Я уже довольно плотно пользуюсь Hermes Agent в реальной работе. Не как игрушкой “спросить у чата”, а как рабочей системой: с скиллами, инструментами, памятью, Telegram, cron-задачами, браузером, MCP и нормальными проверками результата.
И в целом мне нравится, как это работает. Когда всё настроено нормально, агент действительно снимает много рутины: может сходить в источники, открыть файлы, проверить сайт, собрать пост, обновить реестр, запустить тесты или вернуться к прошлому контексту.
Но как раз на живой работе хорошо видно, где начинается сложность.
Если агент ошибся, вопрос не всегда в том, что “модель тупая” или “промпт плохой”. Иногда проблема в инструменте. Иногда — в потерянном контексте. Иногда — в памяти, критерии остановки или в том, что сама архитектура вокруг модели собрана не очень аккуратно.
Я сначала немного насторожился, когда увидел формулировку про мультиагентные системы. Потому что “давайте сделаем много агентов” само по себе не решает проблему. Иногда это только добавляет хаос, стоимость и ещё больше мест, где всё может сломаться.
Но первый выпуск Guide DAO оказался не про это.
Там как раз разбирают базовый вопрос: что вообще делает LLM агентом, чем агент отличается от обычного чата и заранее заданного workflow, и почему ошибка часто появляется задолго до финального ответа.
Ведёт серию Всеволод Воропаев. Он занимается мультиагентными системами для технического и научного ресерча, и это чувствуется по фокусу: не “агенты всё сделают сами”, а из каких частей состоит агентная система и где она реально ломается.
Мне особенно близка мысль про инструменты и среду. Модель может быть сильной, но если инструмент возвращает мутную ошибку, контекст сжимается с потерей важных ограничений, а критерий завершения сводится к “модель сказала, что готово”, то итоговый ответ может выглядеть прилично и всё равно быть неправильным.
Ещё хороший блок — про трассировку. Смотреть только на финальный ответ почти бесполезно. Нужно видеть, какой контекст был у модели на конкретном шаге, какой инструмент она выбрала, что вернула среда и как это повлияло на следующие действия.
Это ровно то место, где агент перестаёт быть “чатом с тулзами” и становится инженерной системой.
Вот видео:
видео на YouTube
У Guide DAO есть и практический трек по разработке AI-агентов: агентный цикл, инструменты, MCP, память, трассировка, evals и безопасность.
Скорее это не для тех, кто хочет первый раз спросить что-то у ChatGPT, а для тех, кто уже пробовал собрать агента и понял, что “дать модели инструменты” — самая простая часть.
Вместе с треком остаётся пожизненный доступ к платформе Guide DAO, другим направлениям, обновлениям и закрытому сообществу.
До 31 августа по промокоду blind дают дополнительную скидку 40%.
Оставить заявку можно здесь:
оставить заявку на guidedao.xyz
😎 Незрячий web3 программист (подписаться)
Чат | бот
И в целом мне нравится, как это работает. Когда всё настроено нормально, агент действительно снимает много рутины: может сходить в источники, открыть файлы, проверить сайт, собрать пост, обновить реестр, запустить тесты или вернуться к прошлому контексту.
Но как раз на живой работе хорошо видно, где начинается сложность.
Если агент ошибся, вопрос не всегда в том, что “модель тупая” или “промпт плохой”. Иногда проблема в инструменте. Иногда — в потерянном контексте. Иногда — в памяти, критерии остановки или в том, что сама архитектура вокруг модели собрана не очень аккуратно.
Я сначала немного насторожился, когда увидел формулировку про мультиагентные системы. Потому что “давайте сделаем много агентов” само по себе не решает проблему. Иногда это только добавляет хаос, стоимость и ещё больше мест, где всё может сломаться.
Но первый выпуск Guide DAO оказался не про это.
Там как раз разбирают базовый вопрос: что вообще делает LLM агентом, чем агент отличается от обычного чата и заранее заданного workflow, и почему ошибка часто появляется задолго до финального ответа.
Ведёт серию Всеволод Воропаев. Он занимается мультиагентными системами для технического и научного ресерча, и это чувствуется по фокусу: не “агенты всё сделают сами”, а из каких частей состоит агентная система и где она реально ломается.
Мне особенно близка мысль про инструменты и среду. Модель может быть сильной, но если инструмент возвращает мутную ошибку, контекст сжимается с потерей важных ограничений, а критерий завершения сводится к “модель сказала, что готово”, то итоговый ответ может выглядеть прилично и всё равно быть неправильным.
Ещё хороший блок — про трассировку. Смотреть только на финальный ответ почти бесполезно. Нужно видеть, какой контекст был у модели на конкретном шаге, какой инструмент она выбрала, что вернула среда и как это повлияло на следующие действия.
Это ровно то место, где агент перестаёт быть “чатом с тулзами” и становится инженерной системой.
Вот видео:
видео на YouTube
У Guide DAO есть и практический трек по разработке AI-агентов: агентный цикл, инструменты, MCP, память, трассировка, evals и безопасность.
Скорее это не для тех, кто хочет первый раз спросить что-то у ChatGPT, а для тех, кто уже пробовал собрать агента и понял, что “дать модели инструменты” — самая простая часть.
Вместе с треком остаётся пожизненный доступ к платформе Guide DAO, другим направлениям, обновлениям и закрытому сообществу.
До 31 августа по промокоду blind дают дополнительную скидку 40%.
Оставить заявку можно здесь:
оставить заявку на guidedao.xyz
😎 Незрячий web3 программист (подписаться)
Чат | бот