локальна».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Расположение среды выполнения и расположение вывода\u002Fпровайдера разделены.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Если окончательный результат правильный, агент работал правильно».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Небезопасная или несанкционированная траектория все еще может дать правильный результат.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">«Человеческое одобрение устраняет автономию».\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Одобрение может ограничивать выбранные действия, в то время как остальная часть процесса остается управляемой моделью.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-109\">Практическая последовательность проектирования агента\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Проектируйте агента от полномочий наружу\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Определите результат\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Сформулируйте, какой внешний результат или артефакт доказывает успешное выполнение задачи.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Решите, действительно ли нужен агент\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Предпочитайте простой вызов или детерминированный рабочий процесс, когда путь предсказуем.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Определите состояние и источник истины\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Определите, какие системы владеют текущими фактами, прогрессом задачи и бизнес-состоянием.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Определите поверхность инструментов\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Предоставьте минимальный набор чётких возможностей, необходимых для задачи.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Свяжите идентичность и разрешения\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Разделите полномочия пользователя, разрешения агента\u002Fсреды выполнения и возможности инструментов.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Выберите границы автономии\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Укажите, что модель может решать динамически, а что остаётся детерминированным.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Добавьте контрольные точки утверждения\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Требуйте проверку перед значимыми или необратимыми действиями, где это уместно.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Определите остановку и восстановление\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Задайте доказательство успеха, бюджеты, тайм-ауты, повторные попытки, эскалацию и управление циклами.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Спроектируйте управление контекстом\u002Fсостоянием\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Держите текущее состояние, память, наблюдения инструментов и долговечные артефакты в правильных слоях.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Отслеживайте траекторию\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Записывайте достаточно структуры выполнения, чтобы отлаживать и проверять решения модели и инструментов.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">11\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">11. Оценивайте реалистичные сбои\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Тестируйте устаревшее состояние, ошибки инструментов, внедрение подсказок, неоднозначные запросы и изменённые среды.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">12\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">12. Расширяйте автономию только на основе доказательств\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Увеличивайте разрешения или горизонт выполнения, когда оценка показывает, что выгода оправдывает риск.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-111\">Контрольный список архитектуры агентного ИИ\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Вопрос\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ожидаемое доказательство\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Что доказывает успех?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Внешний результат, артефакт, тест или авторитетное состояние.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Почему нужен агент?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Путь действительно зависит от промежуточных наблюдений.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Какие решения управляются моделью?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Явная граница автономии.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Какие инструменты существуют?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Небольшой, документированный, однозначный набор возможностей.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Кто может использовать каждый инструмент?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Политика авторизации с учётом идентичности и контекста.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Какие действия требуют утверждения?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Правила проверки на основе последствий.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Где хранится состояние задачи?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Состояние, принадлежащее приложению, отдельно от временного контекста модели.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Как агент восстанавливается?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Повторная попытка, повторное чтение, откат, уточнение и эскалация.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Как он останавливается?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Проверенное завершение плюс ограничения по шагам\u002Fвремени\u002Fстоимости.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Как защищены побочные эффекты?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Валидация, идемпотентность, наименьшие привилегии и подтверждение.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Можно ли восстановить выполнение?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Трассировки инструментов, утверждений и переходов состояний.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Как это оценивается?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Тесты результата + траектории + устойчивости.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Что меняется после обновления модели\u002Fсреды выполнения?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Регрессионный набор для выбора инструментов, разрешений, остановки и восстановления.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-113\">Краевые случаи и ограничения\u003C\u002Fh2>\n\u003Cp>Некоторые системы являются «агентными» лишь в узком смысле маршрутизации: модель выбирает одного специалиста или инструмент, а остальная часть рабочего процесса детерминирована. Это всё ещё может быть полезно, но не следует описывать это как эквивалент долго работающего автономного агента.\u003C\u002Fp>\n\u003Cp>В областях с высокими последствиями автономия агента может намеренно ограничиваться. Система ИИ может изучать доказательства, готовить рекомендации и заполнять структурированные формы, в то время как человек остаётся единственным субъектом, которому разрешено совершить финальную транзакцию.\u003C\u002Fp>\n\u003Cp>Некоторые среды хорошо подходят для агентов, потому что обратная связь объективна. Агенты для программирования могут запускать тесты; агенты для инфраструктуры могут проверять метрики; агенты для данных могут валидировать результаты запросов. Открытые области со слабой обратной связью требуют более осторожной оценки.\u003C\u002Fp>\n\u003Cp>Агент может работать полностью локально, полностью через управляемые облачные сервисы или в гибридной архитектуре. Агентное поведение описывает поток управления, а не место размещения.\u003C\u002Fp>\n\u003Cp>Термин «рассуждение» не следует использовать как доказательство того, что внутренний процесс агента корректен. Производственная гарантия должна опираться на наблюдаемые входы, действия, выходы, состояние и оценку, а не на непроверяемые утверждения о скрытых рассуждениях.\u003C\u002Fp>\n\u003Ch2 id=\"section-119\">Что могло бы изменить этот ответ?\u003C\u002Fh2>\n\u003Cp>API поставщиков и агентные фреймворки будут продолжать развиваться, но архитектурная граница стабильна: модель предлагает решения, среда выполнения управляет циклом, инструменты соединяются со средой, разрешения ограничивают действия, а внешние наблюдения определяют, что фактически произошло.\u003C\u002Fp>\n\u003Cp>По мере того как модели становятся надёжнее, системы могут безопасно делегировать более длинные горизонты или более сложное поведение восстановления. По мере улучшения проверки и авторизации во время выполнения некоторые этапы утверждения могут стать автоматическими. Это изменения уровня автономии, а не изменения фундаментальных слоёв ответственности.\u003C\u002Fp>\n\u003Cp>Рекомендуемая архитектура также меняется в зависимости от последствий. Исследовательский агент, который только читает публичные источники, может допускать иные меры контроля, чем агент, который записывает производственную конфигурацию или переводит деньги.\u003C\u002Fp>\n\u003Ch2 id=\"section-123\">Связанные канонические знания\u003C\u002Fh2>\n\u003Cp>Агентный ИИ находится над несколькими предварительными слоями: инженерия контекста определяет, что видит модель; архитектура источника истины определяет, какая информация является авторитетной; извлечение предоставляет внешние доказательства; архитектура среды выполнения определяет, что может выполняться.\u003C\u002Fp>\n\u003Cp>Нижестоящие узлы включают вызов инструментов, MCP, A2A, идентичность агента, разрешения, аудируемость, участие человека в цикле, оркестрацию, память и многоагентные системы.\u003C\u002Fp>\n\u003Cp>Статью о стеке протоколов следует поэтому читать после базовой концепции агента: протоколы стандартизируют границы вокруг агентов; они не определяют само агентное поведение.\u003C\u002Fp>\n\u003Ch2 id=\"section-127\">Часто задаваемые вопросы\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Вопросы и ответы об агентном ИИ\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Что такое агентный ИИ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Агентный ИИ — это система ИИ, в которой модель может преследовать цель на протяжении нескольких шагов, выбирая действия или инструменты, наблюдая результаты, обновляя своё состояние и продолжая до достижения условия остановки.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">В чём разница между LLM и ИИ-агентом?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">LLM создаёт выходные данные на основе входных. Агент объединяет модель со средой выполнения, инструментами, состоянием, разрешениями, управлением контекстом и итеративным циклом выполнения.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Делает ли вызов инструментов систему агентом?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Не обязательно. Единичный ответ модели с использованием инструмента может быть ограниченным и неагентным. Агентное поведение появляется, когда наблюдения от инструментов управляют адаптивным многошаговым циклом.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">В чём разница между агентом и рабочим процессом ИИ?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Рабочий процесс обычно следует пути процесса, определённому в коде приложения. Агент имеет больше управления, основанного на модели, над тем, какие шаги и инструменты использовать, исходя из промежуточных наблюдений.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Нужна ли агентам память?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Нет. Долговременная память полезна для сохранения информации между сессиями, но многие агенты выполняют ограниченные задачи, используя только текущее состояние задачи и контекст.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Нужны ли ИИ-агентам несколько агентов?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Нет. Один агент часто проще. Многоагентные системы оправданы, когда специализация, изоляция инструментов, изоляция политик или границы ответственности существенно улучшают систему.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Может ли агент работать с участием человека?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Да. Агент может автономно выполнять низкорисковый анализ и подготовку, пока среда выполнения приостанавливается для одобрения человеком перед значимыми действиями.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Является ли MCP фреймворком для агентов?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Нет. MCP — это протокол взаимодействия для предоставления инструментов, ресурсов и подсказок. Среда выполнения агента может использовать MCP, но всё ещё нуждается в собственном цикле, состоянии, авторизации и оценке.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq9\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Как узнать, что агент действительно выполнил задачу?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Где возможно, проверяйте успех через внешнее состояние, тесты, артефакты или авторитетные системные записи, а не полагайтесь на собственное заявление модели о завершении.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-129\">Глоссарий\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Ключевые термины агентного ИИ\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"agentic-ai\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Агентный ИИ\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Поведение системы ИИ, при котором модель динамически направляет многошаговое выполнение с использованием инструментов, наблюдений и состояния для достижения цели.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-agent\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">ИИ-агент\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Система с моделью в центре, включающая среду выполнения, инструменты, состояние и цикл выполнения, который может выполнять задачу на протяжении нескольких шагов.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Цикл агента\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Повторяющийся цикл принятия решения моделью, выполнения инструмента или действия, наблюдения и обновлённого решения модели до остановки.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"runtime-harness\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Среда выполнения \u002F обвязка\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Слой выполнения, который управляет циклом модели, инструментами, состоянием, одобрениями, контекстом, ошибками и условиями остановки.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"tool\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Инструмент\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Возможность, предоставленная модели для чтения информации, вычислений, делегирования или изменения внешнего состояния.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"observation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Наблюдение\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Информация, возвращаемая инструментом или средой и передаваемая на последующий шаг агента.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-state\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Состояние агента\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Постоянная информация о задаче или выполнении, которая существует вне отдельного вывода модели и может сохраняться между шагами или паузами.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"autonomy-boundary\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Граница автономии\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Явный предел, определяющий, какие решения и действия модель может динамически контролировать.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"human-in-the-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Участие человека\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Паттерн управления, при котором проверка, ввод или одобрение человека требуются в определённых точках процесса, управляемого ИИ.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"trajectory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Траектория\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Последовательность соответствующих состояний, решений, вызовов инструментов, действий и наблюдений между запросом задачи и конечным результатом.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"idempotency\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Идемпотентность\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Свойство, позволяющее повторять операцию без непреднамеренного многократного применения одного и того же побочного эффекта.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-131\">Заключение\u003C\u002Fh2>\n\u003Cp>Агентный ИИ — это не просто более умная модель или чат-бот с большим количеством инструментов. Это системная архитектура, в которой модель участвует в итеративном цикле управления: решить, действовать, наблюдать, обновить и продолжить.\u003C\u002Fp>\n\u003Cp>Модель обеспечивает гибкое принятие решений, но окружающая среда выполнения должна владеть реальностью исполнения: разрешениями, доступом к инструментам, состоянием, одобрениями, повторными попытками, бюджетами, условиями остановки, трассировкой и проверкой.\u003C\u002Fp>\n\u003Cp>Наиболее полезный принцип проектирования поэтому таков: делегируйте тактический выбор модели только внутри явных технических и бизнес-границ. Агентная способность становится производственной способностью только тогда, когда автономия, полномочия и доказательства остаются разделимыми.\u003C\u002Fp>\n\u003Ch2 id=\"section-135\">Первоисточники и актуальные рекомендации\u003C\u002Fh2>\n\u003Cp>Приведённые ниже источники поддерживают текущие архитектурные различия между агентами, рабочими процессами, циклами, инструментами, оркестрацией, безопасностью и оценкой. Разделы проекта являются оригинальными доказательствами реализации и явно ограничены тем, что демонстрируют репозитории.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Агенты\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальные рекомендации для разработчиков, определяющие выбор среды выполнения для многошаговой работы, инструментов, состояния, оркестрации и выполнения агента.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Определения агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальная документация, описывающая агента как модель плюс инструкции и дополнительное поведение среды выполнения, включая инструменты, ограничения, серверы MCP и передачи.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Запуск агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальная документация цикла агента: вызов модели, выполнение инструмента или передача, продолжение и конечная точка остановки.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Оркестрация и передачи\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальные рекомендации по передачам, агентам как инструментам и тому, когда специализированные агенты добавляют полезные границы ответственности или возможностей.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Безопасность при создании агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Актуальные рекомендации по безопасности, охватывающие одобрения инструментов, внедрение подсказок, ограничения и оценку на основе трассировки.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Создание эффективных агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Инженерные рекомендации, различающие предопределённые рабочие процессы и агентов, управляемых моделью, и описывающие циклы обратной связи с использованием инструментов.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Эффективное управление контекстом для ИИ-агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Практическое представление агентов как LLM, автономно использующих инструменты в цикле, с динамическим управлением контекстом точно в срок.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Разъяснение оценок для ИИ-агентов\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Рекомендации 2026 года по оценке многоходовых агентов, которые вызывают инструменты, изменяют состояние и адаптируются к промежуточным результатам.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1537},1791481888821,[214,220,228,235,242,250,255,260,265,270,275,280,285,290,319,324,329,334,339,371,376,381,414,419,424,468,473,478,483,490,495,500,505,510,515,544,549,554,559,564,569,574,579,584,589,594,599,605,610,615,620,625,630,635,644,649,654,659,664,689,694,699,704,709,714,749,754,759,764,769,774,779,784,789,794,799,804,812,817,822,827,832,840,845,885,890,895,900,905,953,958,987,992,997,1002,1007,1012,1017,1022,1027,1032,1037,1042,1068,1074,1079,1123,1128,1166,1171,1213,1218,1264,1269,1274,1279,1284,1289,1294,1299,1304,1309,1314,1319,1324,1329,1334,1339,1381,1386,1434,1439,1444,1449,1454,1459,1464,1474,1483,1492,1501,1510,1519,1528],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"Агентный ИИ — это система ИИ, в которой модель может преследовать цель на протяжении нескольких шагов, решая, что делать дальше, используя инструменты или другие возможности, наблюдая за результатами, обновляя своё рабочее состояние и продолжая до достижения условия остановки. Сама модель не является агентом. Работоспособному агенту также нужна среда выполнения или обвязка, которая управляет контекстом, выполнением инструментов, состоянием, разрешениями, согласованиями, ошибками и циклом между решениями и наблюдениями.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"Обычный вызов модели обычно представляет собой \u003Cstrong>вход → модель → выход\u003C\u002Fstrong>. Агентная система ближе к \u003Cstrong>цель → решение → инструмент\u002Fдействие → наблюдение → обновлённое решение → … → результат\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>Критическое различие не в том, использует ли приложение LLM или вызов функций. Оно в том, даёт ли система модели значимый контроль над следующим шагом многошагового процесса, в то время как среда выполнения ограничивает то, что модели фактически разрешено делать.","Прямой ответ","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"boundary",{"body":231,"title":232,"variant":233},"Модель может знать, как вызвать инструмент. Среда выполнения может предоставить этот инструмент. Ни один из этих фактов не означает, что текущий пользователь или агент уполномочен выполнить соответствующее бизнес-действие. \u003Cstrong>Возможность инструмента, разрешение на инструмент и бизнес-полномочие — это отдельные слои.\u003C\u002Fstrong>","Возможность — это не полномочие","warning",{},{"id":236,"data":237,"type":226,"tunes":241},"current",{"body":238,"title":239,"variant":240},"Терминология агентов всё ещё различается у поставщиков и в исследовательских сообществах. OpenAI в настоящее время определяет среды выполнения агентов вокруг многошаговой работы, инструментов, состояния и оркестрации. Практическое различие Anthropic остаётся полезным: рабочие процессы следуют предопределённым путям кода, тогда как агенты динамически направляют собственный процесс и использование инструментов. Поэтому в этой статье «агентный ИИ» рассматривается как архитектурный спектр, а не как одна стандартизированная категория продуктов.","Примечание об актуальных источниках — 8 октября 2026 г.","note",{},{"id":243,"data":244,"type":248,"tunes":249},"toc",{"title":245,"maxLevel":246,"minLevel":247},"Содержание",3,2,"tableOfContents",{},{"id":251,"data":252,"type":42,"tunes":254},"h-meaning",{"text":253,"level":247},"Что на самом деле означает агентный ИИ",{},{"id":256,"data":257,"type":218,"tunes":259},"p-meaning-1",{"text":258},"Важный сдвиг от обычного генеративного ИИ к агентному ИИ — это контроль над процессом. Обычный ассистент может ответить на вопрос, используя полученный контекст. Агент может решить, что для ответа требуются дополнительные шаги: проверить файл, выполнить поиск в репозитории, запросить API, попросить уточнение, запустить тест, обновить тикет, делегировать подзадачу или повторить попытку после неудачного действия.",{},{"id":261,"data":262,"type":218,"tunes":264},"p-meaning-2",{"text":263},"Это не требует неограниченной автономии. Агент может работать внутри узкой песочницы, под строгими разрешениями, с обязательным согласованием перед каждым значимым действием. Система всё равно остаётся агентной, если модель динамически выбирает среди разрешённых следующих шагов.",{},{"id":266,"data":267,"type":218,"tunes":269},"p-meaning-3",{"text":268},"Поэтому архитектура важнее ярлыка. «Агент» должен описывать поведение системы: итеративное принятие решений на основе модели над инструментами, состоянием и обратной связью — а не просто чат-бота с более крупным промптом.",{},{"id":271,"data":272,"type":42,"tunes":274},"h-simple",{"text":273,"level":247},"Простейший пример",{},{"id":276,"data":277,"type":218,"tunes":279},"p-simple-1",{"text":278},"Предположим, разработчик спрашивает систему ИИ: «Найди, почему набор тестов падает, и исправь ошибку». Одиночный вызов модели мог бы лишь предложить вероятные причины на основе данного ей текста.",{},{"id":281,"data":282,"type":218,"tunes":284},"p-simple-2",{"text":283},"Агентная система программирования может проверить репозиторий, найти падающий тест, прочитать соответствующие файлы, предложить изменение, отредактировать код, запустить тест, наблюдать сбой, пересмотреть реализацию и снова запустить тест.",{},{"id":286,"data":287,"type":218,"tunes":289},"p-simple-3",{"text":288},"Агентная часть состоит не просто в наличии инструментов оболочки и файлов. Она в том, что модель может использовать обратную связь от среды, чтобы выбрать следующий шаг, вместо следования одной полностью предопределённой последовательности.",{},{"id":291,"data":292,"type":317,"tunes":318},"simple-loop",{"steps":293,"title":315,"orientation":316},[294,297,300,303,306,309,312],{"label":295,"description":296},"1. Получить цель","Пользователь или вышестоящая система определяет цель и соответствующие ограничения.",{"label":298,"description":299},"2. Построить текущий контекст","Среда выполнения предоставляет инструкции, состояние, историю, память, инструменты и текущие данные.",{"label":301,"description":302},"3. Модель решает следующий шаг","Модель может ответить, вызвать инструмент, запросить информацию, делегировать или остановиться.",{"label":304,"description":305},"4. Среда выполнения проверяет запрос","Разрешения, схемы, согласования и политика определяют, может ли предложенное действие быть выполнено.",{"label":307,"description":308},"5. Выполнить инструмент или действие","Внешняя среда изменяется или возвращает новую информацию.",{"label":310,"description":311},"6. Наблюдать результат","Среда выполнения передаёт структурированный вывод инструмента, ошибки или изменения состояния обратно в следующий шаг модели.",{"label":313,"description":314},"7. Продолжить или остановиться","Цикл повторяется до успеха, отказа, эскалации, достижения лимита бюджета, тайм-аута или другого условия остановки.","Базовый цикл агента","auto","processFlow",{},{"id":320,"data":321,"type":42,"tunes":323},"h-stops",{"text":322,"level":247},"Где останавливается простой пример",{},{"id":325,"data":326,"type":218,"tunes":328},"p-stops-1",{"text":327},"Не каждая многошаговая система ИИ является в равной степени агентной. Рабочий процесс может использовать несколько вызовов LLM и инструментов, при этом каждый шаг предопределён в коде. Другая система может позволить модели решать, какой инструмент вызвать, в каком порядке, сколько раз и когда остановиться.",{},{"id":330,"data":331,"type":218,"tunes":333},"p-stops-2",{"text":332},"Оба варианта могут быть полезны. Разница в том, где находится контроль. Предопределённые рабочие процессы передают больше контроля в код приложения. Агенты переносят больше тактических решений о процессе в цикл модель\u002Fсреда выполнения.",{},{"id":335,"data":336,"type":42,"tunes":338},"h-workflow",{"text":337,"level":247},"Агент против рабочего процесса",{},{"id":340,"data":341,"type":369,"tunes":370},"workflow-comparison",{"rows":342,"title":360,"layout":361,"columns":362},[343,348,352,356],{"id":344,"label":345,"values":346},"path","Путь процесса",[347,347],"",{"id":349,"label":350,"values":351},"tools","Последовательность инструментов",[347,347],{"id":353,"label":354,"values":355},"strength","Сильная сторона",[347,347],{"id":357,"label":358,"values":359},"risk","Риск",[347,347],"Предопределённый рабочий процесс и агентное управление","table",[363,366],{"id":364,"label":365},"workflow","Рабочий процесс LLM",{"id":367,"label":368},"agent","Агент","comparison",{},{"id":372,"data":373,"type":218,"tunes":375},"p-workflow-1",{"text":374},"Anthropic явно разделяет эти два паттерна: рабочие процессы оркеструют модели и инструменты через предопределённые пути кода, тогда как агенты позволяют моделям динамически управлять собственными процессами и использованием инструментов. Это не единственная возможная терминология, но это полезная архитектурная граница.",{},{"id":377,"data":378,"type":42,"tunes":380},"h-spectrum",{"text":379,"level":247},"Агентное поведение — это спектр, а не бинарный ярлык",{},{"id":382,"data":383,"type":361,"tunes":413},"spectrum-table",{"content":384,"stretched":43,"withHeadings":14},[385,389,393,397,401,405,409],[386,387,388],"Уровень","Пример","Кто решает следующий шаг?",[390,391,392],"Одиночный вызов модели","Суммируй этот документ","Приложение вызывает модель один раз",[394,395,396],"Ответ с поддержкой инструментов","Модель может использовать веб-поиск перед ответом","Модель выбирает из ограниченных инструментов для одного ответа",[398,399,400],"Структурированный рабочий процесс","Классифицировать → извлечь → сгенерировать → проверить","Рабочий процесс приложения определяет этапы",[402,403,404],"Адаптивный рабочий процесс","Модель может выбирать среди нескольких ветвей и повторять попытки","Совместный контроль между приложением и моделью",[406,407,408],"Цикл агента","Модель многократно выбирает инструменты\u002Fдействия на основе наблюдений","Модель управляет тактическим выполнением в рамках ограничений среды выполнения",[410,411,412],"Долгоработающий агент","Агент приостанавливается, возобновляется, управляет артефактами и продолжает","Модель + постоянная среда выполнения управляют развивающимся выполнением",{},{"id":415,"data":416,"type":218,"tunes":418},"p-spectrum-1",{"text":417},"Называть каждую систему выше «агентом» может скрыть важные операционные различия. Чем сильнее контроль модели над последовательностью, длительностью и действиями, тем важнее становятся изоляция среды выполнения, разрешения, трассировка, условия остановки и оценка траектории.",{},{"id":420,"data":421,"type":42,"tunes":423},"h-anatomy",{"text":422,"level":247},"Минимальная архитектура агентной системы",{},{"id":425,"data":426,"type":361,"tunes":467},"anatomy-table",{"content":427,"stretched":43,"withHeadings":14},[428,431,434,437,440,443,446,449,452,455,458,461,464],[429,430],"Компонент","Ответственность",[432,433],"Цель \u002F задача","Определяет, чего система пытается достичь.",[435,436],"Модель","Интерпретирует контекст и решает следующее действие или вывод.",[438,439],"Инструкции","Определяют роль, ограничения, приоритеты и политику для конкретной задачи.",[441,442],"Сборщик контекста","Формирует информацию, видимую модели на каждом шаге.",[444,445],"Каталог инструментов","Определяет возможности, которые модель может запросить.",[447,448],"Среда выполнения \u002F обвязка","Запускает цикл, выполняет инструменты, управляет состоянием и обрабатывает условия остановки.",[450,451],"Слой авторизации","Определяет, разрешено ли предложенное действие для текущего субъекта.",[453,454],"Состояние \u002F сессия","Сохраняет прогресс задачи между ходами или шагами выполнения.",[456,457],"Канал наблюдения","Возвращает результаты инструментов и изменения среды к следующему шагу модели.",[459,460],"Согласования \u002F человеческий контроль","Приостанавливает значимые действия, где требуется проверка.",[462,463],"Трассировка \u002F аудит","Записывает вызовы модели, инструменты, переходы, согласования и сбои.",[465,466],"Оценка","Измеряет результаты и траектории выполнения относительно критериев приёмки.",{},{"id":469,"data":470,"type":42,"tunes":472},"h-model-agent",{"text":471,"level":247},"Модель — это не агент",{},{"id":474,"data":475,"type":218,"tunes":477},"p-model-agent-1",{"text":476},"Языковая модель производит выводы из входных данных. Сама по себе она не владеет файловой системой, не выполняет команды оболочки, не поддерживает долговременное состояние задачи, не обеспечивает соблюдение разрешений и не вызывает себя автоматически снова.",{},{"id":479,"data":480,"type":218,"tunes":482},"p-model-agent-2",{"text":481},"Эти возможности исходят от окружающей среды выполнения. Одна и та же модель может вести себя как простая чат-модель в одном приложении и как движок принятия решений внутри цикла агента в другом.",{},{"id":484,"data":485,"type":226,"tunes":489},"model-agent-rule",{"body":486,"title":487,"variant":488},"\u003Cstrong>Возможности модели определяют, какие решения могут быть предложены. Архитектура среды выполнения определяет, что может фактически произойти.\u003C\u002Fstrong>","Архитектурное правило","success",{},{"id":491,"data":492,"type":42,"tunes":494},"h-tools",{"text":493,"level":247},"Использование инструментов центрально — но само по себе использование инструментов не делает систему агентом",{},{"id":496,"data":497,"type":218,"tunes":499},"p-tools-1",{"text":498},"Инструменты позволяют модели получать информацию и воздействовать на внешние системы. Примеры включают чтение базы данных, файловые операции, выполнение команд оболочки, веб-поиск, управление браузером, вызовы API, обновление тикетов или делегирование специализированным агентам.",{},{"id":501,"data":502,"type":218,"tunes":504},"p-tools-2",{"text":503},"Одиночный вызов модели может использовать один инструмент и всё же оставаться ограниченным ответом с поддержкой инструментов, а не долгоработающим агентом. Агентное поведение появляется, когда наблюдения инструментов питают адаптивный цикл, в котором модель выбирает, что делать дальше.",{},{"id":506,"data":507,"type":218,"tunes":509},"p-tools-3",{"text":508},"Дизайн инструментов важен, потому что инструменты — это контракт между рассуждением модели и внешней реальностью. Неоднозначные или пересекающиеся инструменты создают ошибки маршрутизации; большие неструктурированные выводы загрязняют контекст; инструменты с широкими побочными эффектами увеличивают радиус поражения.",{},{"id":511,"data":512,"type":42,"tunes":514},"h-capability-permission",{"text":513,"level":247},"Возможность инструмента, разрешение и полномочия — это разные вещи",{},{"id":516,"data":517,"type":361,"tunes":543},"permission-table",{"content":518,"stretched":43,"withHeadings":14},[519,522,525,528,531,534,537,540],[520,521],"Слой","Вопрос",[523,524],"Возможность","Может ли эта среда выполнения технически выполнить операцию?",[526,527],"Доступность инструмента","Доступна ли эта возможность данному агенту?",[529,530],"Разрешение","Может ли этот агент\u002Fсессия использовать её в рамках текущей политики?",[532,533],"Авторизация пользователя","Разрешено ли запрашивающему субъекту инициировать эту операцию?",[535,536],"Бизнес-полномочия","Является ли операция допустимой в соответствии с доменными правилами, согласованиями и лимитами?",[538,539],"Выполнение","Произошла ли операция фактически?",[541,542],"Аудит","Может ли система доказать, кто запросил, одобрил и выполнил её?",{},{"id":545,"data":546,"type":218,"tunes":548},"p-permission-1",{"text":547},"Эти слои часто сливаются в прототипах. Модель видит инструмент возврата средств и поэтому кажется способной выдавать возвраты. В продакшене инструмент всё равно должен независимо от запроса модели проверять счёт, пользователя, транзакцию, сумму, политику и условия согласования.",{},{"id":550,"data":551,"type":42,"tunes":553},"h-runtime",{"text":552,"level":247},"Среда выполнения или обвязка — это фактическая система исполнения",{},{"id":555,"data":556,"type":218,"tunes":558},"p-runtime-1",{"text":557},"Текущая документация OpenAI по агентам явно выделяет различие сред выполнения. Разные среды выполнения могут управлять оркестрацией, состоянием, инструментами, песочницами и исполнением в разных местах, тогда как модель остаётся лишь одной частью системы.",{},{"id":560,"data":561,"type":218,"tunes":563},"p-runtime-2",{"text":562},"Agents SDK описывает цикл, который многократно вызывает текущую модель, проверяет вывод, выполняет запрошенные инструменты или передачи управления и продолжается, пока модель не вернёт окончательный ответ или не достигнет другой реальной точки остановки.",{},{"id":565,"data":566,"type":218,"tunes":568},"p-runtime-3",{"text":567},"Это означает, что решения об архитектуре агента включают: где выполняется оркестрация, где хранится состояние, кто выполняет инструменты, какая песочница содержит побочные эффекты и кто отвечает за повторные попытки, тайм-ауты и возможность возобновления.",{},{"id":570,"data":571,"type":42,"tunes":573},"h-planning",{"text":572,"level":247},"Планирование полезно, но явный план не обязателен",{},{"id":575,"data":576,"type":218,"tunes":578},"p-planning-1",{"text":577},"Агентов часто описывают как системы, которые «планируют». На практике планирование может быть явным или неявным. Агент может сначала создать видимый многошаговый план или выбирать по одному следующему действию за раз и пересматривать его после каждого наблюдения.",{},{"id":580,"data":581,"type":218,"tunes":583},"p-planning-2",{"text":582},"Для задач с высокой неопределённостью краткосрочное планирование может быть безопаснее, поскольку среда может сделать длинный план недействительным. Архитектурное требование — это способность выбирать и пересматривать действия на основе цели, текущего состояния и новых данных.",{},{"id":585,"data":586,"type":42,"tunes":588},"h-feedback",{"text":587,"level":247},"Обратная связь от среды делает цикл полезным",{},{"id":590,"data":591,"type":218,"tunes":593},"p-feedback-1",{"text":592},"Агент становится операционно значимым, когда может наблюдать, сработало ли его действие. Вывод инструментов, результаты тестов, ответы API, состояние файловой системы, состояние браузера и записи приложений предоставляют внешние доказательства, которые система может использовать для пересмотра своего следующего решения.",{},{"id":595,"data":596,"type":218,"tunes":598},"p-feedback-2",{"text":597},"Руководство Anthropic по агентам подчёркивает этот цикл обратной связи: агенты используют инструменты, получают достоверные данные из среды, оценивают прогресс и продолжают работу или запрашивают ввод человека.",{},{"id":600,"data":601,"type":226,"tunes":604},"feedback-rule",{"body":602,"title":603,"variant":233},"Если агент говорит «задача выполнена», это не доказывает завершение. Где возможно, проверяйте конечное состояние через внешнюю систему, тест, файл, запись транзакции или другой наблюдаемый результат.","Самоотчёт не является доказательством из среды",{},{"id":606,"data":607,"type":42,"tunes":609},"h-state",{"text":608,"level":247},"Состояние агента — это не то же самое, что контекст модели",{},{"id":611,"data":612,"type":218,"tunes":614},"p-state-1",{"text":613},"Длительная задача может требовать состояния, которое не может или не должно оставаться в контексте модели: идентификаторы задач, контрольные точки, артефакты, одобрения, идентификаторы внешних объектов, счётчики повторных попыток и статус рабочего процесса.",{},{"id":616,"data":617,"type":218,"tunes":619},"p-state-2",{"text":618},"Среда выполнения может сохранять это долговременное состояние вне окна модели и восстанавливать контекст, необходимый для следующего шага. Это позволяет держать видимый модели контекст сфокусированным, сохраняя непрерывность и возможность возобновления.",{},{"id":621,"data":622,"type":42,"tunes":624},"h-memory",{"text":623,"level":247},"Память необязательна и не является определением агента",{},{"id":626,"data":627,"type":218,"tunes":629},"p-memory-1",{"text":628},"Агент может успешно работать без долговременной памяти, если вся задача помещается в один ограниченный запуск. Память становится полезной, когда информация должна сохраняться между сессиями, задачами или длительными горизонтами выполнения.",{},{"id":631,"data":632,"type":218,"tunes":634},"p-memory-2",{"text":633},"RAG, память, состояние и контекст решают разные задачи. Рассмотрение векторной базы данных как «памяти агента» или истории диалога как «машины состояний» обычно скрывает важные границы жизненного цикла и полномочий.",{},{"id":636,"data":637,"type":642,"tunes":643},"ref-memory",{"url":638,"title":639,"excerpt":640,"ctaLabel":641},"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","Память ИИ-агента — это не RAG: как разделить память, извлечение, состояние и контекст","Практическая архитектура, разделяющая постоянную память, авторитетное состояние приложения, извлечение и контекст, передаваемый модели.","Читать статью об архитектуре памяти","referralArticle",{},{"id":645,"data":646,"type":42,"tunes":648},"h-context",{"text":647,"level":247},"Инженерия контекста становится динамичной в агентах",{},{"id":650,"data":651,"type":218,"tunes":653},"p-context-1",{"text":652},"Каждый вызов инструмента может порождать новый контекст. Каждый шаг также может сделать предыдущую информацию устаревшей. Поэтому сильная среда выполнения агента перестраивает или курирует контекст по мере выполнения, а не воспроизводит всё бесконечно.",{},{"id":655,"data":656,"type":218,"tunes":658},"p-context-2",{"text":657},"Определения инструментов, состояние задачи, извлечённые данные, наблюдения и память конкурируют за внимание модели. Долго работающим агентам нужны обрезка, сжатие или загрузка по требованию, чтобы контекст оставался релевантным текущему решению.",{},{"id":660,"data":661,"type":42,"tunes":663},"h-sideeffects",{"text":662,"level":247},"Инструменты чтения и инструменты с побочными эффектами имеют разный риск",{},{"id":665,"data":666,"type":369,"tunes":688},"sideeffect-comparison",{"rows":667,"title":680,"layout":361,"columns":681},[668,672,676],{"id":669,"label":670,"values":671},"examples","Примеры",[347,347],{"id":673,"label":674,"values":675},"mainrisk","Основной риск",[347,347],{"id":677,"label":678,"values":679},"control","Типичный контроль",[347,347],"Доступ к информации против внешнего действия",[682,685],{"id":683,"label":684},"read","Чтение \u002F наблюдение",{"id":686,"label":687},"write","Запись \u002F действие",{},{"id":690,"data":691,"type":42,"tunes":693},"h-approval",{"text":692,"level":247},"Человек в цикле — это механизм контроля, а не противоположность агентному ИИ",{},{"id":695,"data":696,"type":218,"tunes":698},"p-approval-1",{"text":697},"Агент не перестаёт быть агентным из-за того, что человек одобряет значимые шаги. Модель по-прежнему может автономно исследовать, рассуждать, искать и готовить действие, пока среда выполнения требует подтверждения человека перед выполнением.",{},{"id":700,"data":701,"type":218,"tunes":703},"p-approval-2",{"text":702},"Текущие рекомендации OpenAI по безопасности агентов явно советуют одобрения для операций с инструментами в рабочих процессах с повышенным риском. Anthropic также подчёркивает контрольные точки и человеческое суждение там, где агенты сталкиваются с препятствиями или значимыми решениями.",{},{"id":705,"data":706,"type":218,"tunes":708},"p-approval-3",{"text":707},"Полезный архитектурный вопрос не «человек или автономность?», а какие решения можно делегировать, какие требуют проверки и какие должны оставаться детерминированными?",{},{"id":710,"data":711,"type":42,"tunes":713},"h-stopping",{"text":712,"level":247},"Агентам нужны явные условия остановки",{},{"id":715,"data":716,"type":361,"tunes":748},"stop-table",{"content":717,"stretched":43,"withHeadings":14},[718,721,724,727,730,733,736,739,742,745],[719,720],"Условие остановки","Назначение",[722,723],"Успешный проверенный результат","Завершить, когда внешнее целевое состояние подтверждено.",[725,726],"Максимум шагов","Предотвратить бесконтрольные циклы.",[728,729],"Бюджет времени","Ограничить время выполнения.",[731,732],"Бюджет стоимости\u002Fтокенов","Ограничить потребление ресурсов.",[734,735],"Детектор повторяющихся действий","Остановить циклы, которые больше не продвигаются вперёд.",[737,738],"Граница разрешений","Приостановить или остановить, когда следующее требуемое действие не разрешено.",[740,741],"Контрольная точка одобрения человеком","Подождать перед значимым выполнением.",[743,744],"Неустранимая ошибка инструмента","Эскалировать вместо бесконечных повторных попыток.",[746,747],"Порог неопределённости","Запросить уточнение, когда задачу нельзя безопасно вывести.",{},{"id":750,"data":751,"type":42,"tunes":753},"h-errors",{"text":752,"level":247},"Восстановление — часть поведения агента",{},{"id":755,"data":756,"type":218,"tunes":758},"p-errors-1",{"text":757},"Агенты работают в средах, которые дают сбои: API истекают по таймауту, файлы меняются, учётные данные истекают, веб-страницы перемещаются, а инструменты возвращают некорректный вывод. Поэтому полезная агентная система нуждается в поведении восстановления, а не только в цикле инструментов по счастливому пути.",{},{"id":760,"data":761,"type":218,"tunes":763},"p-errors-2",{"text":762},"Восстановление может включать повтор с ограничениями, выбор другого инструмента, повторное чтение текущего состояния, запрос к пользователю, откат частичного действия или эскалацию к человеку.",{},{"id":765,"data":766,"type":218,"tunes":768},"p-errors-3",{"text":767},"Повторные попытки также требуют учёта идемпотентности. Повтор чтения обычно малорискован; повтор платежа или отправки сообщения может создать дублирующие побочные эффекты.",{},{"id":770,"data":771,"type":42,"tunes":773},"h-single-multi",{"text":772,"level":247},"Агентный ИИ не требует нескольких агентов",{},{"id":775,"data":776,"type":218,"tunes":778},"p-multi-1",{"text":777},"Один агент с чётким набором инструментов часто проще и легче для оценки, чем мультиагентная архитектура. Несколько агентов полезны, когда специализация существенно улучшает изоляцию инструментов, изоляцию политик, ясность промпта, ответственность или читаемость трассировки.",{},{"id":780,"data":781,"type":218,"tunes":783},"p-multi-2",{"text":782},"Текущие рекомендации OpenAI по оркестрации явно советуют по возможности начинать с одного агента и добавлять специалистов только тогда, когда контракт или граница ответственности существенно меняются.",{},{"id":785,"data":786,"type":218,"tunes":788},"p-multi-3",{"text":787},"Мультиагентные системы добавляют новые проблемы: качество делегирования, дублирование контекста, конфликтующее состояние, семантика передачи управления, идентичность, стоимость и обработка распределённых сбоев.",{},{"id":790,"data":791,"type":42,"tunes":793},"h-protocols",{"text":792,"level":247},"Агентные протоколы — это слои взаимодействия, а не сам агент",{},{"id":795,"data":796,"type":218,"tunes":798},"p-protocols-1",{"text":797},"Такие протоколы, как MCP и A2A, могут сделать агентную архитектуру совместимой, но они сами по себе не создают цикл агента. MCP может предоставлять инструменты и ресурсы. A2A может соединять независимо реализованных агентов. Приложению всё ещё нужны среда выполнения, авторизация, состояние, оценка и доменная логика.",{},{"id":800,"data":801,"type":218,"tunes":803},"p-protocols-2",{"text":802},"Именно поэтому возможности протокола должны оставаться отдельными от бизнес-полномочий. Обнаружение инструмента через MCP не доказывает, что текущему субъекту разрешено его использовать. Получение задачи через A2A не доказывает, что удалённый агент может выполнить каждое запрошенное действие.",{},{"id":805,"data":806,"type":642,"tunes":811},"ref-protocols",{"url":807,"title":808,"excerpt":809,"ctaLabel":810},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: объяснение стека агентных протоколов","Карта ответственности протоколов, показывающая, почему доступ к инструментам, взаимодействие агентов, коммерция, платёжные полномочия и управляемый агентом интерфейс относятся к разным границам совместимости.","Читать о стеке агентных протоколов",{},{"id":813,"data":814,"type":42,"tunes":816},"h-reliability",{"text":815,"level":247},"Траектория — часть надёжности агента",{},{"id":818,"data":819,"type":218,"tunes":821},"p-rel-1",{"text":820},"Финального ответа недостаточно как доказательства для агентной системы, потому что агент может прийти к правильному результату через небезопасный или недопустимый путь. Он может использовать неавторизованный инструмент, пропустить обязательную проверку, повторить побочный эффект, опереться на устаревшее состояние или случайно добиться успеха.",{},{"id":823,"data":824,"type":218,"tunes":826},"p-rel-2",{"text":825},"Поэтому оценка требует трассировок выполнения: решений, вызовов инструментов, одобрений, наблюдений, изменений состояния и итогового результата. Текущие рекомендации OpenAI по безопасности советуют использовать оценщиков трассировок и evals; руководство Anthropic 2026 года по оценке агентов аналогично рассматривает многошаговые траектории использования инструментов как полноценные объекты оценки.",{},{"id":828,"data":829,"type":218,"tunes":831},"p-rel-3",{"text":830},"Более сильный вопрос о надёжности звучит так: достиг ли агент приемлемого результата через приемлемую, восстановимую и аудируемую траекторию?",{},{"id":833,"data":834,"type":642,"tunes":839},"ref-reliability",{"url":835,"title":836,"excerpt":837,"ctaLabel":838},"https:\u002F\u002Fstajic.de\u002Fru\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","Надёжность ИИ-агентов: почему финального ответа недостаточно","Почему производственная оценка должна проверять траектории, использование инструментов, переходы состояния и восстановимость, а не только финальные ответы.","Читать статью о надёжности",{},{"id":841,"data":842,"type":42,"tunes":844},"h-security",{"text":843,"level":247},"Агентные системы увеличивают поверхность безопасности",{},{"id":846,"data":847,"type":361,"tunes":884},"security-table",{"content":848,"stretched":43,"withHeadings":14},[849,852,856,860,864,868,872,876,880],[358,850,851],"Почему агенты его усиливают","Ответ архитектуры",[853,854,855],"Инъекция промпта","Недоверенный контент может влиять на будущие решения об инструментах","Отделяйте инструкции от данных; ограничивайте инструменты; санитизируйте или структурируйте внешний ввод, где это возможно",[857,858,859],"Чрезмерные разрешения","Ошибки рассуждения могут стать реальными побочными эффектами","Наименьшие привилегии, ограниченные учётные данные, политика и одобрения для каждого инструмента",[861,862,863],"Утечка учётных данных","Инструментам могут требоваться мощные секреты","Держите секреты вне контекста модели; брокеризуйте доступ через доверенную среду выполнения",[865,866,867],"Спутанный заместитель","Агент может действовать с полномочиями шире, чем у запрашивающего пользователя","Привязывайте выполнение к идентичности пользователя или сервиса и повторно авторизуйте значимые действия",[869,870,871],"Неуправляемые циклы","Модель многократно вызывает инструменты без прогресса","Бюджеты по шагам, времени и стоимости плюс обнаружение циклов",[873,874,875],"Дрейф состояния","Среда меняется после того, как агент сформировал план","Повторно читайте авторитетное состояние перед значимыми действиями",[877,878,879],"Косвенная инъекция","Содержимое инструментов, веб-страниц или документов содержит инструкции, нацеленные на модель","Рассматривайте внешний контент как недоверенные данные, а не как источник инструкций",[881,882,883],"Пробел в аудите","Финальный результат не может показать, что было выполнено","Трассируйте вызовы инструментов, одобрения, идентичности и изменения состояния",{},{"id":886,"data":887,"type":42,"tunes":889},"h-observability",{"text":888,"level":247},"Наблюдаемость агента должна следовать за циклом",{},{"id":891,"data":892,"type":218,"tunes":894},"p-obs-1",{"text":893},"Традиционная наблюдаемость сервисов фиксирует запросы, задержку и ошибки. Наблюдаемости агента нужна дополнительная модель выполнения: какой агент был активен, какая версия модели приняла решение, какой контекст был доступен, какой инструмент был выбран, какие аргументы были отправлены, какой результат вернулся и почему выполнение остановилось.",{},{"id":896,"data":897,"type":218,"tunes":899},"p-obs-2",{"text":898},"Для чувствительных систем сами трассировки требуют контроля доступа и политики хранения, потому что промпты, выводы инструментов и артефакты могут содержать конфиденциальные данные.",{},{"id":901,"data":902,"type":42,"tunes":904},"h-eval",{"text":903,"level":247},"Как оценивать агентную систему",{},{"id":906,"data":907,"type":361,"tunes":952},"eval-table",{"content":908,"stretched":43,"withHeadings":14},[909,912,916,920,924,928,932,936,940,944,948],[910,521,911],"Измерение","Пример доказательства",[913,914,915],"Успех задачи","Произошёл ли запрошенный результат?","Внешнее состояние, тесты, бизнес-результат",[917,918,919],"Качество траектории","Были ли шаги приемлемыми?","Трассировка инструментов и действий",[921,922,923],"Выбор инструмента","Выбрал ли агент подходящие возможности?","Ожидаемые и фактические вызовы инструментов",[925,926,927],"Соблюдение разрешений","Остался ли он в пределах разрешённых полномочий?","Журналы авторизации и тесты запрещённых действий",[929,930,931],"Обработка состояния","Использовал ли он текущее авторитетное состояние?","Проверки актуальности и тесты изменения состояния",[933,934,935],"Восстановление","Правильно ли он отреагировал на сбои?","Сценарии с внедрёнными тайм-аутами и ошибками",[937,938,939],"Поведение остановки","Остановился ли он в нужный момент?","Количество шагов, обнаружение циклов, доказательство финального состояния",[941,942,943],"Эскалация к человеку","Спросил ли он, когда требовалась проверка?","Трассировки одобрений и эскалаций",[945,946,947],"Стоимость и задержка","Оправдала ли автономность операционную стоимость?","Токены, вызовы инструментов, длительность",[949,950,951],"Устойчивость","Выдерживает ли он реалистичные вариации среды?","Повторные и состязательные испытания",{},{"id":954,"data":955,"type":42,"tunes":957},"h-use",{"text":956,"level":247},"Когда агент уместен",{},{"id":959,"data":960,"type":361,"tunes":986},"use-table",{"content":961,"stretched":43,"withHeadings":14},[962,965,968,971,974,977,980,983],[963,964],"Используйте агента, когда","Предпочтите рабочий процесс или простой вызов, когда",[966,967],"Количество или порядок шагов не могут быть надежно известны заранее","Последовательность стабильна и детерминирована",[969,970],"Система должна исследовать среду и адаптироваться","Достаточно одного шага извлечения и генерации",[972,973],"Несколько инструментов могут быть полезны в зависимости от промежуточных результатов","Один известный вызов API решает задачу",[975,976],"Задача выигрывает от итеративной проверки или исправления","Ответ может быть получен непосредственно из предоставленного контекста",[978,979],"Сбои требуют гибкого поведения восстановления","Ветви сбоев просты и могут быть явно закодированы",[981,982],"Человеческий обзор может быть вставлен в значимые контрольные точки","Каждый шаг высокорискован и в любом случае должен контролироваться вручную",[984,985],"Ожидаемая ценность оправдывает дополнительные задержки, затраты и сложность","Предсказуемость и низкая стоимость важнее гибкости",{},{"id":988,"data":989,"type":218,"tunes":991},"p-use-1",{"text":990},"Надежным подходом по умолчанию является начало с самого простого работающего решения и увеличение агентной сложности только тогда, когда гибкость дает измеримую ценность. Агенты обменивают предсказуемость, задержку и стоимость на адаптивное выполнение.",{},{"id":993,"data":994,"type":42,"tunes":996},"h-implementation",{"text":995,"level":247},"Доказательства оригинальной реализации",{},{"id":998,"data":999,"type":42,"tunes":1001},"h-client",{"text":1000,"level":246},"Aaasaasa AI Client: модель, среда выполнения и разрешения разделены",{},{"id":1003,"data":1004,"type":218,"tunes":1006},"p-client-1",{"text":1005},"Aaasaasa AI Client явно разделяет агента\u002Fклиента, провайдера, модель, расположение среды выполнения и разрешения. Его документация по архитектуре рассматривает разрешения как центральную политику инструментов\u002Fрабочего пространства, а не как свойство модели.",{},{"id":1008,"data":1009,"type":218,"tunes":1011},"p-client-2",{"text":1010},"Одно и то же приложение может предоставлять Direct Chat без инструментов файловой системы или оболочки, в то время как среда выполнения Codex работает в выбранном рабочем пространстве и профиле разрешений. Это демонстрирует ключевую границу агентной архитектуры: изменение поверхности среды выполнения\u002Fинструментов меняет то, что система может делать, даже если доступ к модели остается доступным.",{},{"id":1013,"data":1014,"type":218,"tunes":1016},"p-client-3",{"text":1015},"Репозиторий также различает локальную среду выполнения Codex и расположение модели: локальная среда выполнения может вызывать облачную модель. Это предотвращает распространенную ошибку отождествления «агент работает локально» с «вывод выполняется локально».",{},{"id":1018,"data":1019,"type":218,"tunes":1021},"p-client-4",{"text":1020},"Реализация отключает встроенные пути выполнения, семантика одобрения которых не удовлетворяет требуемой модели разрешений. Это поддерживает принцип, согласно которому возможности агента не должны обходить авторизацию среды выполнения только потому, что базовая платформа может выполнять инструменты.",{},{"id":1023,"data":1024,"type":42,"tunes":1026},"h-sot-agent",{"text":1025,"level":246},"Source of Truth Research Engine: ограниченные агентные этапы исследования",{},{"id":1028,"data":1029,"type":218,"tunes":1031},"p-sot-1",{"text":1030},"Source of Truth Research Engine использует ограниченный конвейер исследований: обнаружение → получение → извлечение → проверка → противоречие → синтез. Задания исследования могут выполняться через среду выполнения ИИ, в то время как доказательства, источники, утверждения и противоречия остаются во внешнем постоянном хранилище.",{},{"id":1033,"data":1034,"type":218,"tunes":1036},"p-sot-2",{"text":1035},"Это намеренно более контролируемо, чем неограниченный автономный исследовательский агент. Этапы обеспечивают ограничения в отношении того, какая работа должна выполняться следующей, при этом позволяя управляемое моделью исследование внутри каждой ограниченной задачи.",{},{"id":1038,"data":1039,"type":218,"tunes":1041},"p-sot-3",{"text":1040},"Это различие является полезным доказательством для проектирования агентов: автономия может быть помещена внутрь структурированного конверта доставки, а не применяться единообразно ко всему процессу.",{},{"id":1043,"data":1044,"type":361,"tunes":1067},"impl-table",{"content":1045,"stretched":43,"withHeadings":14},[1046,1049,1052,1055,1058,1061,1064],[1047,1048],"Реализованный шаблон","Урок агентной архитектуры",[1050,1051],"Direct Chat не имеет инструментов ОС","Модель может существовать без возможности агентного выполнения.",[1053,1054],"Среда выполнения Codex имеет профиль разрешений рабочего пространства","Полномочия инструментов принадлежат политике среды выполнения, а не возможностям модели.",[1056,1057],"Провайдер\u002Fмодель\u002Fсреда выполнения — отдельные концепции","Расположение обвязки агента и расположение вывода — независимые решения.",[1059,1060],"Брокер разрешений для сред выполнения с поддержкой инструментов","Предоставление возможностей может быть централизовано и управляемо.",[1062,1063],"Ограниченные этапы исследования","Автономия может работать внутри явных границ процесса.",[1065,1066],"Постоянные утверждения\u002Fдоказательства вне контекста модели","Состояние агента и доказательства не обязательно должны находиться только в истории разговора.",{},{"id":1069,"data":1070,"type":226,"tunes":1073},"impl-boundary",{"body":1071,"title":1072,"variant":240},"Эти проекты демонстрируют конкретные шаблоны агента\u002Fсреды выполнения, разрешений и ограниченных исследований. Они не представлены как доказательство крупномасштабного коммерческого развертывания автономных агентов.","Граница доказательств",{},{"id":1075,"data":1076,"type":42,"tunes":1078},"h-failures",{"text":1077,"level":247},"Распространенные режимы отказа агентного ИИ",{},{"id":1080,"data":1081,"type":361,"tunes":1122},"failure-table",{"content":1082,"stretched":43,"withHeadings":14},[1083,1086,1089,1092,1095,1098,1101,1104,1107,1110,1113,1116,1119],[1084,1085],"Режим отказа","Что на самом деле отказало",[1087,1088],"«Агент» — это всего лишь чат-бот с инструментами, перечисленными в подсказке","Не существует надежного цикла среды выполнения или архитектуры выполнения инструментов",[1090,1091],"Поддержка инструментов рассматривается как разрешение","Границы возможностей и авторизации разрушаются",[1093,1094],"Агент доверяет своему собственному заявлению о завершении","Результат не проверяется по внешнему состоянию",[1096,1097],"Каждая задача становится многоагентной","Сложность увеличивается без реальной границы владения или специализации",[1099,1100],"История разговора используется как долговременное состояние","Возобновляемость и авторитетное состояние становятся хрупкими",[1102,1103],"Агент слепо повторяет побочные эффекты","Становятся возможными дублирование сообщений, платежей или изменений состояния",[1105,1106],"Нет ограничений на шаги\u002Fстоимость","Агент может зацикливаться бесконечно или потреблять неконтролируемые ресурсы",[1108,1109],"Вывод инструмента воспринимается как инструкция","Косвенная инъекция подсказки может перенаправить поведение",[1111,1112],"Правильный окончательный ответ — единственная оценка","Небезопасные или недопустимые траектории остаются невидимыми",[1114,1115],"Обновление модели рассматривается как прозрачное","Выбор инструментов, планирование и поведение остановки могут измениться",[1117,1118],"Один широкий инструмент предоставляет множество привилегированных операций","Радиус поражения увеличивается, и намерение становится труднее проверить",[1120,1121],"Человеческое одобрение существует, но у рецензента нет контекста","Одобрение становится церемониальным, а не эффективным",{},{"id":1124,"data":1125,"type":42,"tunes":1127},"h-misconceptions",{"text":1126,"level":247},"Распространенные заблуждения",{},{"id":1129,"data":1130,"type":361,"tunes":1165},"misconceptions-table",{"content":1131,"stretched":43,"withHeadings":14},[1132,1135,1138,1141,1144,1147,1150,1153,1156,1159,1162],[1133,1134],"Заблуждение","Исправление",[1136,1137],"«LLM — это агент».","Модель — это компонент принятия решений; агент — это окружающая система, которая управляет инструментами, состоянием и итерацией.",[1139,1140],"«Вызов инструментов автоматически означает агентный ИИ».","Один ограниченный вызов инструмента может не включать адаптивный многошаговый цикл агента.",[1142,1143],"«Агенты должны быть полностью автономными».","Агентные системы могут требовать одобрений и работать в узких границах разрешений.",[1145,1146],"«Агентам нужна долговременная память».","Память необязательна; многие полезные агенты выполняют ограниченные задачи без межсессионной памяти.",[1148,1149],"«Агенты должны сначала создать письменный план».","Планирование может быть явным или неявным и может происходить шаг за шагом.",[1151,1152],"«Многоагентность более продвинута, чем одноагентность».","Она более сложна; используйте ее только тогда, когда специализация или границы владения оправдывают это.",[1154,1155],"«MCP создает агента».","MCP предоставляет инструменты\u002Fресурсы; среде выполнения все еще нужен цикл агента и модель авторизации.",[1157,1158],"«Локальная среда выполнения означает, что модель локальна».","Расположение среды выполнения и расположение вывода\u002Fпровайдера разделены.",[1160,1161],"«Если окончательный результат правильный, агент работал правильно».","Небезопасная или несанкционированная траектория все еще может дать правильный результат.",[1163,1164],"«Человеческое одобрение устраняет автономию».","Одобрение может ограничивать выбранные действия, в то время как остальная часть процесса остается управляемой моделью.",{},{"id":1167,"data":1168,"type":42,"tunes":1170},"h-design",{"text":1169,"level":247},"Практическая последовательность проектирования агента",{},{"id":1172,"data":1173,"type":317,"tunes":1212},"design-flow",{"steps":1174,"title":1211,"orientation":316},[1175,1178,1181,1184,1187,1190,1193,1196,1199,1202,1205,1208],{"label":1176,"description":1177},"1. Определите результат","Сформулируйте, какой внешний результат или артефакт доказывает успешное выполнение задачи.",{"label":1179,"description":1180},"2. Решите, действительно ли нужен агент","Предпочитайте простой вызов или детерминированный рабочий процесс, когда путь предсказуем.",{"label":1182,"description":1183},"3. Определите состояние и источник истины","Определите, какие системы владеют текущими фактами, прогрессом задачи и бизнес-состоянием.",{"label":1185,"description":1186},"4. Определите поверхность инструментов","Предоставьте минимальный набор чётких возможностей, необходимых для задачи.",{"label":1188,"description":1189},"5. Свяжите идентичность и разрешения","Разделите полномочия пользователя, разрешения агента\u002Fсреды выполнения и возможности инструментов.",{"label":1191,"description":1192},"6. Выберите границы автономии","Укажите, что модель может решать динамически, а что остаётся детерминированным.",{"label":1194,"description":1195},"7. Добавьте контрольные точки утверждения","Требуйте проверку перед значимыми или необратимыми действиями, где это уместно.",{"label":1197,"description":1198},"8. Определите остановку и восстановление","Задайте доказательство успеха, бюджеты, тайм-ауты, повторные попытки, эскалацию и управление циклами.",{"label":1200,"description":1201},"9. Спроектируйте управление контекстом\u002Fсостоянием","Держите текущее состояние, память, наблюдения инструментов и долговечные артефакты в правильных слоях.",{"label":1203,"description":1204},"10. Отслеживайте траекторию","Записывайте достаточно структуры выполнения, чтобы отлаживать и проверять решения модели и инструментов.",{"label":1206,"description":1207},"11. Оценивайте реалистичные сбои","Тестируйте устаревшее состояние, ошибки инструментов, внедрение подсказок, неоднозначные запросы и изменённые среды.",{"label":1209,"description":1210},"12. Расширяйте автономию только на основе доказательств","Увеличивайте разрешения или горизонт выполнения, когда оценка показывает, что выгода оправдывает риск.","Проектируйте агента от полномочий наружу",{},{"id":1214,"data":1215,"type":42,"tunes":1217},"h-checklist",{"text":1216,"level":247},"Контрольный список архитектуры агентного ИИ",{},{"id":1219,"data":1220,"type":361,"tunes":1263},"checklist-table",{"content":1221,"stretched":43,"withHeadings":14},[1222,1224,1227,1230,1233,1236,1239,1242,1245,1248,1251,1254,1257,1260],[521,1223],"Ожидаемое доказательство",[1225,1226],"Что доказывает успех?","Внешний результат, артефакт, тест или авторитетное состояние.",[1228,1229],"Почему нужен агент?","Путь действительно зависит от промежуточных наблюдений.",[1231,1232],"Какие решения управляются моделью?","Явная граница автономии.",[1234,1235],"Какие инструменты существуют?","Небольшой, документированный, однозначный набор возможностей.",[1237,1238],"Кто может использовать каждый инструмент?","Политика авторизации с учётом идентичности и контекста.",[1240,1241],"Какие действия требуют утверждения?","Правила проверки на основе последствий.",[1243,1244],"Где хранится состояние задачи?","Состояние, принадлежащее приложению, отдельно от временного контекста модели.",[1246,1247],"Как агент восстанавливается?","Повторная попытка, повторное чтение, откат, уточнение и эскалация.",[1249,1250],"Как он останавливается?","Проверенное завершение плюс ограничения по шагам\u002Fвремени\u002Fстоимости.",[1252,1253],"Как защищены побочные эффекты?","Валидация, идемпотентность, наименьшие привилегии и подтверждение.",[1255,1256],"Можно ли восстановить выполнение?","Трассировки инструментов, утверждений и переходов состояний.",[1258,1259],"Как это оценивается?","Тесты результата + траектории + устойчивости.",[1261,1262],"Что меняется после обновления модели\u002Fсреды выполнения?","Регрессионный набор для выбора инструментов, разрешений, остановки и восстановления.",{},{"id":1265,"data":1266,"type":42,"tunes":1268},"h-edge",{"text":1267,"level":247},"Краевые случаи и ограничения",{},{"id":1270,"data":1271,"type":218,"tunes":1273},"p-edge-1",{"text":1272},"Некоторые системы являются «агентными» лишь в узком смысле маршрутизации: модель выбирает одного специалиста или инструмент, а остальная часть рабочего процесса детерминирована. Это всё ещё может быть полезно, но не следует описывать это как эквивалент долго работающего автономного агента.",{},{"id":1275,"data":1276,"type":218,"tunes":1278},"p-edge-2",{"text":1277},"В областях с высокими последствиями автономия агента может намеренно ограничиваться. Система ИИ может изучать доказательства, готовить рекомендации и заполнять структурированные формы, в то время как человек остаётся единственным субъектом, которому разрешено совершить финальную транзакцию.",{},{"id":1280,"data":1281,"type":218,"tunes":1283},"p-edge-3",{"text":1282},"Некоторые среды хорошо подходят для агентов, потому что обратная связь объективна. Агенты для программирования могут запускать тесты; агенты для инфраструктуры могут проверять метрики; агенты для данных могут валидировать результаты запросов. Открытые области со слабой обратной связью требуют более осторожной оценки.",{},{"id":1285,"data":1286,"type":218,"tunes":1288},"p-edge-4",{"text":1287},"Агент может работать полностью локально, полностью через управляемые облачные сервисы или в гибридной архитектуре. Агентное поведение описывает поток управления, а не место размещения.",{},{"id":1290,"data":1291,"type":218,"tunes":1293},"p-edge-5",{"text":1292},"Термин «рассуждение» не следует использовать как доказательство того, что внутренний процесс агента корректен. Производственная гарантия должна опираться на наблюдаемые входы, действия, выходы, состояние и оценку, а не на непроверяемые утверждения о скрытых рассуждениях.",{},{"id":1295,"data":1296,"type":42,"tunes":1298},"h-change",{"text":1297,"level":247},"Что могло бы изменить этот ответ?",{},{"id":1300,"data":1301,"type":218,"tunes":1303},"p-change-1",{"text":1302},"API поставщиков и агентные фреймворки будут продолжать развиваться, но архитектурная граница стабильна: модель предлагает решения, среда выполнения управляет циклом, инструменты соединяются со средой, разрешения ограничивают действия, а внешние наблюдения определяют, что фактически произошло.",{},{"id":1305,"data":1306,"type":218,"tunes":1308},"p-change-2",{"text":1307},"По мере того как модели становятся надёжнее, системы могут безопасно делегировать более длинные горизонты или более сложное поведение восстановления. По мере улучшения проверки и авторизации во время выполнения некоторые этапы утверждения могут стать автоматическими. Это изменения уровня автономии, а не изменения фундаментальных слоёв ответственности.",{},{"id":1310,"data":1311,"type":218,"tunes":1313},"p-change-3",{"text":1312},"Рекомендуемая архитектура также меняется в зависимости от последствий. Исследовательский агент, который только читает публичные источники, может допускать иные меры контроля, чем агент, который записывает производственную конфигурацию или переводит деньги.",{},{"id":1315,"data":1316,"type":42,"tunes":1318},"h-related",{"text":1317,"level":247},"Связанные канонические знания",{},{"id":1320,"data":1321,"type":218,"tunes":1323},"p-related-1",{"text":1322},"Агентный ИИ находится над несколькими предварительными слоями: инженерия контекста определяет, что видит модель; архитектура источника истины определяет, какая информация является авторитетной; извлечение предоставляет внешние доказательства; архитектура среды выполнения определяет, что может выполняться.",{},{"id":1325,"data":1326,"type":218,"tunes":1328},"p-related-2",{"text":1327},"Нижестоящие узлы включают вызов инструментов, MCP, A2A, идентичность агента, разрешения, аудируемость, участие человека в цикле, оркестрацию, память и многоагентные системы.",{},{"id":1330,"data":1331,"type":218,"tunes":1333},"p-related-3",{"text":1332},"Статью о стеке протоколов следует поэтому читать после базовой концепции агента: протоколы стандартизируют границы вокруг агентов; они не определяют само агентное поведение.",{},{"id":1335,"data":1336,"type":42,"tunes":1338},"h-faq",{"text":1337,"level":247},"Часто задаваемые вопросы",{},{"id":1340,"data":1341,"type":1340,"tunes":1380},"faq",{"items":1342,"title":1379},[1343,1347,1351,1355,1359,1363,1367,1371,1375],{"id":1344,"answer":1345,"question":1346},"faq1","Агентный ИИ — это система ИИ, в которой модель может преследовать цель на протяжении нескольких шагов, выбирая действия или инструменты, наблюдая результаты, обновляя своё состояние и продолжая до достижения условия остановки.","Что такое агентный ИИ?",{"id":1348,"answer":1349,"question":1350},"faq2","LLM создаёт выходные данные на основе входных. Агент объединяет модель со средой выполнения, инструментами, состоянием, разрешениями, управлением контекстом и итеративным циклом выполнения.","В чём разница между LLM и ИИ-агентом?",{"id":1352,"answer":1353,"question":1354},"faq3","Не обязательно. Единичный ответ модели с использованием инструмента может быть ограниченным и неагентным. Агентное поведение появляется, когда наблюдения от инструментов управляют адаптивным многошаговым циклом.","Делает ли вызов инструментов систему агентом?",{"id":1356,"answer":1357,"question":1358},"faq4","Рабочий процесс обычно следует пути процесса, определённому в коде приложения. Агент имеет больше управления, основанного на модели, над тем, какие шаги и инструменты использовать, исходя из промежуточных наблюдений.","В чём разница между агентом и рабочим процессом ИИ?",{"id":1360,"answer":1361,"question":1362},"faq5","Нет. Долговременная память полезна для сохранения информации между сессиями, но многие агенты выполняют ограниченные задачи, используя только текущее состояние задачи и контекст.","Нужна ли агентам память?",{"id":1364,"answer":1365,"question":1366},"faq6","Нет. Один агент часто проще. Многоагентные системы оправданы, когда специализация, изоляция инструментов, изоляция политик или границы ответственности существенно улучшают систему.","Нужны ли ИИ-агентам несколько агентов?",{"id":1368,"answer":1369,"question":1370},"faq7","Да. Агент может автономно выполнять низкорисковый анализ и подготовку, пока среда выполнения приостанавливается для одобрения человеком перед значимыми действиями.","Может ли агент работать с участием человека?",{"id":1372,"answer":1373,"question":1374},"faq8","Нет. MCP — это протокол взаимодействия для предоставления инструментов, ресурсов и подсказок. Среда выполнения агента может использовать MCP, но всё ещё нуждается в собственном цикле, состоянии, авторизации и оценке.","Является ли MCP фреймворком для агентов?",{"id":1376,"answer":1377,"question":1378},"faq9","Где возможно, проверяйте успех через внешнее состояние, тесты, артефакты или авторитетные системные записи, а не полагайтесь на собственное заявление модели о завершении.","Как узнать, что агент действительно выполнил задачу?","Вопросы и ответы об агентном ИИ",{},{"id":1382,"data":1383,"type":42,"tunes":1385},"h-glossary",{"text":1384,"level":247},"Глоссарий",{},{"id":1387,"data":1388,"type":1387,"tunes":1433},"glossary",{"title":1389,"entries":1390},"Ключевые термины агентного ИИ",[1391,1395,1399,1402,1405,1409,1413,1417,1421,1425,1429],{"term":1392,"anchor":1393,"definition":1394},"Агентный ИИ","agentic-ai","Поведение системы ИИ, при котором модель динамически направляет многошаговое выполнение с использованием инструментов, наблюдений и состояния для достижения цели.",{"term":1396,"anchor":1397,"definition":1398},"ИИ-агент","ai-agent","Система с моделью в центре, включающая среду выполнения, инструменты, состояние и цикл выполнения, который может выполнять задачу на протяжении нескольких шагов.",{"term":406,"anchor":1400,"definition":1401},"agent-loop","Повторяющийся цикл принятия решения моделью, выполнения инструмента или действия, наблюдения и обновлённого решения модели до остановки.",{"term":447,"anchor":1403,"definition":1404},"runtime-harness","Слой выполнения, который управляет циклом модели, инструментами, состоянием, одобрениями, контекстом, ошибками и условиями остановки.",{"term":1406,"anchor":1407,"definition":1408},"Инструмент","tool","Возможность, предоставленная модели для чтения информации, вычислений, делегирования или изменения внешнего состояния.",{"term":1410,"anchor":1411,"definition":1412},"Наблюдение","observation","Информация, возвращаемая инструментом или средой и передаваемая на последующий шаг агента.",{"term":1414,"anchor":1415,"definition":1416},"Состояние агента","agent-state","Постоянная информация о задаче или выполнении, которая существует вне отдельного вывода модели и может сохраняться между шагами или паузами.",{"term":1418,"anchor":1419,"definition":1420},"Граница автономии","autonomy-boundary","Явный предел, определяющий, какие решения и действия модель может динамически контролировать.",{"term":1422,"anchor":1423,"definition":1424},"Участие человека","human-in-the-loop","Паттерн управления, при котором проверка, ввод или одобрение человека требуются в определённых точках процесса, управляемого ИИ.",{"term":1426,"anchor":1427,"definition":1428},"Траектория","trajectory","Последовательность соответствующих состояний, решений, вызовов инструментов, действий и наблюдений между запросом задачи и конечным результатом.",{"term":1430,"anchor":1431,"definition":1432},"Идемпотентность","idempotency","Свойство, позволяющее повторять операцию без непреднамеренного многократного применения одного и того же побочного эффекта.",{},{"id":1435,"data":1436,"type":42,"tunes":1438},"h-conclusion",{"text":1437,"level":247},"Заключение",{},{"id":1440,"data":1441,"type":218,"tunes":1443},"p-conclusion-1",{"text":1442},"Агентный ИИ — это не просто более умная модель или чат-бот с большим количеством инструментов. Это системная архитектура, в которой модель участвует в итеративном цикле управления: решить, действовать, наблюдать, обновить и продолжить.",{},{"id":1445,"data":1446,"type":218,"tunes":1448},"p-conclusion-2",{"text":1447},"Модель обеспечивает гибкое принятие решений, но окружающая среда выполнения должна владеть реальностью исполнения: разрешениями, доступом к инструментам, состоянием, одобрениями, повторными попытками, бюджетами, условиями остановки, трассировкой и проверкой.",{},{"id":1450,"data":1451,"type":218,"tunes":1453},"p-conclusion-3",{"text":1452},"Наиболее полезный принцип проектирования поэтому таков: делегируйте тактический выбор модели только внутри явных технических и бизнес-границ. Агентная способность становится производственной способностью только тогда, когда автономия, полномочия и доказательства остаются разделимыми.",{},{"id":1455,"data":1456,"type":42,"tunes":1458},"h-sources",{"text":1457,"level":247},"Первоисточники и актуальные рекомендации",{},{"id":1460,"data":1461,"type":218,"tunes":1463},"p-sources-note",{"text":1462},"Приведённые ниже источники поддерживают текущие архитектурные различия между агентами, рабочими процессами, циклами, инструментами, оркестрацией, безопасностью и оценкой. Разделы проекта являются оригинальными доказательствами реализации и явно ограничены тем, что демонстрируют репозитории.",{},{"id":1465,"data":1466,"type":1472,"tunes":1473},"src-openai-agents",{"link":1467,"meta":1468},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"image":1469,"title":1470,"description":1471},{"url":347},"OpenAI — Агенты","Актуальные рекомендации для разработчиков, определяющие выбор среды выполнения для многошаговой работы, инструментов, состояния, оркестрации и выполнения агента.","linkTool",{},{"id":1475,"data":1476,"type":1472,"tunes":1482},"src-openai-definitions",{"link":1477,"meta":1478},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents",{"image":1479,"title":1480,"description":1481},{"url":347},"OpenAI — Определения агентов","Актуальная документация, описывающая агента как модель плюс инструкции и дополнительное поведение среды выполнения, включая инструменты, ограничения, серверы MCP и передачи.",{},{"id":1484,"data":1485,"type":1472,"tunes":1491},"src-openai-running",{"link":1486,"meta":1487},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents",{"image":1488,"title":1489,"description":1490},{"url":347},"OpenAI — Запуск агентов","Актуальная документация цикла агента: вызов модели, выполнение инструмента или передача, продолжение и конечная точка остановки.",{},{"id":1493,"data":1494,"type":1472,"tunes":1500},"src-openai-orchestration",{"link":1495,"meta":1496},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration",{"image":1497,"title":1498,"description":1499},{"url":347},"OpenAI — Оркестрация и передачи","Актуальные рекомендации по передачам, агентам как инструментам и тому, когда специализированные агенты добавляют полезные границы ответственности или возможностей.",{},{"id":1502,"data":1503,"type":1472,"tunes":1509},"src-openai-safety",{"link":1504,"meta":1505},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety",{"image":1506,"title":1507,"description":1508},{"url":347},"OpenAI — Безопасность при создании агентов","Актуальные рекомендации по безопасности, охватывающие одобрения инструментов, внедрение подсказок, ограничения и оценку на основе трассировки.",{},{"id":1511,"data":1512,"type":1472,"tunes":1518},"src-anthropic-agents",{"link":1513,"meta":1514},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"image":1515,"title":1516,"description":1517},{"url":347},"Anthropic — Создание эффективных агентов","Инженерные рекомендации, различающие предопределённые рабочие процессы и агентов, управляемых моделью, и описывающие циклы обратной связи с использованием инструментов.",{},{"id":1520,"data":1521,"type":1472,"tunes":1527},"src-anthropic-context",{"link":1522,"meta":1523},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1524,"title":1525,"description":1526},{"url":347},"Anthropic — Эффективное управление контекстом для ИИ-агентов","Практическое представление агентов как LLM, автономно использующих инструменты в цикле, с динамическим управлением контекстом точно в срок.",{},{"id":1529,"data":1530,"type":1472,"tunes":1536},"src-anthropic-evals",{"link":1531,"meta":1532},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents",{"image":1533,"title":1534,"description":1535},{"url":347},"Anthropic — Разъяснение оценок для ИИ-агентов","Рекомендации 2026 года по оценке многоходовых агентов, которые вызывают инструменты, изменяют состояние и адаптируются к промежуточным результатам.",{},"2.31","Агентный ИИ использует модели внутри многошаговых циклов выполнения, где они могут выбирать инструменты, наблюдать результаты, обновлять состояние и адаптировать своё следующее действие в рамках явных границ времени выполнения и разрешений.","\u002Fuploads\u002F2026\u002F10\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a.webp","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a","PUBLISHED","2026-10-08T11:43:00.000Z","2026-10-08T17:43:28.373Z","2026-10-08T19:19:47.140Z",{"en":1546,"de":1547,"sr":1548,"es":1549,"fr":1550,"it":1551,"ru":1552,"zh":1553},"\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fde\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fsr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fes\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Ffr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fit\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fru\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fzh\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act",[1555,1559,1563],{"id":1556,"name":1557,"slug":1558},84,"Политики и границы данных","policy-and-data",{"id":1560,"name":1561,"slug":1562},57,"Границы данных","data-boundaries",{"id":1564,"name":1565,"slug":1566},59,"Управление и аудит","governance",{"id":1568,"login":1569,"email":1570,"displayName":1571},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1573,2705],{"lang":1574,"title":1575,"content":1576,"contentJson":1577,"excerpt":2704},"en","Agentic AI Explained: When an AI System Can Plan, Use Tools and Act","{\"time\":1791487185746,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.\"},\"tunes\":{}},{\"id\":\"boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Capability is not authority\",\"body\":\"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"current\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What agentic AI really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.\"},\"tunes\":{}},{\"id\":\"simple-loop\",\"type\":\"processFlow\",\"data\":{\"title\":\"The basic agent loop\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Receive a goal\",\"description\":\"The user or upstream system defines the objective and relevant constraints.\"},{\"label\":\"2. Build current context\",\"description\":\"The runtime supplies instructions, state, history, memory, tools and current evidence.\"},{\"label\":\"3. Model decides next step\",\"description\":\"The model may answer, call a tool, request information, delegate or stop.\"},{\"label\":\"4. Runtime validates the request\",\"description\":\"Permissions, schemas, approvals and policy determine whether the proposed action may execute.\"},{\"label\":\"5. Execute tool or action\",\"description\":\"The external environment changes or returns new information.\"},{\"label\":\"6. Observe the result\",\"description\":\"The runtime feeds structured tool output, errors or state changes back into the next model step.\"},{\"label\":\"7. Continue or stop\",\"description\":\"The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.\"}]},\"tunes\":{}},{\"id\":\"h-stops\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stops-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.\"},\"tunes\":{}},{\"id\":\"p-stops-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.\"},\"tunes\":{}},{\"id\":\"h-workflow\",\"type\":\"header\",\"data\":{\"text\":\"Agent vs workflow\",\"level\":2},\"tunes\":{}},{\"id\":\"workflow-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Predefined workflow and agentic control\",\"layout\":\"table\",\"columns\":[{\"id\":\"workflow\",\"label\":\"LLM workflow\"},{\"id\":\"agent\",\"label\":\"Agent\"}],\"rows\":[{\"id\":\"path\",\"label\":\"Process path\",\"values\":[\"\",\"\"]},{\"id\":\"tools\",\"label\":\"Tool sequence\",\"values\":[\"\",\"\"]},{\"id\":\"strength\",\"label\":\"Strength\",\"values\":[\"\",\"\"]},{\"id\":\"risk\",\"label\":\"Risk\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-workflow-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.\"},\"tunes\":{}},{\"id\":\"h-spectrum\",\"type\":\"header\",\"data\":{\"text\":\"Agentic behavior is a spectrum, not a binary label\",\"level\":2},\"tunes\":{}},{\"id\":\"spectrum-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Level\",\"Example\",\"Who decides the next step?\"],[\"Single model call\",\"Summarize this document\",\"Application calls model once\"],[\"Tool-assisted response\",\"Model may use web search before answering\",\"Model selects from bounded tools for one response\"],[\"Structured workflow\",\"Classify → retrieve → generate → validate\",\"Application workflow determines stages\"],[\"Adaptive workflow\",\"Model can choose among several branches and retry\",\"Shared control between application and model\"],[\"Agent loop\",\"Model repeatedly chooses tools\u002Factions based on observations\",\"Model directs tactical execution inside runtime constraints\"],[\"Long-running agent\",\"Agent pauses, resumes, manages artifacts and continues\",\"Model + persistent runtime manage evolving execution\"]]},\"tunes\":{}},{\"id\":\"p-spectrum-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.\"},\"tunes\":{}},{\"id\":\"h-anatomy\",\"type\":\"header\",\"data\":{\"text\":\"The minimum architecture of an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"anatomy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Component\",\"Responsibility\"],[\"Goal \u002F task\",\"Defines what the system is trying to accomplish.\"],[\"Model\",\"Interprets context and decides the next action or output.\"],[\"Instructions\",\"Define role, constraints, priorities and task-specific policy.\"],[\"Context assembler\",\"Builds the information visible to the model on each step.\"],[\"Tool catalog\",\"Defines capabilities the model may request.\"],[\"Runtime \u002F harness\",\"Runs the loop, executes tools, manages state and handles stopping conditions.\"],[\"Authorization layer\",\"Determines whether a proposed action is permitted for the current principal.\"],[\"State \u002F session\",\"Preserves task progress across turns or execution steps.\"],[\"Observation channel\",\"Returns tool results and environment changes to the next model step.\"],[\"Approvals \u002F human control\",\"Pauses consequential actions where review is required.\"],[\"Tracing \u002F audit\",\"Records model calls, tools, transitions, approvals and failures.\"],[\"Evaluation\",\"Measures outcomes and execution trajectories against acceptance criteria.\"]]},\"tunes\":{}},{\"id\":\"h-model-agent\",\"type\":\"header\",\"data\":{\"text\":\"A model is not an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-model-agent-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.\"},\"tunes\":{}},{\"id\":\"p-model-agent-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.\"},\"tunes\":{}},{\"id\":\"model-agent-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Architecture rule\",\"body\":\"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"Tool use is central — but tool use alone does not make an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.\"},\"tunes\":{}},{\"id\":\"h-capability-permission\",\"type\":\"header\",\"data\":{\"text\":\"Tool capability, permission and authority are different\",\"level\":2},\"tunes\":{}},{\"id\":\"permission-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Question\"],[\"Capability\",\"Can this runtime technically perform the operation?\"],[\"Tool exposure\",\"Is that capability available to this agent?\"],[\"Permission\",\"May this agent\u002Fsession use it under the current policy?\"],[\"User authorization\",\"Is the requesting principal allowed to cause this operation?\"],[\"Business authority\",\"Is the operation valid under domain rules, approvals and limits?\"],[\"Execution\",\"Did the operation actually occur?\"],[\"Audit\",\"Can the system prove who requested, approved and executed it?\"]]},\"tunes\":{}},{\"id\":\"p-permission-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.\"},\"tunes\":{}},{\"id\":\"h-runtime\",\"type\":\"header\",\"data\":{\"text\":\"The runtime or harness is the actual execution system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-runtime-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.\"},\"tunes\":{}},{\"id\":\"p-runtime-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.\"},\"tunes\":{}},{\"id\":\"p-runtime-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.\"},\"tunes\":{}},{\"id\":\"h-planning\",\"type\":\"header\",\"data\":{\"text\":\"Planning is useful, but an explicit plan is not required\",\"level\":2},\"tunes\":{}},{\"id\":\"p-planning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.\"},\"tunes\":{}},{\"id\":\"p-planning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.\"},\"tunes\":{}},{\"id\":\"h-feedback\",\"type\":\"header\",\"data\":{\"text\":\"Environmental feedback is what makes the loop useful\",\"level\":2},\"tunes\":{}},{\"id\":\"p-feedback-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.\"},\"tunes\":{}},{\"id\":\"p-feedback-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.\"},\"tunes\":{}},{\"id\":\"feedback-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Self-report is not environmental proof\",\"body\":\"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.\"},\"tunes\":{}},{\"id\":\"h-state\",\"type\":\"header\",\"data\":{\"text\":\"Agent state is not the same as model context\",\"level\":2},\"tunes\":{}},{\"id\":\"p-state-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.\"},\"tunes\":{}},{\"id\":\"p-state-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.\"},\"tunes\":{}},{\"id\":\"h-memory\",\"type\":\"header\",\"data\":{\"text\":\"Memory is optional, not the definition of an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-memory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.\"},\"tunes\":{}},{\"id\":\"p-memory-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.\"},\"tunes\":{}},{\"id\":\"ref-memory\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\",\"title\":\"AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context\",\"excerpt\":\"A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.\",\"ctaLabel\":\"Read the memory architecture article\"},\"tunes\":{}},{\"id\":\"h-context\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering becomes dynamic in agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-context-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.\"},\"tunes\":{}},{\"id\":\"p-context-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.\"},\"tunes\":{}},{\"id\":\"h-sideeffects\",\"type\":\"header\",\"data\":{\"text\":\"Read tools and side-effect tools have different risk\",\"level\":2},\"tunes\":{}},{\"id\":\"sideeffect-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Information access versus external action\",\"layout\":\"table\",\"columns\":[{\"id\":\"read\",\"label\":\"Read \u002F observe\"},{\"id\":\"write\",\"label\":\"Write \u002F act\"}],\"rows\":[{\"id\":\"examples\",\"label\":\"Examples\",\"values\":[\"\",\"\"]},{\"id\":\"mainrisk\",\"label\":\"Main risk\",\"values\":[\"\",\"\"]},{\"id\":\"control\",\"label\":\"Typical control\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-approval\",\"type\":\"header\",\"data\":{\"text\":\"Human-in-the-loop is a control mechanism, not the opposite of agentic AI\",\"level\":2},\"tunes\":{}},{\"id\":\"p-approval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.\"},\"tunes\":{}},{\"id\":\"p-approval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.\"},\"tunes\":{}},{\"id\":\"p-approval-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?\"},\"tunes\":{}},{\"id\":\"h-stopping\",\"type\":\"header\",\"data\":{\"text\":\"Agents need explicit stopping conditions\",\"level\":2},\"tunes\":{}},{\"id\":\"stop-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Stopping condition\",\"Purpose\"],[\"Successful verified outcome\",\"End when the external target state is confirmed.\"],[\"Maximum steps\",\"Prevent runaway loops.\"],[\"Time budget\",\"Bound wall-clock execution.\"],[\"Cost\u002Ftoken budget\",\"Limit resource consumption.\"],[\"Repeated-action detector\",\"Stop loops that are no longer making progress.\"],[\"Permission boundary\",\"Pause or stop when the next required action is not permitted.\"],[\"Human approval checkpoint\",\"Wait before consequential execution.\"],[\"Unrecoverable tool failure\",\"Escalate instead of retrying indefinitely.\"],[\"Uncertainty threshold\",\"Ask for clarification when the task cannot be safely inferred.\"]]},\"tunes\":{}},{\"id\":\"h-errors\",\"type\":\"header\",\"data\":{\"text\":\"Recovery is part of agent behavior\",\"level\":2},\"tunes\":{}},{\"id\":\"p-errors-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.\"},\"tunes\":{}},{\"id\":\"p-errors-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.\"},\"tunes\":{}},{\"id\":\"p-errors-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.\"},\"tunes\":{}},{\"id\":\"h-single-multi\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI does not require multiple agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-multi-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.\"},\"tunes\":{}},{\"id\":\"p-multi-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.\"},\"tunes\":{}},{\"id\":\"p-multi-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.\"},\"tunes\":{}},{\"id\":\"h-protocols\",\"type\":\"header\",\"data\":{\"text\":\"Agent protocols are interoperability layers, not the agent itself\",\"level\":2},\"tunes\":{}},{\"id\":\"p-protocols-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.\"},\"tunes\":{}},{\"id\":\"p-protocols-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.\"},\"tunes\":{}},{\"id\":\"ref-protocols\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\",\"title\":\"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained\",\"excerpt\":\"A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.\",\"ctaLabel\":\"Read the agent protocol stack\"},\"tunes\":{}},{\"id\":\"h-reliability\",\"type\":\"header\",\"data\":{\"text\":\"The trajectory is part of agent reliability\",\"level\":2},\"tunes\":{}},{\"id\":\"p-rel-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.\"},\"tunes\":{}},{\"id\":\"p-rel-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.\"},\"tunes\":{}},{\"id\":\"p-rel-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?\"},\"tunes\":{}},{\"id\":\"ref-reliability\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\",\"title\":\"AI Agent Reliability: Why the Final Answer Is Not Enough\",\"excerpt\":\"Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.\",\"ctaLabel\":\"Read the reliability article\"},\"tunes\":{}},{\"id\":\"h-security\",\"type\":\"header\",\"data\":{\"text\":\"Agentic systems increase the security surface\",\"level\":2},\"tunes\":{}},{\"id\":\"security-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Risk\",\"Why agents amplify it\",\"Architecture response\"],[\"Prompt injection\",\"Untrusted content can influence future tool decisions\",\"Separate instructions from data; constrain tools; sanitize or structure external input where possible\"],[\"Excessive permissions\",\"Reasoning errors can become real side effects\",\"Least privilege, scoped credentials, per-tool policy and approvals\"],[\"Credential exposure\",\"Tools may need powerful secrets\",\"Keep secrets outside model context; broker access through trusted runtime\"],[\"Confused deputy\",\"Agent may act with authority broader than the requesting user\",\"Bind execution to user\u002Fservice identity and re-authorize consequential actions\"],[\"Runaway loops\",\"Model repeatedly calls tools without progress\",\"Step, time and cost budgets plus loop detection\"],[\"State drift\",\"Environment changes after the agent formed a plan\",\"Re-read authoritative state before consequential actions\"],[\"Indirect injection\",\"Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model\",\"Treat external content as untrusted data, not instruction authority\"],[\"Audit gap\",\"Final result cannot show what was executed\",\"Trace tool calls, approvals, identities and state changes\"]]},\"tunes\":{}},{\"id\":\"h-observability\",\"type\":\"header\",\"data\":{\"text\":\"Agent observability must follow the loop\",\"level\":2},\"tunes\":{}},{\"id\":\"p-obs-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.\"},\"tunes\":{}},{\"id\":\"p-obs-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.\"},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"How to evaluate an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"eval-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\",\"Example evidence\"],[\"Task success\",\"Did the requested outcome occur?\",\"External state, tests, business outcome\"],[\"Trajectory quality\",\"Were the steps acceptable?\",\"Tool\u002Faction trace\"],[\"Tool selection\",\"Did the agent choose appropriate capabilities?\",\"Expected vs actual tool calls\"],[\"Permission adherence\",\"Did it stay inside allowed authority?\",\"Authorization logs and denied-action tests\"],[\"State handling\",\"Did it use current authoritative state?\",\"Freshness checks and state-change tests\"],[\"Recovery\",\"Did it respond correctly to failures?\",\"Injected timeout\u002Ferror scenarios\"],[\"Stopping behavior\",\"Did it stop at the right point?\",\"Step counts, loop detection, final-state proof\"],[\"Human escalation\",\"Did it ask when review was required?\",\"Approval\u002Fescalation traces\"],[\"Cost\u002Flatency\",\"Was autonomy worth the operational cost?\",\"Tokens, tool calls, duration\"],[\"Robustness\",\"Does it survive realistic environment variation?\",\"Repeated and adversarial trials\"]]},\"tunes\":{}},{\"id\":\"h-use\",\"type\":\"header\",\"data\":{\"text\":\"When an agent is appropriate\",\"level\":2},\"tunes\":{}},{\"id\":\"use-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Use an agent when\",\"Prefer a workflow or simple call when\"],[\"The number or order of steps cannot be known reliably in advance\",\"The sequence is stable and deterministic\"],[\"The system must inspect the environment and adapt\",\"A single retrieval + generation step is sufficient\"],[\"Several tools may be useful depending on intermediate results\",\"One known API call solves the task\"],[\"The task benefits from iterative verification or repair\",\"The answer can be produced directly from supplied context\"],[\"Failures require flexible recovery behavior\",\"Failure branches are simple and can be encoded explicitly\"],[\"Human review can be inserted at meaningful checkpoints\",\"Every step is high-risk and must be manually controlled anyway\"],[\"Expected value justifies extra latency, cost and complexity\",\"Predictability and low cost matter more than flexibility\"]]},\"tunes\":{}},{\"id\":\"p-use-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Original implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"h-client\",\"type\":\"header\",\"data\":{\"text\":\"Aaasaasa AI Client: model, runtime and permission are separate\",\"level\":3},\"tunes\":{}},{\"id\":\"p-client-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.\"},\"tunes\":{}},{\"id\":\"p-client-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.\"},\"tunes\":{}},{\"id\":\"p-client-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”\"},\"tunes\":{}},{\"id\":\"p-client-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.\"},\"tunes\":{}},{\"id\":\"h-sot-agent\",\"type\":\"header\",\"data\":{\"text\":\"Source of Truth Research Engine: bounded agentic research stages\",\"level\":3},\"tunes\":{}},{\"id\":\"p-sot-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.\"},\"tunes\":{}},{\"id\":\"p-sot-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.\"},\"tunes\":{}},{\"id\":\"p-sot-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.\"},\"tunes\":{}},{\"id\":\"impl-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Implemented pattern\",\"Agentic architecture lesson\"],[\"Direct Chat has no OS tools\",\"A model can exist without agentic execution capability.\"],[\"Codex runtime has workspace permission profile\",\"Tool authority belongs to runtime policy, not model capability.\"],[\"Provider\u002Fmodel\u002Fruntime are separate concepts\",\"Agent harness location and inference location are independent decisions.\"],[\"Permission broker for tool-capable runtimes\",\"Capability exposure can be centralized and governed.\"],[\"Bounded research stages\",\"Autonomy can operate inside explicit process boundaries.\"],[\"Persistent claims\u002Fevidence outside model context\",\"Agent state and evidence do not need to live only in conversation history.\"]]},\"tunes\":{}},{\"id\":\"impl-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Evidence boundary\",\"body\":\"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common agentic AI failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failure-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"What actually failed\"],[\"“Agent” is only a chatbot with tools listed in the prompt\",\"No reliable runtime loop or tool execution architecture exists\"],[\"Tool support is treated as permission\",\"Capability and authorization boundaries are collapsed\"],[\"Agent trusts its own completion statement\",\"Outcome is not verified against external state\"],[\"Every task becomes multi-agent\",\"Complexity increases without a real ownership or specialization boundary\"],[\"Conversation history is used as durable state\",\"Resumability and authoritative state become fragile\"],[\"Agent retries side effects blindly\",\"Duplicate messages, payments or state changes become possible\"],[\"No step\u002Fcost limits\",\"Agent can loop indefinitely or consume uncontrolled resources\"],[\"Tool output is trusted as instruction\",\"Indirect prompt injection can redirect behavior\"],[\"Correct final answer is the only evaluation\",\"Unsafe or invalid trajectories remain invisible\"],[\"Model upgrade is treated as transparent\",\"Tool selection, planning and stopping behavior can change\"],[\"One broad tool exposes many privileged operations\",\"Blast radius increases and intent becomes harder to validate\"],[\"Human approval exists but reviewer lacks context\",\"Approval becomes ceremonial rather than effective\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Correction\"],[\"“An LLM is an agent.”\",\"The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.\"],[\"“Tool calling automatically means agentic AI.”\",\"A single bounded tool call may not involve an adaptive multi-step agent loop.\"],[\"“Agents must be fully autonomous.”\",\"Agentic systems can require approvals and operate under narrow permission boundaries.\"],[\"“Agents need long-term memory.”\",\"Memory is optional; many useful agents complete bounded tasks without cross-session memory.\"],[\"“Agents must create a written plan first.”\",\"Planning can be explicit or implicit and can occur one step at a time.\"],[\"“Multi-agent is more advanced than single-agent.”\",\"It is more complex; use it only when specialization or ownership boundaries justify it.\"],[\"“MCP creates an agent.”\",\"MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.\"],[\"“A local runtime means the model is local.”\",\"Runtime location and inference\u002Fprovider location are separate.\"],[\"“If the final result is correct, the agent worked correctly.”\",\"An unsafe or unauthorized trajectory can still produce a correct result.\"],[\"“Human approval removes autonomy.”\",\"Approval can constrain selected actions while the rest of the process remains model-directed.\"]]},\"tunes\":{}},{\"id\":\"h-design\",\"type\":\"header\",\"data\":{\"text\":\"A practical agent design sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"design-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Design the agent from authority outward\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the outcome\",\"description\":\"State what external result or artifact proves task success.\"},{\"label\":\"2. Decide whether an agent is actually needed\",\"description\":\"Prefer a simple call or deterministic workflow when the path is predictable.\"},{\"label\":\"3. Identify state and Source of Truth\",\"description\":\"Define which systems own current facts, task progress and business state.\"},{\"label\":\"4. Define the tool surface\",\"description\":\"Expose the smallest set of clear capabilities required for the task.\"},{\"label\":\"5. Bind identity and permissions\",\"description\":\"Separate user authority, agent\u002Fruntime permissions and tool capabilities.\"},{\"label\":\"6. Choose autonomy boundaries\",\"description\":\"Specify what the model may decide dynamically and what remains deterministic.\"},{\"label\":\"7. Add approval checkpoints\",\"description\":\"Require review before consequential or irreversible actions where appropriate.\"},{\"label\":\"8. Define stopping and recovery\",\"description\":\"Set success proof, budgets, timeouts, retries, escalation and loop controls.\"},{\"label\":\"9. Design context\u002Fstate management\",\"description\":\"Keep current state, memory, tool observations and durable artifacts in the correct layers.\"},{\"label\":\"10. Trace the trajectory\",\"description\":\"Record enough execution structure to debug and audit model\u002Ftool decisions.\"},{\"label\":\"11. Evaluate realistic failures\",\"description\":\"Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.\"},{\"label\":\"12. Expand autonomy only from evidence\",\"description\":\"Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI architecture checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected evidence\"],[\"What proves success?\",\"External outcome, artifact, test or authoritative state.\"],[\"Why is an agent needed?\",\"The path genuinely depends on intermediate observations.\"],[\"Which decisions are model-driven?\",\"Explicit autonomy boundary.\"],[\"Which tools exist?\",\"Small, documented, unambiguous capability set.\"],[\"Who may use each tool?\",\"Identity- and context-aware authorization policy.\"],[\"Which actions need approval?\",\"Consequence-based review rules.\"],[\"Where does task state live?\",\"Application-owned state separate from transient model context.\"],[\"How does the agent recover?\",\"Retry, re-read, rollback, clarification and escalation behavior.\"],[\"How does it stop?\",\"Verified completion plus step\u002Ftime\u002Fcost limits.\"],[\"How are side effects protected?\",\"Validation, idempotency, least privilege and confirmation.\"],[\"Can execution be reconstructed?\",\"Tool, approval and state-transition traces.\"],[\"How is it evaluated?\",\"Outcome + trajectory + robustness tests.\"],[\"What changes after a model\u002Fruntime update?\",\"Regression suite for tool selection, permissions, stopping and recovery.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.\"},\"tunes\":{}},{\"id\":\"p-edge-5\",\"type\":\"paragraph\",\"data\":{\"text\":\"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Agentic AI FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is agentic AI?\",\"answer\":\"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.\"},{\"id\":\"faq2\",\"question\":\"What is the difference between an LLM and an AI agent?\",\"answer\":\"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.\"},{\"id\":\"faq3\",\"question\":\"Does tool calling make a system an agent?\",\"answer\":\"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.\"},{\"id\":\"faq4\",\"question\":\"What is the difference between an agent and an AI workflow?\",\"answer\":\"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.\"},{\"id\":\"faq5\",\"question\":\"Do agents need memory?\",\"answer\":\"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.\"},{\"id\":\"faq6\",\"question\":\"Do AI agents need multiple agents?\",\"answer\":\"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.\"},{\"id\":\"faq7\",\"question\":\"Can an agent be human-in-the-loop?\",\"answer\":\"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.\"},{\"id\":\"faq8\",\"question\":\"Is MCP an agent framework?\",\"answer\":\"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.\"},{\"id\":\"faq9\",\"question\":\"How do you know an agent actually completed a task?\",\"answer\":\"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key agentic AI terms\",\"entries\":[{\"term\":\"Agentic AI\",\"definition\":\"AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.\",\"anchor\":\"agentic-ai\"},{\"term\":\"AI agent\",\"definition\":\"A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.\",\"anchor\":\"ai-agent\"},{\"term\":\"Agent loop\",\"definition\":\"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.\",\"anchor\":\"agent-loop\"},{\"term\":\"Runtime \u002F harness\",\"definition\":\"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.\",\"anchor\":\"runtime-harness\"},{\"term\":\"Tool\",\"definition\":\"A capability exposed to the model for reading information, computing, delegating or changing external state.\",\"anchor\":\"tool\"},{\"term\":\"Observation\",\"definition\":\"Information returned from a tool or environment and supplied to a later agent step.\",\"anchor\":\"observation\"},{\"term\":\"Agent state\",\"definition\":\"Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.\",\"anchor\":\"agent-state\"},{\"term\":\"Autonomy boundary\",\"definition\":\"The explicit limit defining which decisions and actions the model may control dynamically.\",\"anchor\":\"autonomy-boundary\"},{\"term\":\"Human-in-the-loop\",\"definition\":\"A control pattern in which human review, input or approval is required at selected points in an AI-driven process.\",\"anchor\":\"human-in-the-loop\"},{\"term\":\"Trajectory\",\"definition\":\"The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.\",\"anchor\":\"trajectory\"},{\"term\":\"Idempotency\",\"definition\":\"Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.\",\"anchor\":\"idempotency\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.\"},\"tunes\":{}},{\"id\":\"src-openai-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agents\",\"description\":\"Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.\"}},\"tunes\":{}},{\"id\":\"src-openai-definitions\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agent definitions\",\"description\":\"Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.\"}},\"tunes\":{}},{\"id\":\"src-openai-running\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Running agents\",\"description\":\"Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.\"}},\"tunes\":{}},{\"id\":\"src-openai-orchestration\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Orchestration and handoffs\",\"description\":\"Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.\"}},\"tunes\":{}},{\"id\":\"src-openai-safety\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Safety in building agents\",\"description\":\"Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Building effective agents\",\"description\":\"Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective context engineering for AI agents\",\"description\":\"Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-evals\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Demystifying evals for AI agents\",\"description\":\"2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1578,"blocks":1579,"version":2703},1791487185746,[1580,1584,1589,1594,1599,1603,1607,1611,1615,1619,1623,1627,1631,1635,1661,1665,1669,1673,1677,1699,1703,1707,1739,1743,1747,1790,1794,1798,1802,1807,1811,1815,1819,1823,1827,1855,1859,1863,1867,1871,1875,1879,1883,1887,1891,1895,1899,1904,1908,1912,1916,1920,1924,1928,1935,1939,1943,1947,1951,1970,1974,1978,1982,1986,1990,2024,2028,2032,2036,2040,2044,2048,2052,2056,2060,2064,2068,2074,2078,2082,2086,2090,2097,2101,2140,2144,2148,2152,2156,2203,2207,2235,2239,2243,2247,2251,2255,2259,2263,2267,2271,2275,2279,2304,2309,2313,2356,2360,2397,2401,2442,2446,2491,2495,2499,2503,2507,2511,2515,2519,2523,2527,2531,2535,2539,2543,2547,2551,2583,2587,2623,2627,2631,2635,2639,2643,2647,2654,2661,2668,2675,2682,2689,2696],{"id":215,"data":1581,"type":218,"tunes":1583},{"text":1582},"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.",{},{"id":221,"data":1585,"type":226,"tunes":1588},{"body":1586,"title":1587,"variant":225},"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.","Direct answer",{},{"id":229,"data":1590,"type":226,"tunes":1593},{"body":1591,"title":1592,"variant":233},"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>","Capability is not authority",{},{"id":236,"data":1595,"type":226,"tunes":1598},{"body":1596,"title":1597,"variant":240},"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.","Current-source note — 8 October 2026",{},{"id":243,"data":1600,"type":248,"tunes":1602},{"title":1601,"maxLevel":246,"minLevel":247},"Contents",{},{"id":251,"data":1604,"type":42,"tunes":1606},{"text":1605,"level":247},"What agentic AI really means",{},{"id":256,"data":1608,"type":218,"tunes":1610},{"text":1609},"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.",{},{"id":261,"data":1612,"type":218,"tunes":1614},{"text":1613},"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.",{},{"id":266,"data":1616,"type":218,"tunes":1618},{"text":1617},"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.",{},{"id":271,"data":1620,"type":42,"tunes":1622},{"text":1621,"level":247},"The simplest example",{},{"id":276,"data":1624,"type":218,"tunes":1626},{"text":1625},"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.",{},{"id":281,"data":1628,"type":218,"tunes":1630},{"text":1629},"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.",{},{"id":286,"data":1632,"type":218,"tunes":1634},{"text":1633},"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.",{},{"id":291,"data":1636,"type":317,"tunes":1660},{"steps":1637,"title":1659,"orientation":316},[1638,1641,1644,1647,1650,1653,1656],{"label":1639,"description":1640},"1. Receive a goal","The user or upstream system defines the objective and relevant constraints.",{"label":1642,"description":1643},"2. Build current context","The runtime supplies instructions, state, history, memory, tools and current evidence.",{"label":1645,"description":1646},"3. Model decides next step","The model may answer, call a tool, request information, delegate or stop.",{"label":1648,"description":1649},"4. Runtime validates the request","Permissions, schemas, approvals and policy determine whether the proposed action may execute.",{"label":1651,"description":1652},"5. Execute tool or action","The external environment changes or returns new information.",{"label":1654,"description":1655},"6. Observe the result","The runtime feeds structured tool output, errors or state changes back into the next model step.",{"label":1657,"description":1658},"7. Continue or stop","The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.","The basic agent loop",{},{"id":320,"data":1662,"type":42,"tunes":1664},{"text":1663,"level":247},"Where the simple example stops",{},{"id":325,"data":1666,"type":218,"tunes":1668},{"text":1667},"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.",{},{"id":330,"data":1670,"type":218,"tunes":1672},{"text":1671},"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.",{},{"id":335,"data":1674,"type":42,"tunes":1676},{"text":1675,"level":247},"Agent vs workflow",{},{"id":340,"data":1678,"type":369,"tunes":1698},{"rows":1679,"title":1692,"layout":361,"columns":1693},[1680,1683,1686,1689],{"id":344,"label":1681,"values":1682},"Process path",[347,347],{"id":349,"label":1684,"values":1685},"Tool sequence",[347,347],{"id":353,"label":1687,"values":1688},"Strength",[347,347],{"id":357,"label":1690,"values":1691},"Risk",[347,347],"Predefined workflow and agentic control",[1694,1696],{"id":364,"label":1695},"LLM workflow",{"id":367,"label":1697},"Agent",{},{"id":372,"data":1700,"type":218,"tunes":1702},{"text":1701},"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.",{},{"id":377,"data":1704,"type":42,"tunes":1706},{"text":1705,"level":247},"Agentic behavior is a spectrum, not a binary label",{},{"id":382,"data":1708,"type":361,"tunes":1738},{"content":1709,"stretched":43,"withHeadings":14},[1710,1714,1718,1722,1726,1730,1734],[1711,1712,1713],"Level","Example","Who decides the next step?",[1715,1716,1717],"Single model call","Summarize this document","Application calls model once",[1719,1720,1721],"Tool-assisted response","Model may use web search before answering","Model selects from bounded tools for one response",[1723,1724,1725],"Structured workflow","Classify → retrieve → generate → validate","Application workflow determines stages",[1727,1728,1729],"Adaptive workflow","Model can choose among several branches and retry","Shared control between application and model",[1731,1732,1733],"Agent loop","Model repeatedly chooses tools\u002Factions based on observations","Model directs tactical execution inside runtime constraints",[1735,1736,1737],"Long-running agent","Agent pauses, resumes, manages artifacts and continues","Model + persistent runtime manage evolving execution",{},{"id":415,"data":1740,"type":218,"tunes":1742},{"text":1741},"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.",{},{"id":420,"data":1744,"type":42,"tunes":1746},{"text":1745,"level":247},"The minimum architecture of an agentic system",{},{"id":425,"data":1748,"type":361,"tunes":1789},{"content":1749,"stretched":43,"withHeadings":14},[1750,1753,1756,1759,1762,1765,1768,1771,1774,1777,1780,1783,1786],[1751,1752],"Component","Responsibility",[1754,1755],"Goal \u002F task","Defines what the system is trying to accomplish.",[1757,1758],"Model","Interprets context and decides the next action or output.",[1760,1761],"Instructions","Define role, constraints, priorities and task-specific policy.",[1763,1764],"Context assembler","Builds the information visible to the model on each step.",[1766,1767],"Tool catalog","Defines capabilities the model may request.",[1769,1770],"Runtime \u002F harness","Runs the loop, executes tools, manages state and handles stopping conditions.",[1772,1773],"Authorization layer","Determines whether a proposed action is permitted for the current principal.",[1775,1776],"State \u002F session","Preserves task progress across turns or execution steps.",[1778,1779],"Observation channel","Returns tool results and environment changes to the next model step.",[1781,1782],"Approvals \u002F human control","Pauses consequential actions where review is required.",[1784,1785],"Tracing \u002F audit","Records model calls, tools, transitions, approvals and failures.",[1787,1788],"Evaluation","Measures outcomes and execution trajectories against acceptance criteria.",{},{"id":469,"data":1791,"type":42,"tunes":1793},{"text":1792,"level":247},"A model is not an agent",{},{"id":474,"data":1795,"type":218,"tunes":1797},{"text":1796},"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.",{},{"id":479,"data":1799,"type":218,"tunes":1801},{"text":1800},"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.",{},{"id":484,"data":1803,"type":226,"tunes":1806},{"body":1804,"title":1805,"variant":488},"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>","Architecture rule",{},{"id":491,"data":1808,"type":42,"tunes":1810},{"text":1809,"level":247},"Tool use is central — but tool use alone does not make an agent",{},{"id":496,"data":1812,"type":218,"tunes":1814},{"text":1813},"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.",{},{"id":501,"data":1816,"type":218,"tunes":1818},{"text":1817},"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.",{},{"id":506,"data":1820,"type":218,"tunes":1822},{"text":1821},"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.",{},{"id":511,"data":1824,"type":42,"tunes":1826},{"text":1825,"level":247},"Tool capability, permission and authority are different",{},{"id":516,"data":1828,"type":361,"tunes":1854},{"content":1829,"stretched":43,"withHeadings":14},[1830,1833,1836,1839,1842,1845,1848,1851],[1831,1832],"Layer","Question",[1834,1835],"Capability","Can this runtime technically perform the operation?",[1837,1838],"Tool exposure","Is that capability available to this agent?",[1840,1841],"Permission","May this agent\u002Fsession use it under the current policy?",[1843,1844],"User authorization","Is the requesting principal allowed to cause this operation?",[1846,1847],"Business authority","Is the operation valid under domain rules, approvals and limits?",[1849,1850],"Execution","Did the operation actually occur?",[1852,1853],"Audit","Can the system prove who requested, approved and executed it?",{},{"id":545,"data":1856,"type":218,"tunes":1858},{"text":1857},"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.",{},{"id":550,"data":1860,"type":42,"tunes":1862},{"text":1861,"level":247},"The runtime or harness is the actual execution system",{},{"id":555,"data":1864,"type":218,"tunes":1866},{"text":1865},"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.",{},{"id":560,"data":1868,"type":218,"tunes":1870},{"text":1869},"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.",{},{"id":565,"data":1872,"type":218,"tunes":1874},{"text":1873},"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.",{},{"id":570,"data":1876,"type":42,"tunes":1878},{"text":1877,"level":247},"Planning is useful, but an explicit plan is not required",{},{"id":575,"data":1880,"type":218,"tunes":1882},{"text":1881},"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.",{},{"id":580,"data":1884,"type":218,"tunes":1886},{"text":1885},"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.",{},{"id":585,"data":1888,"type":42,"tunes":1890},{"text":1889,"level":247},"Environmental feedback is what makes the loop useful",{},{"id":590,"data":1892,"type":218,"tunes":1894},{"text":1893},"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.",{},{"id":595,"data":1896,"type":218,"tunes":1898},{"text":1897},"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.",{},{"id":600,"data":1900,"type":226,"tunes":1903},{"body":1901,"title":1902,"variant":233},"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.","Self-report is not environmental proof",{},{"id":606,"data":1905,"type":42,"tunes":1907},{"text":1906,"level":247},"Agent state is not the same as model context",{},{"id":611,"data":1909,"type":218,"tunes":1911},{"text":1910},"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.",{},{"id":616,"data":1913,"type":218,"tunes":1915},{"text":1914},"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.",{},{"id":621,"data":1917,"type":42,"tunes":1919},{"text":1918,"level":247},"Memory is optional, not the definition of an agent",{},{"id":626,"data":1921,"type":218,"tunes":1923},{"text":1922},"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.",{},{"id":631,"data":1925,"type":218,"tunes":1927},{"text":1926},"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.",{},{"id":636,"data":1929,"type":642,"tunes":1934},{"url":1930,"title":1931,"excerpt":1932,"ctaLabel":1933},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context","A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.","Read the memory architecture article",{},{"id":645,"data":1936,"type":42,"tunes":1938},{"text":1937,"level":247},"Context engineering becomes dynamic in agents",{},{"id":650,"data":1940,"type":218,"tunes":1942},{"text":1941},"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.",{},{"id":655,"data":1944,"type":218,"tunes":1946},{"text":1945},"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.",{},{"id":660,"data":1948,"type":42,"tunes":1950},{"text":1949,"level":247},"Read tools and side-effect tools have different risk",{},{"id":665,"data":1952,"type":369,"tunes":1969},{"rows":1953,"title":1963,"layout":361,"columns":1964},[1954,1957,1960],{"id":669,"label":1955,"values":1956},"Examples",[347,347],{"id":673,"label":1958,"values":1959},"Main risk",[347,347],{"id":677,"label":1961,"values":1962},"Typical control",[347,347],"Information access versus external action",[1965,1967],{"id":683,"label":1966},"Read \u002F observe",{"id":686,"label":1968},"Write \u002F act",{},{"id":690,"data":1971,"type":42,"tunes":1973},{"text":1972,"level":247},"Human-in-the-loop is a control mechanism, not the opposite of agentic AI",{},{"id":695,"data":1975,"type":218,"tunes":1977},{"text":1976},"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.",{},{"id":700,"data":1979,"type":218,"tunes":1981},{"text":1980},"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.",{},{"id":705,"data":1983,"type":218,"tunes":1985},{"text":1984},"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?",{},{"id":710,"data":1987,"type":42,"tunes":1989},{"text":1988,"level":247},"Agents need explicit stopping conditions",{},{"id":715,"data":1991,"type":361,"tunes":2023},{"content":1992,"stretched":43,"withHeadings":14},[1993,1996,1999,2002,2005,2008,2011,2014,2017,2020],[1994,1995],"Stopping condition","Purpose",[1997,1998],"Successful verified outcome","End when the external target state is confirmed.",[2000,2001],"Maximum steps","Prevent runaway loops.",[2003,2004],"Time budget","Bound wall-clock execution.",[2006,2007],"Cost\u002Ftoken budget","Limit resource consumption.",[2009,2010],"Repeated-action detector","Stop loops that are no longer making progress.",[2012,2013],"Permission boundary","Pause or stop when the next required action is not permitted.",[2015,2016],"Human approval checkpoint","Wait before consequential execution.",[2018,2019],"Unrecoverable tool failure","Escalate instead of retrying indefinitely.",[2021,2022],"Uncertainty threshold","Ask for clarification when the task cannot be safely inferred.",{},{"id":750,"data":2025,"type":42,"tunes":2027},{"text":2026,"level":247},"Recovery is part of agent behavior",{},{"id":755,"data":2029,"type":218,"tunes":2031},{"text":2030},"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.",{},{"id":760,"data":2033,"type":218,"tunes":2035},{"text":2034},"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.",{},{"id":765,"data":2037,"type":218,"tunes":2039},{"text":2038},"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.",{},{"id":770,"data":2041,"type":42,"tunes":2043},{"text":2042,"level":247},"Agentic AI does not require multiple agents",{},{"id":775,"data":2045,"type":218,"tunes":2047},{"text":2046},"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.",{},{"id":780,"data":2049,"type":218,"tunes":2051},{"text":2050},"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.",{},{"id":785,"data":2053,"type":218,"tunes":2055},{"text":2054},"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.",{},{"id":790,"data":2057,"type":42,"tunes":2059},{"text":2058,"level":247},"Agent protocols are interoperability layers, not the agent itself",{},{"id":795,"data":2061,"type":218,"tunes":2063},{"text":2062},"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.",{},{"id":800,"data":2065,"type":218,"tunes":2067},{"text":2066},"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.",{},{"id":805,"data":2069,"type":642,"tunes":2073},{"url":807,"title":2070,"excerpt":2071,"ctaLabel":2072},"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained","A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.","Read the agent protocol stack",{},{"id":813,"data":2075,"type":42,"tunes":2077},{"text":2076,"level":247},"The trajectory is part of agent reliability",{},{"id":818,"data":2079,"type":218,"tunes":2081},{"text":2080},"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.",{},{"id":823,"data":2083,"type":218,"tunes":2085},{"text":2084},"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.",{},{"id":828,"data":2087,"type":218,"tunes":2089},{"text":2088},"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?",{},{"id":833,"data":2091,"type":642,"tunes":2096},{"url":2092,"title":2093,"excerpt":2094,"ctaLabel":2095},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","AI Agent Reliability: Why the Final Answer Is Not Enough","Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.","Read the reliability article",{},{"id":841,"data":2098,"type":42,"tunes":2100},{"text":2099,"level":247},"Agentic systems increase the security surface",{},{"id":846,"data":2102,"type":361,"tunes":2139},{"content":2103,"stretched":43,"withHeadings":14},[2104,2107,2111,2115,2119,2123,2127,2131,2135],[1690,2105,2106],"Why agents amplify it","Architecture response",[2108,2109,2110],"Prompt injection","Untrusted content can influence future tool decisions","Separate instructions from data; constrain tools; sanitize or structure external input where possible",[2112,2113,2114],"Excessive permissions","Reasoning errors can become real side effects","Least privilege, scoped credentials, per-tool policy and approvals",[2116,2117,2118],"Credential exposure","Tools may need powerful secrets","Keep secrets outside model context; broker access through trusted runtime",[2120,2121,2122],"Confused deputy","Agent may act with authority broader than the requesting user","Bind execution to user\u002Fservice identity and re-authorize consequential actions",[2124,2125,2126],"Runaway loops","Model repeatedly calls tools without progress","Step, time and cost budgets plus loop detection",[2128,2129,2130],"State drift","Environment changes after the agent formed a plan","Re-read authoritative state before consequential actions",[2132,2133,2134],"Indirect injection","Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model","Treat external content as untrusted data, not instruction authority",[2136,2137,2138],"Audit gap","Final result cannot show what was executed","Trace tool calls, approvals, identities and state changes",{},{"id":886,"data":2141,"type":42,"tunes":2143},{"text":2142,"level":247},"Agent observability must follow the loop",{},{"id":891,"data":2145,"type":218,"tunes":2147},{"text":2146},"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.",{},{"id":896,"data":2149,"type":218,"tunes":2151},{"text":2150},"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.",{},{"id":901,"data":2153,"type":42,"tunes":2155},{"text":2154,"level":247},"How to evaluate an agentic system",{},{"id":906,"data":2157,"type":361,"tunes":2202},{"content":2158,"stretched":43,"withHeadings":14},[2159,2162,2166,2170,2174,2178,2182,2186,2190,2194,2198],[2160,1832,2161],"Dimension","Example evidence",[2163,2164,2165],"Task success","Did the requested outcome occur?","External state, tests, business outcome",[2167,2168,2169],"Trajectory quality","Were the steps acceptable?","Tool\u002Faction trace",[2171,2172,2173],"Tool selection","Did the agent choose appropriate capabilities?","Expected vs actual tool calls",[2175,2176,2177],"Permission adherence","Did it stay inside allowed authority?","Authorization logs and denied-action tests",[2179,2180,2181],"State handling","Did it use current authoritative state?","Freshness checks and state-change tests",[2183,2184,2185],"Recovery","Did it respond correctly to failures?","Injected timeout\u002Ferror scenarios",[2187,2188,2189],"Stopping behavior","Did it stop at the right point?","Step counts, loop detection, final-state proof",[2191,2192,2193],"Human escalation","Did it ask when review was required?","Approval\u002Fescalation traces",[2195,2196,2197],"Cost\u002Flatency","Was autonomy worth the operational cost?","Tokens, tool calls, duration",[2199,2200,2201],"Robustness","Does it survive realistic environment variation?","Repeated and adversarial trials",{},{"id":954,"data":2204,"type":42,"tunes":2206},{"text":2205,"level":247},"When an agent is appropriate",{},{"id":959,"data":2208,"type":361,"tunes":2234},{"content":2209,"stretched":43,"withHeadings":14},[2210,2213,2216,2219,2222,2225,2228,2231],[2211,2212],"Use an agent when","Prefer a workflow or simple call when",[2214,2215],"The number or order of steps cannot be known reliably in advance","The sequence is stable and deterministic",[2217,2218],"The system must inspect the environment and adapt","A single retrieval + generation step is sufficient",[2220,2221],"Several tools may be useful depending on intermediate results","One known API call solves the task",[2223,2224],"The task benefits from iterative verification or repair","The answer can be produced directly from supplied context",[2226,2227],"Failures require flexible recovery behavior","Failure branches are simple and can be encoded explicitly",[2229,2230],"Human review can be inserted at meaningful checkpoints","Every step is high-risk and must be manually controlled anyway",[2232,2233],"Expected value justifies extra latency, cost and complexity","Predictability and low cost matter more than flexibility",{},{"id":988,"data":2236,"type":218,"tunes":2238},{"text":2237},"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.",{},{"id":993,"data":2240,"type":42,"tunes":2242},{"text":2241,"level":247},"Original implementation evidence",{},{"id":998,"data":2244,"type":42,"tunes":2246},{"text":2245,"level":246},"Aaasaasa AI Client: model, runtime and permission are separate",{},{"id":1003,"data":2248,"type":218,"tunes":2250},{"text":2249},"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.",{},{"id":1008,"data":2252,"type":218,"tunes":2254},{"text":2253},"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.",{},{"id":1013,"data":2256,"type":218,"tunes":2258},{"text":2257},"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”",{},{"id":1018,"data":2260,"type":218,"tunes":2262},{"text":2261},"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.",{},{"id":1023,"data":2264,"type":42,"tunes":2266},{"text":2265,"level":246},"Source of Truth Research Engine: bounded agentic research stages",{},{"id":1028,"data":2268,"type":218,"tunes":2270},{"text":2269},"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.",{},{"id":1033,"data":2272,"type":218,"tunes":2274},{"text":2273},"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.",{},{"id":1038,"data":2276,"type":218,"tunes":2278},{"text":2277},"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.",{},{"id":1043,"data":2280,"type":361,"tunes":2303},{"content":2281,"stretched":43,"withHeadings":14},[2282,2285,2288,2291,2294,2297,2300],[2283,2284],"Implemented pattern","Agentic architecture lesson",[2286,2287],"Direct Chat has no OS tools","A model can exist without agentic execution capability.",[2289,2290],"Codex runtime has workspace permission profile","Tool authority belongs to runtime policy, not model capability.",[2292,2293],"Provider\u002Fmodel\u002Fruntime are separate concepts","Agent harness location and inference location are independent decisions.",[2295,2296],"Permission broker for tool-capable runtimes","Capability exposure can be centralized and governed.",[2298,2299],"Bounded research stages","Autonomy can operate inside explicit process boundaries.",[2301,2302],"Persistent claims\u002Fevidence outside model context","Agent state and evidence do not need to live only in conversation history.",{},{"id":1069,"data":2305,"type":226,"tunes":2308},{"body":2306,"title":2307,"variant":240},"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.","Evidence boundary",{},{"id":1075,"data":2310,"type":42,"tunes":2312},{"text":2311,"level":247},"Common agentic AI failure modes",{},{"id":1080,"data":2314,"type":361,"tunes":2355},{"content":2315,"stretched":43,"withHeadings":14},[2316,2319,2322,2325,2328,2331,2334,2337,2340,2343,2346,2349,2352],[2317,2318],"Failure mode","What actually failed",[2320,2321],"“Agent” is only a chatbot with tools listed in the prompt","No reliable runtime loop or tool execution architecture exists",[2323,2324],"Tool support is treated as permission","Capability and authorization boundaries are collapsed",[2326,2327],"Agent trusts its own completion statement","Outcome is not verified against external state",[2329,2330],"Every task becomes multi-agent","Complexity increases without a real ownership or specialization boundary",[2332,2333],"Conversation history is used as durable state","Resumability and authoritative state become fragile",[2335,2336],"Agent retries side effects blindly","Duplicate messages, payments or state changes become possible",[2338,2339],"No step\u002Fcost limits","Agent can loop indefinitely or consume uncontrolled resources",[2341,2342],"Tool output is trusted as instruction","Indirect prompt injection can redirect behavior",[2344,2345],"Correct final answer is the only evaluation","Unsafe or invalid trajectories remain invisible",[2347,2348],"Model upgrade is treated as transparent","Tool selection, planning and stopping behavior can change",[2350,2351],"One broad tool exposes many privileged operations","Blast radius increases and intent becomes harder to validate",[2353,2354],"Human approval exists but reviewer lacks context","Approval becomes ceremonial rather than effective",{},{"id":1124,"data":2357,"type":42,"tunes":2359},{"text":2358,"level":247},"Common misconceptions",{},{"id":1129,"data":2361,"type":361,"tunes":2396},{"content":2362,"stretched":43,"withHeadings":14},[2363,2366,2369,2372,2375,2378,2381,2384,2387,2390,2393],[2364,2365],"Misconception","Correction",[2367,2368],"“An LLM is an agent.”","The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.",[2370,2371],"“Tool calling automatically means agentic AI.”","A single bounded tool call may not involve an adaptive multi-step agent loop.",[2373,2374],"“Agents must be fully autonomous.”","Agentic systems can require approvals and operate under narrow permission boundaries.",[2376,2377],"“Agents need long-term memory.”","Memory is optional; many useful agents complete bounded tasks without cross-session memory.",[2379,2380],"“Agents must create a written plan first.”","Planning can be explicit or implicit and can occur one step at a time.",[2382,2383],"“Multi-agent is more advanced than single-agent.”","It is more complex; use it only when specialization or ownership boundaries justify it.",[2385,2386],"“MCP creates an agent.”","MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.",[2388,2389],"“A local runtime means the model is local.”","Runtime location and inference\u002Fprovider location are separate.",[2391,2392],"“If the final result is correct, the agent worked correctly.”","An unsafe or unauthorized trajectory can still produce a correct result.",[2394,2395],"“Human approval removes autonomy.”","Approval can constrain selected actions while the rest of the process remains model-directed.",{},{"id":1167,"data":2398,"type":42,"tunes":2400},{"text":2399,"level":247},"A practical agent design sequence",{},{"id":1172,"data":2402,"type":317,"tunes":2441},{"steps":2403,"title":2440,"orientation":316},[2404,2407,2410,2413,2416,2419,2422,2425,2428,2431,2434,2437],{"label":2405,"description":2406},"1. Define the outcome","State what external result or artifact proves task success.",{"label":2408,"description":2409},"2. Decide whether an agent is actually needed","Prefer a simple call or deterministic workflow when the path is predictable.",{"label":2411,"description":2412},"3. Identify state and Source of Truth","Define which systems own current facts, task progress and business state.",{"label":2414,"description":2415},"4. Define the tool surface","Expose the smallest set of clear capabilities required for the task.",{"label":2417,"description":2418},"5. Bind identity and permissions","Separate user authority, agent\u002Fruntime permissions and tool capabilities.",{"label":2420,"description":2421},"6. Choose autonomy boundaries","Specify what the model may decide dynamically and what remains deterministic.",{"label":2423,"description":2424},"7. Add approval checkpoints","Require review before consequential or irreversible actions where appropriate.",{"label":2426,"description":2427},"8. Define stopping and recovery","Set success proof, budgets, timeouts, retries, escalation and loop controls.",{"label":2429,"description":2430},"9. Design context\u002Fstate management","Keep current state, memory, tool observations and durable artifacts in the correct layers.",{"label":2432,"description":2433},"10. Trace the trajectory","Record enough execution structure to debug and audit model\u002Ftool decisions.",{"label":2435,"description":2436},"11. Evaluate realistic failures","Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.",{"label":2438,"description":2439},"12. Expand autonomy only from evidence","Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.","Design the agent from authority outward",{},{"id":1214,"data":2443,"type":42,"tunes":2445},{"text":2444,"level":247},"Agentic AI architecture checklist",{},{"id":1219,"data":2447,"type":361,"tunes":2490},{"content":2448,"stretched":43,"withHeadings":14},[2449,2451,2454,2457,2460,2463,2466,2469,2472,2475,2478,2481,2484,2487],[1832,2450],"Expected evidence",[2452,2453],"What proves success?","External outcome, artifact, test or authoritative state.",[2455,2456],"Why is an agent needed?","The path genuinely depends on intermediate observations.",[2458,2459],"Which decisions are model-driven?","Explicit autonomy boundary.",[2461,2462],"Which tools exist?","Small, documented, unambiguous capability set.",[2464,2465],"Who may use each tool?","Identity- and context-aware authorization policy.",[2467,2468],"Which actions need approval?","Consequence-based review rules.",[2470,2471],"Where does task state live?","Application-owned state separate from transient model context.",[2473,2474],"How does the agent recover?","Retry, re-read, rollback, clarification and escalation behavior.",[2476,2477],"How does it stop?","Verified completion plus step\u002Ftime\u002Fcost limits.",[2479,2480],"How are side effects protected?","Validation, idempotency, least privilege and confirmation.",[2482,2483],"Can execution be reconstructed?","Tool, approval and state-transition traces.",[2485,2486],"How is it evaluated?","Outcome + trajectory + robustness tests.",[2488,2489],"What changes after a model\u002Fruntime update?","Regression suite for tool selection, permissions, stopping and recovery.",{},{"id":1265,"data":2492,"type":42,"tunes":2494},{"text":2493,"level":247},"Edge cases and limitations",{},{"id":1270,"data":2496,"type":218,"tunes":2498},{"text":2497},"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.",{},{"id":1275,"data":2500,"type":218,"tunes":2502},{"text":2501},"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.",{},{"id":1280,"data":2504,"type":218,"tunes":2506},{"text":2505},"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.",{},{"id":1285,"data":2508,"type":218,"tunes":2510},{"text":2509},"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.",{},{"id":1290,"data":2512,"type":218,"tunes":2514},{"text":2513},"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.",{},{"id":1295,"data":2516,"type":42,"tunes":2518},{"text":2517,"level":247},"What would change this answer?",{},{"id":1300,"data":2520,"type":218,"tunes":2522},{"text":2521},"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.",{},{"id":1305,"data":2524,"type":218,"tunes":2526},{"text":2525},"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.",{},{"id":1310,"data":2528,"type":218,"tunes":2530},{"text":2529},"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.",{},{"id":1315,"data":2532,"type":42,"tunes":2534},{"text":2533,"level":247},"Related canonical knowledge",{},{"id":1320,"data":2536,"type":218,"tunes":2538},{"text":2537},"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.",{},{"id":1325,"data":2540,"type":218,"tunes":2542},{"text":2541},"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.",{},{"id":1330,"data":2544,"type":218,"tunes":2546},{"text":2545},"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.",{},{"id":1335,"data":2548,"type":42,"tunes":2550},{"text":2549,"level":247},"Frequently asked questions",{},{"id":1340,"data":2552,"type":1340,"tunes":2582},{"items":2553,"title":2581},[2554,2557,2560,2563,2566,2569,2572,2575,2578],{"id":1344,"answer":2555,"question":2556},"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.","What is agentic AI?",{"id":1348,"answer":2558,"question":2559},"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.","What is the difference between an LLM and an AI agent?",{"id":1352,"answer":2561,"question":2562},"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.","Does tool calling make a system an agent?",{"id":1356,"answer":2564,"question":2565},"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.","What is the difference between an agent and an AI workflow?",{"id":1360,"answer":2567,"question":2568},"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.","Do agents need memory?",{"id":1364,"answer":2570,"question":2571},"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.","Do AI agents need multiple agents?",{"id":1368,"answer":2573,"question":2574},"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.","Can an agent be human-in-the-loop?",{"id":1372,"answer":2576,"question":2577},"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.","Is MCP an agent framework?",{"id":1376,"answer":2579,"question":2580},"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.","How do you know an agent actually completed a task?","Agentic AI FAQ",{},{"id":1382,"data":2584,"type":42,"tunes":2586},{"text":2585,"level":247},"Glossary",{},{"id":1387,"data":2588,"type":1387,"tunes":2622},{"title":2589,"entries":2590},"Key agentic AI terms",[2591,2594,2597,2599,2601,2604,2607,2610,2613,2616,2619],{"term":2592,"anchor":1393,"definition":2593},"Agentic AI","AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.",{"term":2595,"anchor":1397,"definition":2596},"AI agent","A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.",{"term":1731,"anchor":1400,"definition":2598},"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.",{"term":1769,"anchor":1403,"definition":2600},"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.",{"term":2602,"anchor":1407,"definition":2603},"Tool","A capability exposed to the model for reading information, computing, delegating or changing external state.",{"term":2605,"anchor":1411,"definition":2606},"Observation","Information returned from a tool or environment and supplied to a later agent step.",{"term":2608,"anchor":1415,"definition":2609},"Agent state","Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.",{"term":2611,"anchor":1419,"definition":2612},"Autonomy boundary","The explicit limit defining which decisions and actions the model may control dynamically.",{"term":2614,"anchor":1423,"definition":2615},"Human-in-the-loop","A control pattern in which human review, input or approval is required at selected points in an AI-driven process.",{"term":2617,"anchor":1427,"definition":2618},"Trajectory","The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.",{"term":2620,"anchor":1431,"definition":2621},"Idempotency","Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.",{},{"id":1435,"data":2624,"type":42,"tunes":2626},{"text":2625,"level":247},"Conclusion",{},{"id":1440,"data":2628,"type":218,"tunes":2630},{"text":2629},"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.",{},{"id":1445,"data":2632,"type":218,"tunes":2634},{"text":2633},"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.",{},{"id":1450,"data":2636,"type":218,"tunes":2638},{"text":2637},"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.",{},{"id":1455,"data":2640,"type":42,"tunes":2642},{"text":2641,"level":247},"Primary sources and current guidance",{},{"id":1460,"data":2644,"type":218,"tunes":2646},{"text":2645},"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.",{},{"id":1465,"data":2648,"type":1472,"tunes":2653},{"link":1467,"meta":2649},{"image":2650,"title":2651,"description":2652},{"url":347},"OpenAI — Agents","Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.",{},{"id":1475,"data":2655,"type":1472,"tunes":2660},{"link":1477,"meta":2656},{"image":2657,"title":2658,"description":2659},{"url":347},"OpenAI — Agent definitions","Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.",{},{"id":1484,"data":2662,"type":1472,"tunes":2667},{"link":1486,"meta":2663},{"image":2664,"title":2665,"description":2666},{"url":347},"OpenAI — Running agents","Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.",{},{"id":1493,"data":2669,"type":1472,"tunes":2674},{"link":1495,"meta":2670},{"image":2671,"title":2672,"description":2673},{"url":347},"OpenAI — Orchestration and handoffs","Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.",{},{"id":1502,"data":2676,"type":1472,"tunes":2681},{"link":1504,"meta":2677},{"image":2678,"title":2679,"description":2680},{"url":347},"OpenAI — Safety in building agents","Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.",{},{"id":1511,"data":2683,"type":1472,"tunes":2688},{"link":1513,"meta":2684},{"image":2685,"title":2686,"description":2687},{"url":347},"Anthropic — Building effective agents","Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.",{},{"id":1520,"data":2690,"type":1472,"tunes":2695},{"link":1522,"meta":2691},{"image":2692,"title":2693,"description":2694},{"url":347},"Anthropic — Effective context engineering for AI agents","Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.",{},{"id":1529,"data":2697,"type":1472,"tunes":2702},{"link":1531,"meta":2698},{"image":2699,"title":2700,"description":2701},{"url":347},"Anthropic — Demystifying evals for AI agents","2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.",{},"2.31.6","Agentic AI uses models inside multi-step execution loops where they can choose tools, observe results, update state and adapt their next action within explicit runtime and permission boundaries.",{"lang":7,"title":208,"content":210,"contentJson":2706,"excerpt":1538},{"time":212,"blocks":2707,"version":1537},[2708,2711,2714,2717,2720,2723,2726,2729,2732,2735,2738,2741,2744,2747,2758,2761,2764,2767,2770,2785,2788,2791,2802,2805,2808,2825,2828,2831,2834,2837,2840,2843,2846,2849,2852,2864,2867,2870,2873,2876,2879,2882,2885,2888,2891,2894,2897,2900,2903,2906,2909,2912,2915,2918,2921,2924,2927,2930,2933,2946,2949,2952,2955,2958,2961,2975,2978,2981,2984,2987,2990,2993,2996,2999,3002,3005,3008,3011,3014,3017,3020,3023,3026,3029,3042,3045,3048,3051,3054,3069,3072,3084,3087,3090,3093,3096,3099,3102,3105,3108,3111,3114,3117,3128,3131,3134,3151,3154,3169,3172,3188,3191,3209,3212,3215,3218,3221,3224,3227,3230,3233,3236,3239,3242,3245,3248,3251,3254,3267,3270,3285,3288,3291,3294,3297,3300,3303,3308,3313,3318,3323,3328,3333,3338],{"id":215,"data":2709,"type":218,"tunes":2710},{"text":217},{},{"id":221,"data":2712,"type":226,"tunes":2713},{"body":223,"title":224,"variant":225},{},{"id":229,"data":2715,"type":226,"tunes":2716},{"body":231,"title":232,"variant":233},{},{"id":236,"data":2718,"type":226,"tunes":2719},{"body":238,"title":239,"variant":240},{},{"id":243,"data":2721,"type":248,"tunes":2722},{"title":245,"maxLevel":246,"minLevel":247},{},{"id":251,"data":2724,"type":42,"tunes":2725},{"text":253,"level":247},{},{"id":256,"data":2727,"type":218,"tunes":2728},{"text":258},{},{"id":261,"data":2730,"type":218,"tunes":2731},{"text":263},{},{"id":266,"data":2733,"type":218,"tunes":2734},{"text":268},{},{"id":271,"data":2736,"type":42,"tunes":2737},{"text":273,"level":247},{},{"id":276,"data":2739,"type":218,"tunes":2740},{"text":278},{},{"id":281,"data":2742,"type":218,"tunes":2743},{"text":283},{},{"id":286,"data":2745,"type":218,"tunes":2746},{"text":288},{},{"id":291,"data":2748,"type":317,"tunes":2757},{"steps":2749,"title":315,"orientation":316},[2750,2751,2752,2753,2754,2755,2756],{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{"label":304,"description":305},{"label":307,"description":308},{"label":310,"description":311},{"label":313,"description":314},{},{"id":320,"data":2759,"type":42,"tunes":2760},{"text":322,"level":247},{},{"id":325,"data":2762,"type":218,"tunes":2763},{"text":327},{},{"id":330,"data":2765,"type":218,"tunes":2766},{"text":332},{},{"id":335,"data":2768,"type":42,"tunes":2769},{"text":337,"level":247},{},{"id":340,"data":2771,"type":369,"tunes":2784},{"rows":2772,"title":360,"layout":361,"columns":2781},[2773,2775,2777,2779],{"id":344,"label":345,"values":2774},[347,347],{"id":349,"label":350,"values":2776},[347,347],{"id":353,"label":354,"values":2778},[347,347],{"id":357,"label":358,"values":2780},[347,347],[2782,2783],{"id":364,"label":365},{"id":367,"label":368},{},{"id":372,"data":2786,"type":218,"tunes":2787},{"text":374},{},{"id":377,"data":2789,"type":42,"tunes":2790},{"text":379,"level":247},{},{"id":382,"data":2792,"type":361,"tunes":2801},{"content":2793,"stretched":43,"withHeadings":14},[2794,2795,2796,2797,2798,2799,2800],[386,387,388],[390,391,392],[394,395,396],[398,399,400],[402,403,404],[406,407,408],[410,411,412],{},{"id":415,"data":2803,"type":218,"tunes":2804},{"text":417},{},{"id":420,"data":2806,"type":42,"tunes":2807},{"text":422,"level":247},{},{"id":425,"data":2809,"type":361,"tunes":2824},{"content":2810,"stretched":43,"withHeadings":14},[2811,2812,2813,2814,2815,2816,2817,2818,2819,2820,2821,2822,2823],[429,430],[432,433],[435,436],[438,439],[441,442],[444,445],[447,448],[450,451],[453,454],[456,457],[459,460],[462,463],[465,466],{},{"id":469,"data":2826,"type":42,"tunes":2827},{"text":471,"level":247},{},{"id":474,"data":2829,"type":218,"tunes":2830},{"text":476},{},{"id":479,"data":2832,"type":218,"tunes":2833},{"text":481},{},{"id":484,"data":2835,"type":226,"tunes":2836},{"body":486,"title":487,"variant":488},{},{"id":491,"data":2838,"type":42,"tunes":2839},{"text":493,"level":247},{},{"id":496,"data":2841,"type":218,"tunes":2842},{"text":498},{},{"id":501,"data":2844,"type":218,"tunes":2845},{"text":503},{},{"id":506,"data":2847,"type":218,"tunes":2848},{"text":508},{},{"id":511,"data":2850,"type":42,"tunes":2851},{"text":513,"level":247},{},{"id":516,"data":2853,"type":361,"tunes":2863},{"content":2854,"stretched":43,"withHeadings":14},[2855,2856,2857,2858,2859,2860,2861,2862],[520,521],[523,524],[526,527],[529,530],[532,533],[535,536],[538,539],[541,542],{},{"id":545,"data":2865,"type":218,"tunes":2866},{"text":547},{},{"id":550,"data":2868,"type":42,"tunes":2869},{"text":552,"level":247},{},{"id":555,"data":2871,"type":218,"tunes":2872},{"text":557},{},{"id":560,"data":2874,"type":218,"tunes":2875},{"text":562},{},{"id":565,"data":2877,"type":218,"tunes":2878},{"text":567},{},{"id":570,"data":2880,"type":42,"tunes":2881},{"text":572,"level":247},{},{"id":575,"data":2883,"type":218,"tunes":2884},{"text":577},{},{"id":580,"data":2886,"type":218,"tunes":2887},{"text":582},{},{"id":585,"data":2889,"type":42,"tunes":2890},{"text":587,"level":247},{},{"id":590,"data":2892,"type":218,"tunes":2893},{"text":592},{},{"id":595,"data":2895,"type":218,"tunes":2896},{"text":597},{},{"id":600,"data":2898,"type":226,"tunes":2899},{"body":602,"title":603,"variant":233},{},{"id":606,"data":2901,"type":42,"tunes":2902},{"text":608,"level":247},{},{"id":611,"data":2904,"type":218,"tunes":2905},{"text":613},{},{"id":616,"data":2907,"type":218,"tunes":2908},{"text":618},{},{"id":621,"data":2910,"type":42,"tunes":2911},{"text":623,"level":247},{},{"id":626,"data":2913,"type":218,"tunes":2914},{"text":628},{},{"id":631,"data":2916,"type":218,"tunes":2917},{"text":633},{},{"id":636,"data":2919,"type":642,"tunes":2920},{"url":638,"title":639,"excerpt":640,"ctaLabel":641},{},{"id":645,"data":2922,"type":42,"tunes":2923},{"text":647,"level":247},{},{"id":650,"data":2925,"type":218,"tunes":2926},{"text":652},{},{"id":655,"data":2928,"type":218,"tunes":2929},{"text":657},{},{"id":660,"data":2931,"type":42,"tunes":2932},{"text":662,"level":247},{},{"id":665,"data":2934,"type":369,"tunes":2945},{"rows":2935,"title":680,"layout":361,"columns":2942},[2936,2938,2940],{"id":669,"label":670,"values":2937},[347,347],{"id":673,"label":674,"values":2939},[347,347],{"id":677,"label":678,"values":2941},[347,347],[2943,2944],{"id":683,"label":684},{"id":686,"label":687},{},{"id":690,"data":2947,"type":42,"tunes":2948},{"text":692,"level":247},{},{"id":695,"data":2950,"type":218,"tunes":2951},{"text":697},{},{"id":700,"data":2953,"type":218,"tunes":2954},{"text":702},{},{"id":705,"data":2956,"type":218,"tunes":2957},{"text":707},{},{"id":710,"data":2959,"type":42,"tunes":2960},{"text":712,"level":247},{},{"id":715,"data":2962,"type":361,"tunes":2974},{"content":2963,"stretched":43,"withHeadings":14},[2964,2965,2966,2967,2968,2969,2970,2971,2972,2973],[719,720],[722,723],[725,726],[728,729],[731,732],[734,735],[737,738],[740,741],[743,744],[746,747],{},{"id":750,"data":2976,"type":42,"tunes":2977},{"text":752,"level":247},{},{"id":755,"data":2979,"type":218,"tunes":2980},{"text":757},{},{"id":760,"data":2982,"type":218,"tunes":2983},{"text":762},{},{"id":765,"data":2985,"type":218,"tunes":2986},{"text":767},{},{"id":770,"data":2988,"type":42,"tunes":2989},{"text":772,"level":247},{},{"id":775,"data":2991,"type":218,"tunes":2992},{"text":777},{},{"id":780,"data":2994,"type":218,"tunes":2995},{"text":782},{},{"id":785,"data":2997,"type":218,"tunes":2998},{"text":787},{},{"id":790,"data":3000,"type":42,"tunes":3001},{"text":792,"level":247},{},{"id":795,"data":3003,"type":218,"tunes":3004},{"text":797},{},{"id":800,"data":3006,"type":218,"tunes":3007},{"text":802},{},{"id":805,"data":3009,"type":642,"tunes":3010},{"url":807,"title":808,"excerpt":809,"ctaLabel":810},{},{"id":813,"data":3012,"type":42,"tunes":3013},{"text":815,"level":247},{},{"id":818,"data":3015,"type":218,"tunes":3016},{"text":820},{},{"id":823,"data":3018,"type":218,"tunes":3019},{"text":825},{},{"id":828,"data":3021,"type":218,"tunes":3022},{"text":830},{},{"id":833,"data":3024,"type":642,"tunes":3025},{"url":835,"title":836,"excerpt":837,"ctaLabel":838},{},{"id":841,"data":3027,"type":42,"tunes":3028},{"text":843,"level":247},{},{"id":846,"data":3030,"type":361,"tunes":3041},{"content":3031,"stretched":43,"withHeadings":14},[3032,3033,3034,3035,3036,3037,3038,3039,3040],[358,850,851],[853,854,855],[857,858,859],[861,862,863],[865,866,867],[869,870,871],[873,874,875],[877,878,879],[881,882,883],{},{"id":886,"data":3043,"type":42,"tunes":3044},{"text":888,"level":247},{},{"id":891,"data":3046,"type":218,"tunes":3047},{"text":893},{},{"id":896,"data":3049,"type":218,"tunes":3050},{"text":898},{},{"id":901,"data":3052,"type":42,"tunes":3053},{"text":903,"level":247},{},{"id":906,"data":3055,"type":361,"tunes":3068},{"content":3056,"stretched":43,"withHeadings":14},[3057,3058,3059,3060,3061,3062,3063,3064,3065,3066,3067],[910,521,911],[913,914,915],[917,918,919],[921,922,923],[925,926,927],[929,930,931],[933,934,935],[937,938,939],[941,942,943],[945,946,947],[949,950,951],{},{"id":954,"data":3070,"type":42,"tunes":3071},{"text":956,"level":247},{},{"id":959,"data":3073,"type":361,"tunes":3083},{"content":3074,"stretched":43,"withHeadings":14},[3075,3076,3077,3078,3079,3080,3081,3082],[963,964],[966,967],[969,970],[972,973],[975,976],[978,979],[981,982],[984,985],{},{"id":988,"data":3085,"type":218,"tunes":3086},{"text":990},{},{"id":993,"data":3088,"type":42,"tunes":3089},{"text":995,"level":247},{},{"id":998,"data":3091,"type":42,"tunes":3092},{"text":1000,"level":246},{},{"id":1003,"data":3094,"type":218,"tunes":3095},{"text":1005},{},{"id":1008,"data":3097,"type":218,"tunes":3098},{"text":1010},{},{"id":1013,"data":3100,"type":218,"tunes":3101},{"text":1015},{},{"id":1018,"data":3103,"type":218,"tunes":3104},{"text":1020},{},{"id":1023,"data":3106,"type":42,"tunes":3107},{"text":1025,"level":246},{},{"id":1028,"data":3109,"type":218,"tunes":3110},{"text":1030},{},{"id":1033,"data":3112,"type":218,"tunes":3113},{"text":1035},{},{"id":1038,"data":3115,"type":218,"tunes":3116},{"text":1040},{},{"id":1043,"data":3118,"type":361,"tunes":3127},{"content":3119,"stretched":43,"withHeadings":14},[3120,3121,3122,3123,3124,3125,3126],[1047,1048],[1050,1051],[1053,1054],[1056,1057],[1059,1060],[1062,1063],[1065,1066],{},{"id":1069,"data":3129,"type":226,"tunes":3130},{"body":1071,"title":1072,"variant":240},{},{"id":1075,"data":3132,"type":42,"tunes":3133},{"text":1077,"level":247},{},{"id":1080,"data":3135,"type":361,"tunes":3150},{"content":3136,"stretched":43,"withHeadings":14},[3137,3138,3139,3140,3141,3142,3143,3144,3145,3146,3147,3148,3149],[1084,1085],[1087,1088],[1090,1091],[1093,1094],[1096,1097],[1099,1100],[1102,1103],[1105,1106],[1108,1109],[1111,1112],[1114,1115],[1117,1118],[1120,1121],{},{"id":1124,"data":3152,"type":42,"tunes":3153},{"text":1126,"level":247},{},{"id":1129,"data":3155,"type":361,"tunes":3168},{"content":3156,"stretched":43,"withHeadings":14},[3157,3158,3159,3160,3161,3162,3163,3164,3165,3166,3167],[1133,1134],[1136,1137],[1139,1140],[1142,1143],[1145,1146],[1148,1149],[1151,1152],[1154,1155],[1157,1158],[1160,1161],[1163,1164],{},{"id":1167,"data":3170,"type":42,"tunes":3171},{"text":1169,"level":247},{},{"id":1172,"data":3173,"type":317,"tunes":3187},{"steps":3174,"title":1211,"orientation":316},[3175,3176,3177,3178,3179,3180,3181,3182,3183,3184,3185,3186],{"label":1176,"description":1177},{"label":1179,"description":1180},{"label":1182,"description":1183},{"label":1185,"description":1186},{"label":1188,"description":1189},{"label":1191,"description":1192},{"label":1194,"description":1195},{"label":1197,"description":1198},{"label":1200,"description":1201},{"label":1203,"description":1204},{"label":1206,"description":1207},{"label":1209,"description":1210},{},{"id":1214,"data":3189,"type":42,"tunes":3190},{"text":1216,"level":247},{},{"id":1219,"data":3192,"type":361,"tunes":3208},{"content":3193,"stretched":43,"withHeadings":14},[3194,3195,3196,3197,3198,3199,3200,3201,3202,3203,3204,3205,3206,3207],[521,1223],[1225,1226],[1228,1229],[1231,1232],[1234,1235],[1237,1238],[1240,1241],[1243,1244],[1246,1247],[1249,1250],[1252,1253],[1255,1256],[1258,1259],[1261,1262],{},{"id":1265,"data":3210,"type":42,"tunes":3211},{"text":1267,"level":247},{},{"id":1270,"data":3213,"type":218,"tunes":3214},{"text":1272},{},{"id":1275,"data":3216,"type":218,"tunes":3217},{"text":1277},{},{"id":1280,"data":3219,"type":218,"tunes":3220},{"text":1282},{},{"id":1285,"data":3222,"type":218,"tunes":3223},{"text":1287},{},{"id":1290,"data":3225,"type":218,"tunes":3226},{"text":1292},{},{"id":1295,"data":3228,"type":42,"tunes":3229},{"text":1297,"level":247},{},{"id":1300,"data":3231,"type":218,"tunes":3232},{"text":1302},{},{"id":1305,"data":3234,"type":218,"tunes":3235},{"text":1307},{},{"id":1310,"data":3237,"type":218,"tunes":3238},{"text":1312},{},{"id":1315,"data":3240,"type":42,"tunes":3241},{"text":1317,"level":247},{},{"id":1320,"data":3243,"type":218,"tunes":3244},{"text":1322},{},{"id":1325,"data":3246,"type":218,"tunes":3247},{"text":1327},{},{"id":1330,"data":3249,"type":218,"tunes":3250},{"text":1332},{},{"id":1335,"data":3252,"type":42,"tunes":3253},{"text":1337,"level":247},{},{"id":1340,"data":3255,"type":1340,"tunes":3266},{"items":3256,"title":1379},[3257,3258,3259,3260,3261,3262,3263,3264,3265],{"id":1344,"answer":1345,"question":1346},{"id":1348,"answer":1349,"question":1350},{"id":1352,"answer":1353,"question":1354},{"id":1356,"answer":1357,"question":1358},{"id":1360,"answer":1361,"question":1362},{"id":1364,"answer":1365,"question":1366},{"id":1368,"answer":1369,"question":1370},{"id":1372,"answer":1373,"question":1374},{"id":1376,"answer":1377,"question":1378},{},{"id":1382,"data":3268,"type":42,"tunes":3269},{"text":1384,"level":247},{},{"id":1387,"data":3271,"type":1387,"tunes":3284},{"title":1389,"entries":3272},[3273,3274,3275,3276,3277,3278,3279,3280,3281,3282,3283],{"term":1392,"anchor":1393,"definition":1394},{"term":1396,"anchor":1397,"definition":1398},{"term":406,"anchor":1400,"definition":1401},{"term":447,"anchor":1403,"definition":1404},{"term":1406,"anchor":1407,"definition":1408},{"term":1410,"anchor":1411,"definition":1412},{"term":1414,"anchor":1415,"definition":1416},{"term":1418,"anchor":1419,"definition":1420},{"term":1422,"anchor":1423,"definition":1424},{"term":1426,"anchor":1427,"definition":1428},{"term":1430,"anchor":1431,"definition":1432},{},{"id":1435,"data":3286,"type":42,"tunes":3287},{"text":1437,"level":247},{},{"id":1440,"data":3289,"type":218,"tunes":3290},{"text":1442},{},{"id":1445,"data":3292,"type":218,"tunes":3293},{"text":1447},{},{"id":1450,"data":3295,"type":218,"tunes":3296},{"text":1452},{},{"id":1455,"data":3298,"type":42,"tunes":3299},{"text":1457,"level":247},{},{"id":1460,"data":3301,"type":218,"tunes":3302},{"text":1462},{},{"id":1465,"data":3304,"type":1472,"tunes":3307},{"link":1467,"meta":3305},{"image":3306,"title":1470,"description":1471},{"url":347},{},{"id":1475,"data":3309,"type":1472,"tunes":3312},{"link":1477,"meta":3310},{"image":3311,"title":1480,"description":1481},{"url":347},{},{"id":1484,"data":3314,"type":1472,"tunes":3317},{"link":1486,"meta":3315},{"image":3316,"title":1489,"description":1490},{"url":347},{},{"id":1493,"data":3319,"type":1472,"tunes":3322},{"link":1495,"meta":3320},{"image":3321,"title":1498,"description":1499},{"url":347},{},{"id":1502,"data":3324,"type":1472,"tunes":3327},{"link":1504,"meta":3325},{"image":3326,"title":1507,"description":1508},{"url":347},{},{"id":1511,"data":3329,"type":1472,"tunes":3332},{"link":1513,"meta":3330},{"image":3331,"title":1516,"description":1517},{"url":347},{},{"id":1520,"data":3334,"type":1472,"tunes":3337},{"link":1522,"meta":3335},{"image":3336,"title":1525,"description":1526},{"url":347},{},{"id":1529,"data":3339,"type":1472,"tunes":3342},{"link":1531,"meta":3340},{"image":3341,"title":1534,"description":1535},{"url":347},{},"Post erfolgreich abgerufen",{"items":3345,"source":3429,"manualIds":3430,"manualMatchedIds":3431},[3346,3353,3360,3367,3374,3381,3387,3394,3401,3408,3415,3422],{"id":3347,"slug":3348,"title":3349,"excerpt":3350,"featuredImage":3351,"publishedAt":3352},"486","source-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from","Источник истины в системах ИИ: откуда на самом деле берутся надёжные знания","Источник истины определяет, какой источник является авторитетным для конкретного факта или состояния. Узнайте, чем он отличается от RAG, происхождения данных, памяти, контекста, векторных баз данных и систем учёта.","\u002Fuploads\u002F2026\u002F10\u002Fsource-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from-1791479103235-6bq9em.webp","2026-10-08T13:02:00.000Z",{"id":3354,"slug":3355,"title":3356,"excerpt":3357,"featuredImage":3358,"publishedAt":3359},"485","enterprise-ai-architecture-what-changes-when-ai-enters-a-company","Архитектура ИИ на предприятии: что меняется, когда ИИ приходит в компанию","Архитектура ИИ для предприятий объясняет, как ИИ меняет корпоративные системы в таких областях, как полномочия на данные, идентификация, разрешения, поставщики, риски, управление, оценка, соответствие требованиям и операции.","\u002Fuploads\u002F2026\u002F10\u002Fenterprise-ai-architecture-what-changes-when-ai-enters-a-company-1791478161363-czrwaq.webp","2026-10-08T10:48:00.000Z",{"id":3361,"slug":3362,"title":3363,"excerpt":3364,"featuredImage":3365,"publishedAt":3366},"478","what-is-rag-the-simplest-explanation-of-how-it-works","Что такое RAG? Самое простое объяснение того, как это работает","RAG звучит сложно, но идея проста: прежде чем ИИ ответит, он сначала находит полезную информацию из источника знаний и передаёт эту информацию языковой модели. В этом руководстве объясняются RAG, LLM, состояние, память и инструменты с помощью одной простой ментальной модели.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":3368,"slug":3369,"title":3370,"excerpt":3371,"featuredImage":3372,"publishedAt":3373},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","GPU — не продукт: перспективная архитектура приватного ИИ","Инфраструктура приватного ИИ не должна проектироваться вокруг одного GPU или одной модели. Более устойчивый подход объединяет быстрые GPU для инференса, ИИ-системы с большим объемом памяти, узлы физического ИИ и опциональные передовые облачные модели за уровнем маршрутизации, учитывающим возможности.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":3375,"slug":3376,"title":3377,"excerpt":3378,"featuredImage":3379,"publishedAt":3380},"495","sovereign-ai-control-of-models-data-infrastructure-and-dependencies","Суверенный ИИ: контроль над моделями, данными, инфраструктурой и зависимостями","Суверенный ИИ — это эффективный контроль над моделями, данными, инфраструктурой, программным обеспечением, операциями и стратегическими зависимостями, а не просто место размещения модели ИИ.","\u002Fuploads\u002F2026\u002F10\u002Fsovereign-ai-control-of-models-data-infrastructure-and-dependencies-1791488833132-niy85x.webp","2026-10-08T15:45:00.000Z",{"id":3382,"slug":3383,"title":836,"excerpt":3384,"featuredImage":3385,"publishedAt":3386},"460","ai-agent-reliability-why-the-final-answer-is-not-enough","Правильный вывод не доказывает правильность рассуждений, безопасность выполнения или надежность системы.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-reliability-why-the-final-answer-is-not-enough-1788955466306-pl0qhz.webp","2026-09-09T04:01:00.000Z",{"id":3388,"slug":3389,"title":3390,"excerpt":3391,"featuredImage":3392,"publishedAt":3393},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Граница достоверности ответа: недостающий слой между релевантностью и надёжными ответами ИИ","Источник может быть релевантным, авторитетным и при этом неверным для задаваемого вопроса. Недостающий слой — применимость: условия, при которых ответ остаётся в силе, и изменения, вынуждающие пересмотреть его. В этой статье вводится понятие «Граница действительности ответа» как паттерн проектирования источников для людей, ИИ-поиска и RAG-систем.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":3395,"slug":3396,"title":3397,"excerpt":3398,"featuredImage":3399,"publishedAt":3400},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: разбор стека протоколов агентов","MCP, A2A, UCP, AP2 и A2UI часто представляют как конкурирующие агентские стандарты. В основном они решают разные проблемы интероперабельности. Это руководство сопоставляет каждый протокол с границей, которую он фактически стандартизирует,—и показывает, как они могут работать вместе в одной промышленной системе.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":3402,"slug":3403,"title":3404,"excerpt":3405,"featuredImage":3406,"publishedAt":3407},"481","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","Генеративный ИИ: модели, поиск, инструменты и приложения — это не одно и то же","Генеративный ИИ — это больше, чем модель. Узнайте, как модели, поиск информации, инструменты, контекст, среды выполнения и приложения сочетаются друг с другом в производственных системах ИИ.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","2026-10-08T12:00:00.000Z",{"id":3409,"slug":3410,"title":3411,"excerpt":3412,"featuredImage":3413,"publishedAt":3414},"492","mcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits","MCP: объяснение — что он подключает, чего не делает и где ему место","Протокол контекста модели соединяет приложения ИИ с внешними инструментами, ресурсами и подсказками через стандартную границу клиент-сервер. Узнайте, что делает MCP, чего он не делает и где он вписывается в архитектуру агента.","\u002Fuploads\u002F2026\u002F10\u002Fmcp-explained-what-it-connects-what-it-does-not-do-and-where-it-fits-1791486640275-7ub1cq.webp","2026-10-08T15:09:00.000Z",{"id":3416,"slug":3417,"title":3418,"excerpt":3419,"featuredImage":3420,"publishedAt":3421},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","Память ИИ-агента — это не RAG: как разграничить память, извлечение, состояние и контекст","Память агента, RAG, состояние и контекст часто используются так, будто они взаимозаменяемы. Это не так. Эта практическая архитектурная модель разделяет четыре уровня, показывает, где место каждого из них, и объясняет, что ломается, когда системы объединяют их в одно целое.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":3423,"slug":3424,"title":3425,"excerpt":3426,"featuredImage":3427,"publishedAt":3428},"471","how-to-know-whether-an-ai-agent-actually-used-the-right-evidence","Как узнать, действительно ли ИИ-агент использовал правильные доказательства","ИИ-агент может ссылаться на источники и при этом использовать неверные доказательства. В этой статье представлен практический метод проверки обоснованности утверждений, авторитетности источников, применимости, происхождения и того, действительно ли доказательства повлияли на ответ.","\u002Fuploads\u002F2026\u002F09\u002Fhow-to-know-whether-an-ai-agent-actually-used-the-right-evidence-1790351317188-o5z9ve.webp","2026-09-25T11:47:00.000Z","fallback",[],[]]