Work Agents: 16 исследователей собрали единую систему координат для ИИ-агентов

Команда из 16 исследователей выпустила обзорную работу Work Agents: Systems, Capabilities, and Optimization (arXiv 2610.35845). Ее авторы пытаются ответить на вопрос, который сейчас волнует всех, кто внедряет агентов: как добиться, чтобы делегированная задача доводилась до проверяемого результата. Среди авторов Zishan Xu, Enjun Du, Mingqi Gao, Cheng Yang, Junhao Shen, Difan Zou и Weiwen Liu. Статья набрала 15 апвоутов в Hugging Face Daily Papers, а к ней приложены страница проекта и GitHub-репозиторий awesome-working-agent со сводом литературы.

Агент как система, а не как модель

Исходный тезис такой: foundation-модели перешли от генерации информации к исполнению цифровой работы. Агенты проходят через инструменты, приложения и рабочие процессы. При этом, по мнению авторов, в исследованиях не хватает единого взгляда на то, как агент надежно выполняет порученное.

Они предлагают смотреть на work agent как на систему из двух частей: foundation-модели и runtime harness, то есть программной обвязки, в которой модель исполняется. Задачи агент решает в stateful workspace, рабочем пространстве с сохраняемым состоянием, а на выходе должен выдать проверяемый результат. Выходит, что надежность определяется не только весами модели, но и тем, как устроены память, инструменты, контроль шагов и приемка итога.

Две оси, пять форм работы и пять семейств способностей

Чтобы описать условия, в которых агент трудится, авторы вводят два измерения:

• Work persistence — насколько работа длительна и опирается на сохраняемое состояние между шагами и сессиями.
• Work openness — насколько среда открыта и непредсказуема, а не ограничена заранее известным набором действий.

По объему и организации задач цифровая работа делится на пять форм. На этой классификации строится перечень из пяти семейств способностей, которые нужны для надежного исполнения. Они задают единый словарь: можно сравнивать агента для разовой операции в закрытом приложении и агента, который неделями ведет проект в открытой среде.

Где оптимизировать: модель, обвязка или обе сразу

Отдельная часть обзора посвящена тому, как улучшать агентов. Авторы разбирают три направления:

• Model optimization — дообучение и улучшение самой модели.
• Harness optimization — настройка обвязки: как агент устроен вокруг модели и как взаимодействует с рабочим пространством.
• Joint optimization — совместная настройка модели и обвязки.

Такое разделение полезно на практике. Команды часто приписывают прогресс агента новой модели, хотя выигрыш мог дать пересобранный harness, и наоборот. Если оптимизировать обе части вместе, их взаимные зависимости учитываются явно.

Оценка по результату работы

Методы оценки и метрики авторы анализируют с позиции work outcomes, то есть итогов выполненной работы. Мерить нужно не правдоподобие ответа, а то, решена ли задача и можно ли это проверить. Для бизнеса это принципиально: заказчик платит за готовый отчет, закрытый тикет или работающий код, а не за красивую цепочку рассуждений.

В разделе о будущем названы три направления:

• устойчивое делегирование работы на длинных горизонтах (sustained work delegation);
• адаптация к открытым средам;
• взаимодействие между исполнением работы и ростом способностей агента.

Последний пункт интересен тем, что агент, выполняя задачи, может сам накапливать опыт и улучшаться, а исследовательская повестка рассматривает исполнение и обучение как связанные процессы.

Как использовать рамку при выборе агентного стека

Обзор не дает готового бенчмарка, но дает чек-лист для проектирования и закупок. Прежде чем сравнивать агентов по рейтингам, стоит ответить на несколько вопросов:

• Насколько длительна ваша работа и где хранится ее состояние?
• Насколько открыта среда: фиксированный набор API или произвольные приложения и сайты?
• Что в вашем агенте относится к модели, а что к обвязке, и какую часть вы можете менять?
• По какому проверяемому результату вы принимаете работу?

Команды, которые ответят на эти вопросы до выбора модели, скорее увидят, где именно ломается надежность агента, и не будут искать причину сбоев не там.