WorkSwarm 0.2.6: агенты с памятью учатся сами себя чинить

Открытый фреймворк ИИ-агентов WorkSwarm получил постоянную сессию и рекурсивное самоулучшение: агент перестаёт терять контекст между задачами и может сам править свои инструкции. Для бизнеса интересна не витрина возможностей, а следствие - LLM-агент с памятью дешевле в эксплуатации, потому что не оплачивает повторную загрузку контекста на каждом запуске.

Разбираем, что именно изменилось, где такой агентный контур даёт экономию и почему без контура проверок (eval) самоулучшение превращается в риск, а не в преимущество.

Большинство agent-swarm фреймворков до сих пор поднимали контекст заново под каждую задачу: инструменты подключались, правила объяснялись, история терялась. Компания платит за это дважды - токенами на повторную инициализацию и временем инженера, который снова и снова объясняет агенту то, что он уже «знал» вчера. Perpetual Session в WorkSwarm устраняет именно этот источник расходов - сессия не сбрасывается между задачами, агент удерживает контекст и накопленные решения.

Cluster Mode Support for Third-Party Agents позволяет подключать в общий кластер агентов не из экосистемы openJiuwen. Маркетплейс Expert/Plugin/Connector/Skill показывает, что рынок готовых агентных компонентов уже сформировался: openJiuwen делает ставку на экосистему поверх своего рантайма, а не на закрытый продукт.

Самонастраивающийся агент с долгой памятью звучит как экономия. На практике первый вопрос - не «насколько умный агент», а time to use: сколько времени проходит от постановки задачи до проверенного результата. Самоулучшение без наблюдаемости - источник риска: агент может «улучшить» себя в сторону метрики, которая растёт на синтетических задачах и падает на реальных данных клиента.

Показательно, что PR-чеклист в agent-core требует пройти ревью дизайна, покрытие тестами, ревью интерфейсов и обновление документации перед merge - за внешне простой фичей стоит инженерная дисциплина, которую со стороны не видно. Простой результат редко даётся без строгого процесса за кулисами.

Для компании, которая хочет agentic-контур, а не игрушку, нужны три вещи: протокол интеграции инструментов (MCP уже стал де-факто стандартом для подключения агента к внешним системам), шлюз, который контролирует, какой модели - Anthropic Claude, GigaChat, YandexGPT, Qwen - какие данные видно и логирует каждый вызов (LLM & Security Gateway), и eval-контур, который отделяет реальное улучшение агента от дрейфа метрик.

KT.Team строит такие контуры на Python поверх RAG для доступа к данным компании и MCP для интеграции с внутренними системами - то есть ровно те компоненты, без которых RSI из фичи релиза превращается в риск на балансе.

RSI и Perpetual Session превращают агентный фреймворк в систему с памятью, которая переживает отдельную задачу. Вопрос принятия решает не список фич, а способность компании измерить, было ли самоулучшение агента реальным улучшением или просто более уверенным способом ошибаться. Агент с памятью, выкаченный без контура оценки, повторяет свои ошибки быстрее и увереннее.