Sakana AI выпустила Aquarium — платформу ИИ-агентов на онтологии с контролем
Sakana AI представила Aquarium — платформу, где ИИ-агенты опираются на «словарь» компании: что значат термины, как связаны таблицы с документами и по каким правилам принимаются решения. Этот слой, онтологию, собирают один раз и используют для всех агентов. Агент сам проверяет данные, решает и выполняет действие, а в нужных местах ждёт одобрения человека. Поэтому новый процесс не требует заново подключать данные и согласовывать термины.
AI-обработка оригинала Sakana AI Blog; редакция Hamidun News
Большинство корпоративных проектов с ИИ-агентами упирается не в модель, а в рутину вокруг неё. Нужно подключить данные, договориться, что значит «активный клиент» или «просроченный платёж», прописать, кто что вправе делать, и всё это повторить для следующего процесса. Sakana AI решила превратить эту рутину в продукт и представила платформу Sakana Aquarium для создания, запуска и сопровождения агентов.
Что внутри Aquarium
Основа платформы — онтология. Если объяснять просто, это общий словарь и карта компании: какие бывают сущности (клиенты, договоры, заказы), как они связаны между собой и по каким правилам по ним принимают решения. Таблицы, документы и другие форматы подключаются к этой карте из прежних хранилищ, без переноса данных. Когда информация обновляется, агент видит свежую картину.
Платформа состоит из трёх частей:
- Ontology хранит знания, правила и данные вместе со смыслом и связями между ними.
- Governance отвечает за контроль. Здесь задают права доступа и обязательное одобрение перед действием. Система записывает, на что агент опирался и что в итоге сделал, а также показывает скорость, точность работы и расход моделей.
- Managed Agents — среда, где агенты работают. Разработчик описывает workflow: чтение данных, решение модели, вызов функции, подтверждение человеком. После этого агента можно деплоить, а платформа ведёт его жизненный цикл.
Название объясняют метафорой: много рыб плавает в одном аквариуме с налаженной средой.
Чем это полезно на практике
Главная идея — переиспользование. Подключённые данные и онтология, которые собрали для одного агента, подходят и другим. Допустим, банк сделал агента для проверки кредитных заявок. Следующему агенту, например для подготовки предложений клиентам, не придётся заново объяснять, что такое «клиент» и откуда брать его данные. Все агенты работают на одной базе и управляются из одного места.
Для продуктовых команд важна и схема контроля. Агент действует в рамках выданных прав, а в критичных местах человек подтверждает шаг. Потом любое решение можно разобрать по журналу: какие данные использовались, как рассуждала модель, кто одобрил, чем закончилось. В регулируемых отраслях вроде финансов такой аудит часто важнее красивых демо.
Откуда это взялось и что пока неизвестно
Sakana AI известна исследованиями, которые повышают качество ИИ без простого увеличения модели: масштабирование на этапе вывода, согласованная работа нескольких моделей, самосовершенствование. Параллельно компания делала прикладные проекты в финансах. Среди них AI-эксперт по кредитованию с MUFG Bank, автоматическая генерация предложений с SMBC Group и совместная разработка с Daiwa Securities Group.
В этих проектах работали Forward Deployed Engineers: они разбирались в данных и процессах заказчика, проектировали workflow, оценивали результат и повышали точность. Компания заметила, что подключение данных и согласование терминов приходится делать с нуля в каждом проекте. Aquarium собирает эту работу в общую платформу. Над продуктом работают инженеры Sakana AI и выходцы из Palantir, Snowflake, Microsoft и AWS, то есть из компаний, которые строят платформы данных и управление ими. Подход с онтологией напоминает то, что делает Palantir, но это наше сравнение, а не слова самой Sakana.
Ограничения тоже есть. В анонсе нет бенчмарков, цен, списка поддерживаемых источников данных и названий моделей внутри платформы. Нет и публичных кейсов с измеримым эффектом: Sakana обещает показывать их позже. Судя по тексту, продукт продаётся через консультации и внедрение с участием FDE, а не как сервис, который можно взять и попробовать самому. Из планов компания называет два направления: обновление онтологии и агентов на основе правок и решений, появляющихся в работе, и помощь ИИ в самой сборке агентов.
Вывод для разработчиков и основателей простой. Рынок агентных платформ смещается от «какую модель взять» к вопросам «на чём агент принимает решения» и «как это контролировать». Если вы строите агентов под несколько процессов, стоит заранее продумать общий слой определений и прав доступа, иначе вы будете платить за повторную настройку в каждом проекте. А оценить, насколько Aquarium помогает в реальной работе, можно будет только после первых публичных кейсов.
- 21 нояб. 2026 г.OpenAI открыла ChatGPT Spaces подписчикам Plus: совместные документы с ИИ
- 21 нояб. 2026 г.Docker сменил бренд под ИИ-агентов, но песочницы Sandboxes вышли ещё в сентябре
- 21 нояб. 2026 г.Сбой Microsoft: почти 83 000 жалоб на Outlook в Downdetector, лежали Teams и Copilot
- 21 нояб. 2026 г.В тесте MLPerf впервые участвуют Nvidia Rubin и TPU Ironwood: 153 системы
Вопросы и ответы по материалу
Что известно по теме: что внутри Aquarium?
Основа платформы — онтология. Если объяснять просто, это общий словарь и карта компании: какие бывают сущности (клиенты, договоры, заказы), как они связаны между собой и по каким правилам по ним принимают решения. Таблицы, документы и другие форматы подключаются к этой карте из прежних хранилищ, без переноса данных. Когда информация обновляется, агент видит свежую картину. Платформа состоит из трёх частей: Ontology хранит знания, правила и данные вместе со смыслом и связями между ними.
Что известно по теме: чем это полезно на практике?
Главная идея — переиспользование. Подключённые данные и онтология, которые собрали для одного агента, подходят и другим. Допустим, банк сделал агента для проверки кредитных заявок. Следующему агенту, например для подготовки предложений клиентам, не придётся заново объяснять, что такое «клиент» и откуда брать его данные. Все агенты работают на одной базе и управляются из одного места. Для продуктовых команд важна и схема контроля.
Что известно по теме: откуда это взялось и что пока неизвестно?
Sakana AI известна исследованиями, которые повышают качество ИИ без простого увеличения модели: масштабирование на этапе вывода, согласованная работа нескольких моделей, самосовершенствование. Параллельно компания делала прикладные проекты в финансах. Среди них AI-эксперт по кредитованию с MUFG Bank, автоматическая генерация предложений с SMBC Group и совместная разработка с Daiwa Securities Group.
От чтения про ИИ-агентов — к запуску своего агента за вечер
Пошаговая сборка автономных агентов и MCP-связок в Hamidun Academy (academy.hamidun.com) (72 часа бесплатно) или мгновенный запуск готовых мультишаговых агентов в облаке Nomad.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.