Подумайте о том, как вы работаете с новым сотрудником. В первую неделю вы даете ему небольшие, четко определенные задачи, например, сортировку отчетов об ошибках или обновление документации. Вскоре вы поручаете ему более крупные задачи, а со временем ставите перед ним амбициозную цель и позволяете самому решить, как ее достичь. Он по-прежнему обращается к вам с уточняющими вопросами или запросами на проверку, просто делает это все реже.
Агенты стали достаточно совершенными, чтобы вы могли адаптировать их к работе таким же образом, и, подобно хорошему новому сотруднику, они превращаются в проактивных специалистов по решению проблем. Персональные агенты, такие как Muse, Instinct и OpenAI, популяризировали проактивных агентов, которые работают в фоновом режиме и стремятся к достижению более масштабных целей, вместо того чтобы ждать команды. В это выражено наиболее прямо: их движки описываются как ИИ, которому «назначаются цели, а не задачи». Цели позволяют таким агентам браться за более сложные проблемы, решение которых занимает дни или недели.
Проактивный агент по-прежнему связывается с вами, когда не уверен в ваших ожиданиях или нуждается в вашем одобрении перед отправкой чего-либо. Когда ваши подчиненные становятся очень хороши в своей работе, вы можете обнаружить, что стали «узким местом», и то же самое верно для агентов. По мере того как они берут на себя больше целей, ваше внимание становится дефицитным ресурсом. Мы считаем, что для создания проактивных агентов, которые эффективно используют это внимание, необходимы две вещи: память и UX.
Проактивные агенты
Проактивный агент реагирует на события в своей среде, которые поступают из трех источников:
- Реальные события, такие как новое электронное письмо или недавно открытый запрос на слияние (pull request).
- Расписания, установленные разработчиком, например, ночное задание, которое обновляет память агента, или еженедельная проверка на наличие устаревших запросов на слияние.
- Расписания, установленные самим агентом, например, напоминание о необходимости вернуться к обсуждению завтра или ежедневная сводка, которую запросил пользователь.
Примеры, приведенные далее, взяты из двух проактивных агентов, которых мы используем внутри LangChain:
- GTM Agent, наш агент по продажам, отслеживает новых потенциальных клиентов и отвечает им, рассылает ежедневные сводки и составляет черновики исходящих писем.
- Robin (ранее Open SWE), наш инженерный агент, составляет черновики запросов на слияние и проверяет каждый новый.
Эти агенты работают со всеми тремя типами триггеров. Несколько примеров: проверки Robin начинаются с реального события — открытия нового запроса на слияние, а ежедневная сводка GTM Agent запускается по расписанию, которое он создал сам после запроса пользователя. Мы создали обоих агентов на базе Managed Deep Agents, где более 70% запусков теперь происходят по расписанию, а не по разовому запросу человека.
Проактивный агент сам решает, когда обратиться к вам, и каждое такое обращение требует вашего внимания. Он должен быть проактивным, не становясь при этом назойливым. Для агента-ассистента руководителя, который следит за вашей почтой, это означает выделение сообщения от вашего начальника о завтрашнем запуске без уведомления о каждой рассылке новостей. Агент может различить их, только если знает, что для вас важно, а это знание приходит из памяти.
Память делает агента лучше со временем
Память — это информация, которую агент накапливает с течением времени. Когда проактивный агент просыпается по расписанию или событию, от вас нет запроса, указывающего, что нужно сделать. Он может получать свежий контекст через свои коннекторы, например, из почты или календаря, но то, что он узнал о ваших предпочтениях, исходит из памяти. Память также помогает ему лучше справляться со своей работой, а большая часть этой работы заключается в том, чтобы понимать, стоит ли беспокоить вас по тому или иному поводу.
Откуда берется память
Память агента формируется из трех видов сигналов, каждый из которых привязан к разному моменту времени. Мы продолжим использовать пример с ассистентом руководителя. Его цель — держать вашу почту под контролем, поэтому, когда приходят новые письма, он составляет черновики ответов и помечает те письма, которые требуют вашего внимания.
- Seed (прошлое): прецедент и существующий контекст. Вы можете наполнить память до первого запуска, например, данными из папки «Отправленные», чтобы ассистент с самого начала знал, как вы пишете и с кем работаете.
- Обратная связь (настоящее): ваша реакция на то, что предлагает агент. Когда вы переписываете черновик или отклоняете его с объяснением причины, агент лучше узнает ваш стиль.
- Результаты (будущее): что происходит после действий агента. Когда на составленное им письмо приходит ответ, агент узнает, что работает эффективно.
Поддерживать память сложно
Хранить воспоминания легко, так как память часто представляет собой просто файл. Сложнее поддерживать ее полезность по мере роста, потому что агент действует на основе всего, что помнит. Возникают три проблемы:
- Значимость: решение о том, что стоит сохранять и насколько важна каждая часть информации.
- Истечение срока: понимание того, когда информация устаревает, например, дата запуска, которая уже прошла.
- Дублирование: объединение новой информации с уже сохраненной вместо создания второй копии, которая позже будет противоречить первой.
Многие проактивные агенты справляются с этим с помощью «сновидений» — запланированного фонового задания, которое просматривает недавние действия агента и обновляет его память перед следующим запуском.
Еще одна сложная часть — оценка того, помогает ли память. Один из способов — выбрать результаты, которые должна улучшить хорошо спроектированная система памяти, и отслеживать их. Для ассистента руководителя это может быть время, необходимое для утверждения его черновиков, или частота ответов на отправленные им письма. Для любого проактивного агента также стоит следить за долей его обращений, на которые вы действительно реагируете.
Память обеспечивает автономность
Лучшие новые сотрудники — те, кого можно обучить. Они восприимчивы к обратной связи и быстро проходят кривую обучения, поэтому вскоре перестают повторять ошибки, которые вы уже исправили. Один наставник как-то сказал мне, что ценность сотрудника можно оценить по тому, сколько важной работы вы можете доверить ему, сняв ее со своих плеч.
Агенты работают так же, и память — это то, что создает доверие. Агент, который помнит вашу обратную связь, перестает совершать одни и те же ошибки, что дает ему больше автономности и делает его полезнее без вашего участия. Для ассистента руководителя это может означать возможность самостоятельно назначать встречи, как только вы перестанете менять предложенное им время.
UX-дизайн для проактивных агентов
Проактивный агент выходит на связь без запроса, обычно с вопросом или действием, требующим одобрения. То, как он это преподносит, определяет, будете ли вы взаимодействовать с ним или отключите его. Для наших внутренних агентов важнее всего оказались три вещи.
Высокая информативность
Агент должен выводить на экран только то, что действительно ценно. Поступление нового письма не обязательно означает, что агент должен что-то с ним делать. Интерфейс проверки GTM Agent сортирует переписки на те, что ждут вашего решения, те, для которых нужен черновик ответа, и те, на которые вообще не нужно отвечать.
Веткам в Slack требуется такое же суждение. Агент, который вмешивается без предупреждения, пока вы общаетесь с коллегой, раздражает, поэтому в Robin мы используем Jev в качестве модели принятия решений о том, когда ему стоит присоединиться к разговору. Это позволяет Robin наблюдать за беседой и участвовать, когда у него есть что добавить, вместо того чтобы навязываться или действовать только тогда, когда кто-то не забыл его упомянуть.
Создано для проверки
Каждая проверка должна быть быстрой, потому что именно через проверку ваша обратная связь возвращается в память. Эта обратная связь — то, как агент усваивает ваш вкус и суждения, которые для творческой работы часто являются самым важным контекстом и редко где-либо записываются. Агент, с которым вам нравится работать, также получает больше такой обратной связи. Goal Engineering подтверждает эту мысль:
Вам нужно будет согласовать цели агента с тем, что проще всего проверять человеку. Это позволит вам создать приятный UX для проверки, извлечь максимум информации и дать агентам возможность постоянно учиться, чтобы со временем они становились все более полезными и автономными.
GTM Agent составляет черновики исходящих писем, и работа с их очередью в Slack была медленной, поэтому мы создали для этого специальный интерфейс:
Там, где вы уже работаете
Наши агенты живут в Slack, где вы можете написать им в личку или отметить их в канале, и где коллеги могут видеть, как их используют другие. Запланированная работа также отображается там. Как только вы вызываете агента в ветке обсуждения, он может планировать свои последующие действия и публиковать отчеты обратно в эту же ветку. Ежедневная сводка GTM Agent приходит в виде сообщения в Slack рядом с беседами, которые вы уже ведете, а не на отдельную панель управления, которую нужно не забывать проверять. Мы делаем эти сообщения короткими, чтобы их было легко воспринимать.
Аналогично, Robin начинает с заголовка из одного-двух предложений, а детали помещает в ответ в ветке, чтобы вы могли с первого взгляда понять, нужно ли ваше участие. Когда Robin открывает pull request, он запрашивает проверку в Slack с однострочным резюме, размером изменений и кнопкой для принятия задачи.
Эра проактивных агентов
Последние три года создание агентов было упражнением по контекстному инжинирингу: предоставление модели нужного контекста в нужное время для конкретной задачи. И не обманывайтесь: контекстный инжиниринг для моделей по-прежнему важен. Но теперь у нас появились и другие интересные задачи!
Новая проблема, с которой мы сталкиваемся в эпоху проактивных агентов, — это применение той же дисциплины к людям: предоставление вам нужного контекста в нужном формате и в нужное время для достижения цели. У людей тоже есть ограниченное «окно контекста», и они могут уделить лишь определенное количество времени и внимания. Когда память и UX работают вместе, проверки агента со временем становятся более точными и менее частыми, как это происходит с обучаемым новым сотрудником.
Вы можете создавать проактивных агентов уже сегодня с помощью Managed Deep Agents, которые поддерживают расписания, память и асинхронные под-агенты. Чтобы создавать решения непосредственно на базе open source, начните с памяти и асинхронных под-агентов в Deep Agents, которые работают аналогичным образом в JavaScript.
Ресурсы
- Проектирование проактивных агентов, мое выступление на AI Engineer
- Goal Engineering
- Новые вызовы контекстного инжиниринга в конце 2026 года
- Пять компонентов создания «корпоративной обвязки»
- Агенты переходят на асинхронность
- Почему вы еще не создаете проактивных агентов?












