12.9.2026

WorkSwarm 0.2.6: агенты с памятью учатся сами себя чинить

WorkSwarm 0.2.6 добавил RSI и постоянные сессии агентам. Разбираем, как это работает и почему бизнесу важнее eval-контур, чем список фич.

Что вышло 10 сентября
Проблема: агент без памяти работает как стажёр в первый день
Как работает RSI и Perpetual Session механически
SwarmFlow 2.0, кластер для чужих агентов и маркетплейс

Что вышло 10 сентября

10 сентября 2026 года community openJiuwen выпустила WorkSwarm 0.2.6 - с рекурсивным самоулучшением (RSI), постоянной сессией, SwarmFlow 2.0, кластерным режимом для чужих агентов и маркетплейсом плагинов.
За списком фич стоит один факт: агентный фреймворк перестаёт быть скриптом, который перезапускают с нуля на каждой задаче, и превращается в систему с памятью и способностью самой себя настраивать.
Для компании, которая платит за результат, а не за демо, это повод спросить: кто проверяет, что «улучшенный» агент действительно стал лучше.
Версия тянет за собой парный релиз agent-core 0.1.17.post1, выпущенный отдельно «for swarmflow 2.0» - фреймворк и рантайм обновляются синхронно, что само по себе говорит о зрелости процесса.
Чуть раньше, в agent-core 0.1.16.post7, закрыли конкретный баг восстановления контекста при стриминге (issue GitHub #854, зеркалированный в GitCode !2459, закрывает #1663).
Мелкая деталь, но именно такие фиксы решают, доживёт ли агент до продакшена: разрыв соединения посреди генерации - частая причина, по которой агентские пайплайны падают именно на реальных пользователях.

Проблема: агент без памяти работает как стажёр в первый день

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.

Как работает RSI и Perpetual Session механически

RSI в WorkSwarm - pluggable-оптимизация по двум измерениям: Harness (среда исполнения - инструменты, память, правила доступа) и Artifacts (сами агенты, промпты, графы workflow). Система измеряет, как агент справился с реальной задачей из task feed, и на основе этой обратной связи правит либо окружение, либо самого агента - без участия человека в цикле.

Раньше цикл «сделал - оценили - поправили»

жил в голове разработчика, который вручную донастраивал промпты. Теперь он встроен в рантайм.

Оценить, где ИИ даст эффект в вашем процессе

Почта clients@kt.team Telegram @kt_team_it

SwarmFlow 2.0, кластер для чужих агентов и маркетплейс

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.

Что это значит для бизнеса

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.

Как это закрывается технически

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.

Вывод

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.