Claude Sonnet e Jarvis Pattern: por que agentes de IA podem precisar apenas de um sistema operacional

На Habr вышел текст, который предлагает радикально упростить разговор об AI-агентах: вместо фреймворков, графов, оркестраторов и векторных баз автор выдвигает формулу LLM + операционная система + файлы. Смысл в том, что современная модель уже достаточно сильна, чтобы пользоваться терминалом, API и файловой структурой почти так же, как это делает инженер, а значит узким местом становится не количество обвязки вокруг агента, а то, как устроены его память, доступы и рабочая среда. Автор концепции, IT-архитектор Егор Зиновьев, описывает Jarvis Pattern как персонального сетевого агента, закреплённого за конкретным специалистом.

Такой агент живёт не в браузере и не на ноутбуке, а в собственном контейнере с доступом к инфраструктуре и действует от имени человека. В качестве примера он приводит своего DevSecOps-агента umax на базе Claude Sonnet, который, по его словам, закрывает полный набор профильных задач: от настройки RBAC в Kubernetes и работы с Vault до развёртывания кластеров, сканирования Docker-образов, настройки CI/CD и анализа уязвимостей. Ключевой тезис в том, что агенту не нужен заранее собранный зоопарк инструментов: если требуется запрос к Prometheus, он использует curl; если нужно преобразовать данные, берёт jq, sed или awk; если подходящей утилиты нет, пишет её сам и добавляет в рабочий контур.

Отдельный акцент сделан на памяти. По мысли автора, именно она остаётся единственной по-настоящему нерешённой частью агентной архитектуры. Он предлагает разделять её на декларативную, процедурную и эпизодическую: факты, инструкции и опыт.

Причём особенно важен не только удачный, но и негативный опыт — знание о том, какой путь уже заводил в тупик и почему. Вместо векторного поиска и графовых моделей Зиновьев делает ставку на файловую систему и markdown-файлы как на естественную карту маршрутов: папки задают категории, имена файлов указывают направление, а индексный документ служит отправной точкой для погружения в нужный контекст. Параллельно должен работать отдельный Memory Agent, который после сессии разбирает, что сохранить, что обновить, а что выбросить.

Из этой схемы вытекает и более широкий взгляд на роль человека. Jarvis Pattern не про полностью автономный AI, а про усиление конкретного инженера: человек ставит задачу, проверяет результат и принимает решения в условиях неопределённости, а агент забирает исполнение и рутину. Автор считает, что такая модель способна поменять найм, потому что кандидатов можно будет оценивать не по абстрактным вопросам, а по тому, как они работают вместе с агентом над реальным кейсом.

В статье даже приводятся ориентиры по enterprise-рынку: цикл найма в 40–60 дней, стоимость ошибки в десятки процентов годовой зарплаты и заметная доля сотрудников, не проходящих первый год. Ещё один практический вывод касается софта: если агент работает через API и CLI, то продукты без нормального API начнут проигрывать независимо от того, насколько у них красивый интерфейс. Хотя текст подан как манифест, автор подчёркивает, что не считает себя одиночкой.

В подтверждение он ссылается на похожие идеи у других инженеров и на продукты, в которых агент уже воспринимается скорее как операционная среда для специалиста, чем как чат с набором кнопок. В этом смысле Jarvis Pattern — не готовый стандарт и не новая платформа, а попытка зафиксировать сдвиг: часть индустрии начинает смотреть на AI-агента не как на отдельное приложение, а как на слой управления над существующей инфраструктурой. Если эта логика приживётся, главный спор вокруг AI-агентов сместится с выбора фреймворка на дизайн памяти, прав доступа и API-first-инструментов.

Для команд это означает меньше магии в архитектуре и больше требований к качеству контекста, а для специалистов — рост ценности глубоких предметных знаний, которые агент может масштабировать, но не заменить.