Perplexity описали Search as Code - новый подход к поиску для AI-агентов

Агенту мало один раз вызвать поиск и получить готовую выдачу.
В сложных задачах ему нужно самому собирать стратегию:

🔵 где искать
🔵 как разветвлять запросы
🔵 как фильтровать и проверять источники
🔵 что сохранить промежуточно
🔵 что вообще не тащить в контекст модели

В архитектуре Perplexity агент генерирует Python-код, запускает его в защищенной песочнице и через SDK управляет отдельными частями поискового стека:

search - поиск
ranking - ранжирование
filtering - фильтрация
deduplication - удаление дублей
aggregation - сборка результата

Для задач вроде расследований, поиска уязвимостей или широкого ресерча это намного удобнее, чем гонять десятки отдельных вызовов поиска через модель.

Самый показательный пример из статьи - задача по CVE.

Агенту нужно было найти больше 200 серьезных уязвимостей, подтвердить каждую через вендорский advisory, указать продукт и версию исправления.

Результат: SaC получил 100% точности и снизил расход токенов на 85.1% относительно базового подхода.

Чат

Odysseus 24.8k⭐ - Self hosted AI-среда от ютубера PewDiePie 👍

Идея проекта - собрать у себя локальный AI-центр: чат, агенты, модели, документы, память, поиск, почта, календарь и исследования в одном веб-интерфейсе.

Что внутри:
🔵 чат с локальными моделями и API: Ollama, llama.cpp, vLLM, OpenAI, OpenRouter
🔵 агентный режим с инструментами: веб, файлы, shell, MCP, память, навыки
🔵 Cookbook - подбор, скачивание и запуск моделей под ваше железо
🔵 Deep Research - многошаговый поиск и итоговые отчеты
🔵 редактор документов с AI-правками и подсказками
🔵 заметки, задачи, расписания и напоминания
🔵 почта IMAP/SMTP с тегами, разбором и черновиками ответов
🔵 календарь CalDAV
🔵 мобильный интерфейс и PWA

Стек: FastAPI, Python, SQLite, ChromaDB, SearXNG, Docker Compose и большой веб-интерфейс.

Получается полноценная локальная AI-панель на своем железе.

Чат

OpenAI обновила Codex и добавила три заметных блока:

1. Ролевые плагины

Это готовые наборы инструкций, навыков, рабочих сценариев и подключений к приложениям для конкретных профессий. В первом пакете - 62 приложения и 110 навыков.

Примеры:
🔵 Data Analytics - анализ метрик, отчеты и дашборды через Snowflake, Databricks Genie, Hex, Tableau
🔵 Creative Production - кампании, баннеры и изображения товаров через Figma, Canva, Shutterstock, Picsart, Fal
🔵 Sales - подготовка к встречам, письма и задачи после встреч, CRM и планы закрытия сделок через Salesforce, HubSpot, Slack, Outreach
🔵 Product Design - проверка пользовательских сценариев, прототипы из live URL и статичных скриншотов
🔵 Investing / Banking - финансовая отчетность компаний, сравнение бизнесов, презентации для клиентов и проверка инвест-тезисов

2. Sites

Codex теперь может создавать, сохранять, деплоить и проверять сайты: веб-приложения, дашборды, внутренние инструменты и игры.

3. Annotations

Теперь можно выделить конкретную часть результата и попросить Codex доработать именно ее: блок на сайте, кусок документа, таблицу, слайд, Markdown или код.

Чат

Hermes Desktop - теперь агента можно запускать как обычное приложение 🔱

Nous Research выпустили публичную бету Hermes Desktop для macOS, Windows и Linux.

Есть возможность подключаться к удаленному gateway - документация.

Идеальный сценарий такой: Desktop - для плотной работы за ПК, Telegram - для удаленного управления агентом.

Чат

NVIDIA Blueprints - готовые схемы для AI-агентов 🚗

NVIDIA анонсировала новый набор для enterprise-агентов: NemoClaw Blueprints, Nemotron models, OpenShell secure runtime и CUDA-X libraries как skills для агентов.

В новости много крупных партнеров: Cadence, Dassault Systèmes, Siemens и Synopsys уже используют NemoClaw для автономных AI-инженеров, Microsoft, Canonical, Red Hat, SAP и ServiceNow встраивают OpenShell в свои платформы, а Nemotron 3 Ultra обещает до 5x быстрее инференс и до 30% ниже стоимость для сложных агентных задач.

Blueprints - это каталог готовых референсных сборок для AI-приложений: архитектура, модели, NIM-микросервисы, инструменты, код и быстрый деплой собраны вокруг конкретной задачи.

Как это работает: у Blueprint есть прикладной сценарий, например security-анализ контейнера или локализация видео. Дальше NVIDIA показывает, какие сервисы нужны, как они связаны, где агент вызывает инструменты, где работает оркестрация и где человек принимает решение.

1. NemoClaw for Hermes Agent

Blueprint для запуска Hermes Agent в enterprise-среде. Hermes подключается к утвержденным инструментам и источникам данных, работает внутри NVIDIA OpenShell с политиками доступа, учится на командных процессах и превращает повторяемые правила в Hermes Skills.

2. Vulnerability Analysis for Container Security

Blueprint для разбора уязвимостей контейнеров. На вход подаются CVE из сканера, агент подтягивает код, документацию и контекст, строит чеклист расследования, проверяет пункты и выдает аналитику для security-специалиста.

3. Content Localization

Blueprint для медиа: перевод и локализация видео, автоматический дубляж, определение активного спикера, синхронизация губ под переведенную речь и сохранение фонового звука.

Чат

Claude как аналитик поверх хранилища данных 🎉

Хранилище данных - это место, куда компания собирает данные из разных систем, чтобы потом анализировать продукт и бизнес:
🔵 продукт: пользователи, события, действия
🔵 платежи: счета, подписки, выручка
🔵 CRM: клиенты, сделки, сегменты
🔵 маркетинг: кампании, источники трафика
🔵 поддержка: обращения, жалобы, статусы

Anthropic разобрали, как они автоматизировали 95% запросов бизнес-аналитики через Claude и почему простого доступа агента к таблицам мало: нужны канонические метрики, семантический слой, навыки, оценки и проверка ответов.

📎 Как Anthropic строит самостоятельную аналитику с Claude

Чат

LangChain, LangGraph и Deep Agents - три уровня одной экосистемы для AI-агентов 🔄

LangChain - быстрый старт: модели, инструменты, сообщения, middleware и готовый цикл агента.

LangGraph - когда нужен контроль: состояние, граф выполнения, потоковая выдача, человек в контуре, сохранение и долгие процессы.

Deep Agents - готовая обвязка поверх LangGraph для более автономных задач: файлы, план, подагенты, навыки, память и управление контекстом.

Есть репозиторий langchain-ai/langgraph-101, в котором собраны полезные гайды. Ниже перевод:

🔵 Первый агент: модели, инструменты, память и потоковая выдача
🔵 Middleware, человек в контуре и безопасные агенты
🔵 Почтовый агент: сортировка, ответы, память и человек в контуре
🔵 Многоагентные системы: супервизор, подагенты и оценки
🔵 Исследовательский агент: поиск, координатор и параллельные подагенты
🔵 Deep Agents: агент с файлами, памятью и навыками

Чат

Headroom - сжатие контекста для ИИ-агентов

ИИ-агенты быстро забивают контекст логами, JSON, результатами поиска, RAG-кусками и историей сессии. Headroom ставится между агентом и моделью и сжимает эти данные до отправки в LLM.

Что есть в репозитории:
🔵 библиотека для Python и TypeScript
🔵 локальный прокси headroom proxy
🔵 обертки для Claude Code, Codex, Cursor, Aider, Copilot и OpenClaw
🔵 MCP-инструменты headroom_compress, headroom_retrieve, headroom_stats
🔵 общая память между агентами
🔵 headroom learn, который разбирает прошлые ошибки и пишет подсказки в CLAUDE.md / AGENTS.md

Фишка в обратимом сжатии: агент получает короткую версию, но оригинал хранится локально и может быть поднят обратно по запросу. Особенно полезно для экономии токенов в длинных сессиях с тестами, поиском по коду и большими API-ответами.

Установка:

pip install "headroom-ai[all]"
headroom wrap claude

Чат

pi-dynamic-workflows (835⭐) - расширение для Pi, которое добавляет инструмент workflow (аналог из Claude Code).

Модель пишет небольшой JavaScript-сценарий, делит задачу на фазы и запускает несколько изолированных субагентов через agent(), parallel() и pipeline(). Стандартный сценарий - аудит репозитория: один агент собирает структуру, другой смотрит модули, третий ищет риски, родительская сессия собирает итог.

Установка:
pi install npm:pi-dynamic-workflows
после этого в Pi: /reload

Есть ядро - сценарии, субагенты, параллельный запуск, фазы, отмена и структурированный вывод. Нет сохранённых/возобновляемых запусков и менеджера /workflows.

Ждем эту фишку в ближайшее время во всех агентах 🏁

Чат

Hands-On AI Engineering - 50 практических AI-заготовок

Sumanth077/Hands-On-AI-Engineering (1.3к⭐) - репозиторий с мини-проектами на Python: агенты, RAG, OCR, мультимодальность и аудио.

Что там самое полезное:

- Рабочие агенты: PR-ревью через Telegram и GitHub MCP, поиск по GitHub обычным языком, встречи в Cal.com, отели через Trivago MCP, браузерный агент на browser-use.

- Многоагентные цепочки: кодинг-ассистент с ролями планировщик -> кодер -> ревьюер, исследовательский агент на AG2, маркетинговый агент с веб-поиском.

- RAG-примеры: самопроверяющийся RAG, Hybrid RAG с графом знаний + векторным поиском, маршрутизация запросов между разными базами.

- Документы и OCR: чек в JSON через Pydantic, распознавание рецептов с проверкой лекарств по RxNorm, локальный GLM-OCR через Ollama.

- Мультимодальность: RAG по тексту, URL, PDF, картинкам, аудио и видео в одной базе.

Чат

OpenAgents (3.7к⭐) - открытая рабочая среда, где несколько AI-агентов работают вместе из разных терминалов, машин и моделей.

Внутри один Workspace: общие треды, файлы, браузер, задачи, база знаний и @mentions. Можно подключить Claude Code, Codex CLI, OpenClaw, OpenCode, Cursor, Hermes, Gemini CLI, Kimi и других агентов, а потом позвать нужного прямо в обсуждение.

Что есть в репозитории:
🔵 agn - CLI/Launcher для установки и запуска агентов фоном
🔵 GUI Launcher для macOS, Windows и Linux (Linux - AppImage)
🔵 веб-Workspace на FastAPI + Next.js
🔵 Python SDK для своих агентных сетей
🔵 MCP/навыки для доступа к истории, файлам, браузеру и задачам
🔵 Cloud Agents: OpenAI, Anthropic, Google, xAI, Perplexity, OpenRouter и другие провайдеры

Установка:

curl -fsSL https://openagents.org/install.sh | bash
agn

Чат

OpenProse - Markdown-контракты для AI-агентов

Появился интересный репозиторий: OpenProse. Это декларативный язык для агентных сессий: вы описываете рабочий процесс в *.prose.md, а агент получает не просто промпт, а понятный контракт: что должно быть сделано, какие части связаны между собой и какие подтверждения оставить.

Что это реально дает агенту:
🔵 он видит не разовую инструкцию, а структуру задачи;
🔵 понимает зависимости между шагами;
🔵 может пересобрать только те части процесса, которые изменились;
🔵 оставляет проверяемые подтверждения выполнения;
🔵 лучше переносит сценарий между сессиями и разными агентами.

Например, в Hermes такой подход можно использовать для повторяемых процессов: дайджест новостей, ревью PR, подготовка статьи, проверка репозитория, запуск тестов. Вместо длинного промпта каждый раз - файл-контракт, где описано нужное состояние результата, источники, проверки и формат ответа.

OpenProse работает поверх уже привычных coding agents: Claude Code, Codex, OpenCode, Hermes, Pi. Внутри есть Reactor, который следит за изменениями, пересобирает зависимые части и хранит подтверждения выполнения.

Чат

Собрать AI-агента стало проще. Довести до продакшена - совсем другая история.

У агента быстро появляется целый стек вокруг модели: инструменты, MCP, память, состояние, фреймворки, оценка, наблюдаемость и безопасность.

Перевел статью O’Reilly про 6 слоев между LLM и рабочим агентом. Советую прочитать, чтобы понять, где агентные системы чаще всего ломаются и как не переусложнить архитектуру на старте.

📎 Стек AI-агентов в 2026 году

Чат

Сейчас главный тренд в агентах - loop 🔄

Работа с кодинг-агентами смещается в сторону циклов: расписание находит задачи, worktree изолирует исполнителей, skills дают контекст, коннекторы ведут работу в Linear/CI/Slack, а субагенты разделяют кодера и проверяющего.

Это называют Loop Engineering. Сильная идея, но с неприятными углами: расход токенов, критерии "готово", доверие к памяти и риск тихо накопить код, который уже никто не понимает.

Подготовил для вас очень полезную статью:
📎 Loop Engineering: как проектировать циклы для кодинг-агентов

Чат

Anthropic выкатила Claude Fable 5, и Claude Code сразу стал интереснее 🎉

Anthropic выпустила Claude Fable 5 - новый публичный Mythos-class модель для сложной разработки, длинных задач и agentic workflows.

Модель уже доступна много где. Anthropic отдельно пишет, что Fable 5 лучше раскрывается на длинных задачах: планирование, работа по этапам, проверка своего результата, делегирование подзадач.

Параллельно в Claude Code начали выкатывать важное обновление: nested subagents. Теперь агент может запускать субагентов, а те - своих субагентов. Стартовый лимит - до 5 уровней вложенности.

Главный агент больше не обязан тащить весь проект, все логи, поиск по файлам, тесты и ревью в одном контексте. Он может раздать работу отдельным агентам: один изучает кодовую базу, второй готовит правку, третий гоняет тесты, четвертый проверяет дифф, пятый ищет риски. Каждый возвращает короткий результат, а основной агент собирает решение.

Борис Черный из команды Claude Code в комментариях привел пример: skill можно запускать в отдельном контексте, а внутри skill просить агентов держать каждый шаг изолированным. Такой подход уже добавляют в /code-review, чтобы ревью меньше забивало основной контекст и работало точнее.

Чат

Самый интересный нюанс Claude Fable 5 - Anthropic продает не только интеллект модели, но и режим доступа к нему 😱

Fable и Mythos работают на одних базовых весах. Mythos дают доверенным партнерам, Fable - всем остальным, но с ограничениями.

Для кибербезопасности, биологии, химии и дистилляции запрос может уйти на Opus 4.8.

А вот с разработкой frontier LLM все менее прозрачно. В system card Anthropic пишет, что Fable может невидимо снижать эффективность на задачах вроде пайплайнов предобучения моделей, и проектирования ML-ускорителей.

Не отказ. Не предупреждение. Не видимый fallback. Просто ответ, который выглядит обычным, но может быть ослаблен через переписывание запроса, векторы управления поведением модели или PEFT - легкое дообучение небольшой части параметров.

Для обычной разработки это, скорее всего, не всплывет. Но для AI research и инфраструктуры обучения появляется неприятная неопределенность: если результат плохой, ты не знаешь, модель ошиблась или провайдер тихо нажал на тормоз.

Еще один важный нюанс: в подписках Pro/Max/Team Fable включили только до 22 июня. После этого доступ будет по API - $10 млн за input и $50 млн за output.

Получается сильная модель для долгих агентских задач, но с новой реальностью: топовый интеллект теперь идет вместе с правилами доступа, хранением запросов и невидимыми ограничителями.

Чат

Mastercard готовит платежный слой для AI-агентов 💸

Mastercard запустила Agent Pay for Machines - инфраструктуру для платежей, которые агенты смогут выполнять сами: купить домен, оплатить хостинг, данные, вычисления или логистические услуги.

Пока это выглядит как партнерский запуск, а не публичный API для всех разработчиков. В списке первых участников - Cloudflare, Coinbase, Stripe, Adyen, Checkout, OKX, Solana Foundation, RippleX и другие.

У агента будет проверяемая идентичность, лимиты и правила оплаты. Он сможет тратить деньги только в заданных рамках, а Mastercard и партнеры будут проводить расчеты через карты, счета и стейблкоины.

Чат

GitHub Copilot app - панель управления агентами для разработки 📱

GitHub открыл preview Copilot app для платных Copilot-планов. Приложение есть для macOS, Windows и Linux.
У Codex app и Claude Desktop, кстати, нету версии под Linux.

Главные фишки:

🔵 Задача > PR > проверки > merge внутри GitHub

Сессию можно запустить из issue, pull request, промта или прошлой сессии. Агент сразу видит контекст GitHub: репозиторий, обсуждение, PR, проверки, поиск по коду и историю работы.

🔵 Agent Merge

Copilot может довести PR до конца: ответить на комментарии, исправить замечания, разобраться с упавшими проверками и учесть правила merge.

Вы задаете условия, а агент мержит только когда все требования выполнены.

🔵 Canvas вместо бесконечного чата

Работа агента показывается как рабочее полотно: план, PR, терминал, браузерная сессия, чеклист релиза, панель состояния или процесс выполнения.

Можно править, переставлять блоки, одобрять шаги и перенаправлять агента прямо там, а не вылавливать нужное место в длинной переписке.

🔵 My Work как диспетчер задач для агентов

В одном окне видны активные сессии, issues, pull requests и фоновые автоматизации по подключенным репозиториям.

🔵 Разные агенты внутри одного GitHub-сценария

GitHub заявляет доступ к сторонним агентам, включая Claude Code и Codex, плюс партнерские agent приложения.

Чат

🫡 Xiaomi выкатила MiMo Code (4.3к⭐)

Это open-source кодинг агент, на базе OpenCode.

В комплекте есть MiMo Auto - временно бесплатный режим на MiMo-V2.5 с контекстом до 1M токенов. Еще можно войти через Xiaomi MiMo, импортировать конфиг Claude Code или подключить других провайдеров.

Что интересного:

🔵 Max Mode

На каждом шаге агент делает 5 независимых черновиков: рассуждение + план вызова инструментов, без исполнения. Потом судья выбирает лучший вариант, и выполняется только он.

Xiaomi пишет про +10-20% на SWE-Bench Pro, цена - примерно 4-5x токенов. Фича экспериментальная.

🔵 Goal

/goal задает условие остановки. Перед завершением отдельный судья проверяет, правда ли задача выполнена.

🔵 Память

За память отвечает отдельный checkpoint-writer. Он пишет checkpoint.md, поднимает стабильные факты в MEMORY.md, хранит полный трейс в SQLite и разбирает notes.md, куда основной агент может скидывать находки.

Когда контекст заполняется, сессия пересобирается из todo, чекпоинта, последних сообщений пользователя и памяти. Так они делают свою версию “безлимитного контекста”.

🔵 Compose

Отдельный режим рядом с build/plan. По сути встроенный флоу в стиле Superpowers skills.

Compose-агент прогоняет задачу через навыки вроде compose:brainstorm, compose:plan, compose:tdd, compose:execute, compose:review, compose:verify, compose:merge.

Это как specs-driven development: от спеки до реализации, проверки и мержа. То есть в harness сразу встроили процесс разработки, за это лайк.

🔵 Dynamic Workflow

Для больших задач есть JS-оркестрация: agent(), parallel(), pipeline(), workflow(). Параллельные подагенты и логика процесса живут в исполняемом сценарии, поэтому сложные флоу меньше завязаны на то, удержит ли модель порядок шагов.

🔵 Dream / Distill

Dream раз в 7 дней чистит и мержит проектную память.
Distill раз в 30 дней ищет повторяющиеся процессы и превращает их в skills, команды, агентов и SOP.

Выглядит как один из самых интересных свежих кодинг агентов: Xiaomi собрала агентную систему для длинных задач с памятью, проверкой завершения, режимом разработки SDD и параллельной оркестрацией.

Из нюансов: вы сразу не увидите модель GPT 5.5, потому что они используют плагин для OAuth ChatGPT в котором этой модели нет. Но сам mimo GPT 5.4 смог сделать патч, после чего модель стала доступна.

Чат

Hermes Agent добавил Automation Blueprints - шаблоны для cron-автоматизаций 🔱

Под капотом Hermes также создает обычную cron-задачу. Отличие в том, как она появляется.

Раньше нужно было собрать команду: расписание, длинный промпт, доставку, навыки, скрипт, условия молчания. Например: “каждый будний день в 18:00 собери новостной дайджест, проверь источники, убери повторы”.

Теперь это можно упаковать в Blueprint: готовый сценарий с понятными полями.

В приложении это выглядит как форма: выбрать шаблон, заполнить тему, время, канал доставки и нажать Schedule it.

В Telegram/CLI/TUI можно написать:
/blueprint news-digest

Hermes сам спросит недостающие параметры, покажет, что именно будет создано, и попросит подтверждение.

Есть готовые пресеты:
🔵 утренний брифинг
🔵 мониторинг важной почты
🔵 еженедельный обзор
🔵 дайджест по теме
🔵 напоминания и привычки
🔵 проверки деплоя, алертов, PR и CI через webhook-сценарии

Кастомные Blueprints тоже можно делать самому: это обычный Hermes Skill с блоком metadata.hermes.blueprint в SKILL.md. То есть повторяемый процесс можно превратить в кнопку, форму или короткую команду из мессенджера.

Чат

Почему одни AI-агенты реально помогают, а другие только дергают инструменты

Тут речь не про локальные модели и не про очередной фреймворк. Статья про обвязку вокруг модели: системные инструкции, инструменты, навыки, справки и сырой API, из которых складывается рабочий агент.

Автор разбирает это на примере агента для электронных таблиц. Такой агент должен не просто “уметь вызвать API”, а понимать таблицу, сжимать большие диапазоны, показывать последствия своих изменений и быстро находить редкие возможности без раздувания контекста.

В комментариях автор добавил хороший пример: сводные таблицы могут встречаться меньше чем в 2% запросов, но когда они срабатывают, пользователи очень ценят результат. Поэтому сильный агент строится не только вокруг частых действий, но и вокруг того, какие редкие возможности дают большой выигрыш.

Я адаптировал статью на русский: 📎Как строить вертикальных агентов, которые действительно работают

Чат