Все разборы › Nikolay Sekachev
Вы на YouTube для AI-предпринимателей. Прочитайте разбор ролика и решите, стоит ли он вашего внимания.Все разборы →
Как инженеры OpenAI создают команды из 10 000 ИИ-агентов? | Русский перевод
Заголовок автора: Как инженеры OpenAI создают команды из 10 000 ИИ агентов?

На деле: Техническая архитектура координации агентов через внутренние API GPT-6, недоступные для малого бизнеса.

N
Nikolay Sekachev12 тыс. просм. · 7 дн назад
5/10
ОЦЕНКА ДЛЯ БИЗНЕСА
💭 Теория и мнения
Практичность3
Конкретика7
Новизна9
✓ Хватит разбора. Достаточно резюме, чтобы понять принципы работы будущих систем. Обязательно к просмотру для тех, кто строит агентные рабочие процессы, так как здесь показаны конкретные архитектурные паттерны (Sol, Astra, Luna), используемые внутри OpenAI. · видео 24:00

🔎 Что внутри

Техническая презентация с OpenAI DevDay 2026, описывающая переход от простых циклов к устойчивым мультиагентным системам (GPT-6) для параллельной координации в сложных исследованиях.
Обещание и реальность
Заголовок точен; презентация детально раскрывает эволюцию архитектуры агентов и кейс с 10 000 агентов, решающих уравнения Навье-Стокса.

⚡ Суть за 30 секунд

  • ИИ агенты эволюционировали от простых циклов до систем, которые сами управляют целями и сжатием контекста.
  • OpenAI использует специальный Harness и Responses API для управления инструментами, позволяя агентам работать долго без потери основной цели.
  • Архитектура GPT-6 вводит специализацию: Sol для работы, Astra для анализа, Luna для простых задач.
  • Паттерны координации, такие как «Парное программирование» и «Студия», позволяют агентам автономно вести крупные проекты.
  • Масштабирование до 10 000 агентов требует «Общего рабочего журнала» (agent.md) для единства действий и исключения лишнего менеджмента.
👤 Радж Патак (инженер по прикладному ИИ в OpenAI) и Эрик Провенчер (Codex DX в OpenAI)

⏱ Ключевые моменты нажмите — видео перемотается

Радж Патак рассказывает об эволюции ИИ агентов от генерации кода до автономных действий.
Объяснение работы «Harness» и Responses API для управления инструкциями и инструментами.
Глубокое погружение в сжатие контекста, позволяющее агентам суммировать историю и продолжать работу.
Представление команды /goal для задач, которые сохраняются после сброса контекста.
Эрик Провенчер объясняет режим «Ultra» для совместной работы агентов над масштабными задачами, например, рефакторингом кода.
Модель «Масштабирования усилий»: Sol для основной работы, Astra для советов, Luna для простых задач.
Паттерн «Парное программирование», где агент-исполнитель и агент-потребитель дают друг другу обратную связь.
Паттерн «Студия»: назначение агентов владельцами конкретных областей, таких как арт, дизайн или программирование.
Использование «Общего рабочего журнала» (agent.md) для контроля прогресса агентов.
Кейс: 10 000 агентов, работающих вместе над решением уравнений Навье-Стокса.

💰 Цифры

Агентов, работающих одновременно над исследованием Навье-Стокса10 000 (на экране)
Сообщений, обменянных между агентами2.7 миллиона (на экране)
Токенов, сгенерированных в ходе исследования130 миллиардов (на экране)
Открытых математических задач, решенных внутренней модельюБолее 100 (заявление автора)
Цифры приведены со слов авторов ролика.

🛠 Инструменты из ролика

OpenAI Codex — Универсальный агент для задач кодинга и исследованийGPT-6 Astra — Модель высокого уровня для сложной логики и проверкиGPT-6 Sol — Основная модель для содержательной работы и интеграцииGPT-6 Luna — Легкая модель для простых вспомогательных задачResponses API — Внутренний инструмент для управления циклами агентов, инструментами и контекстом

🚀 Как применить в своём бизнесе

  1. Внедрите паттерн «Общий рабочий журнал» (agent.md), чтобы агенты сохраняли состояние в длительных задачах.
  2. Разделяйте сложные процессы на роли «Исполнитель» и «Потребитель» для улучшения качества через обратную связь.
  3. Используйте «Масштабирование усилий»: простые задачи поручайте легким моделям, а сложные — продвинутым.
  4. Реализуйте сжатие контекста в своих агентных системах для обработки задач, выходящих за рамки стандартных окон.
  5. Избегайте «среднего менеджмента» в архитектуре ИИ, чтобы агенты не простаивали в ожидании лишних согласований.

Кому этот разбор сэкономит час?Отправим со ссылкой и выводом «на деле» — человеку не придётся смотреть весь ролик.

⚠️ Осторожно: В презентации показаны GPT-6 и внутренние API OpenAI, которые могут быть недоступны публично в представленной конфигурации.

❓ Вопросы и ответы

Что такое ИИ агенты?

ИИ агенты — это системы, которые сочетают логическое мышление с использованием инструментов для автономного выполнения задач. В отличие от простых чат-ботов, они умеют планировать, выполнять действия в изолированной среде, анализировать результаты и корректировать стратегию до достижения цели.

Как управлять долгосрочной памятью в ИИ агентах?

OpenAI использует «сжатие контекста» через Responses API. Когда окно контекста агента заполнено, система суммирует историю в компактное состояние, сохраняя главную цель и ключевые выводы. Это позволяет агенту продолжать работу неограниченно долго.

Как лучше координировать работу нескольких агентов?

Видео предлагает несколько паттернов: «Менеджер» (один агент управляет подзадачами), «Пара» (один исполнитель, один проверяющий) и «Студия» (специализированные агенты для конкретных областей, например, кода или дизайна). Главное — четко определить границы ответственности и общий рабочий журнал.

Как 10 000 агентов могут работать над одной задачей?

OpenAI реализовали это через «Команды агентов», которые параллельно проверяют разные гипотезы. Эти команды обмениваются данными, чтобы избежать дублирования усилий, придерживаясь единого «Общего рабочего журнала» для достижения финального результата.

Нашли ошибку в разборе? Напишите, что не так — исправим.
Хотите такие разборы по своей нише? Пришлём лучшие ролики для вашего бизнеса.