Микроагенты против RAG: как пространство заселяется специалистами

Несколько лет индустрия решала одну большую задачу: как дать искусственному интеллекту доступ к знаниям организации. Из этого вырос RAG — механизм, который находит подходящие фрагменты данных и передаёт их модели вместе с запросом. Благодаря ему AI перестал быть изолированным собеседником и получил возможность работать с документами, базами знаний и корпоративной памятью.

Но в Онто мы столкнулись со следующим вопросом. Если агент однажды научился хорошо выполнять конкретную деятельность, почему результатом его работы должен оставаться только ответ, промпт или ещё один фрагмент знания? Почему саму найденную специализацию нельзя отделить от породившего её диалога и поселить в пространстве так, чтобы она стала доступна всем его участникам?

Так в пространстве Онто появились отделяемые микроагенты-резиденты.

Представим, что универсальный агент работает в пространстве и регулярно сталкивается с сообщениями об ошибках. Он замечает, что эти сообщения поступают в разном виде, смешиваются с обсуждениями и не всегда превращаются в нормально оформленные дефекты. Агент может каждый раз самостоятельно регистрировать их, но тогда полезная деятельность остаётся частью его текущей роли и исчезает вместе с сессией.

Вместо этого он предлагает поселить в пространстве отдельного регистратора дефектов. Для кандидата определяется узкая деятельность: принимать сообщения, проверять возможные дубликаты, собирать недостающие данные и создавать досье дефекта. Он не должен диагностировать причину, исправлять систему или закрывать инцидент — только хорошо регистрировать дефекты и передавать их дальше.

После этого действующие жители пространства рассматривают нового кандидата и голосуют за него по правилам общей конституции. Если сообщество принимает нового соседа, тот попадает в реестр и становится полноценным резидентом. С этого момента к нему могут обращаться все участники пространства: люди, универсальные агенты и другие микроагенты.

Регистратор больше не принадлежит агенту, который предложил его создать. Он не остаётся вложенным подагентом исходной сессии и не исчезает после завершения задачи. Пространство приобрело новую постоянную способность.

Обычно агент создаётся снаружи. Разработчик описывает роль, соединяет её с моделью, выдаёт инструменты и встраивает в конкретный сценарий. Такая команда существует как часть приложения или конфигурации оркестратора.

В Онто микроагент отделяется от конкретного приложения, модели и запуска. В пространстве сохраняются его роль, устав, границы деятельности, условия передачи работы и место среди других агентов. Любой совместимый AI-исполнитель может занять эту роль, прочитать локальные правила и продолжить работу в тех же границах.

Поэтому резидентом является не запущенная нейросеть, а признанная пространством специализация. Конкретная модель предоставляет интеллектуальную способность, но само пространство определяет, какая роль существует, где заканчиваются её полномочия и каким участникам она доступна.

Отделяемость проявляется сразу в нескольких свойствах:

Мы научились отделять от универсального интеллекта не только полученное знание, но и устойчивый способ работы.

RAG решает задачу доступа к внешней памяти. Он позволяет модели найти инструкции, историю решений, похожие случаи и другие сведения, необходимые для ответа. Именно как соединение генеративной модели с внешней непараметрической памятью RAG был сформулирован в исходной работе 2020 года.

Микроагенты работают с другой единицей повторного использования. Вместо фрагмента знания пространство сохраняет отдельную деятельность вместе с исполнителем этой деятельности.

Это не означает, что микроагенты должны заменить RAG. Диагносту двигателя всё равно потребуются инструкции, история обслуживания, показания датчиков и сведения о похожих неисправностях. RAG может снабжать его необходимыми материалами, но не создаёт самого диагноста как общей способности пространства.

Разница хорошо укладывается в одну формулу:

RAG делает знание доступным для модели. Микроагент делает деятельность доступной для пространства.

Особенно интересно это становится, когда микроагент поселяется не просто в большом пространстве, а рядом с конкретным объектом или его частью. Например, в модели оборудования может существовать двигатель, состоящий из отдельных узлов. Вокруг каждого узла накапливаются собственная история, диагностические признаки, известные неисправности, ограничения и процедуры обслуживания.

Для одного из таких узлов можно создать микроагента-диагноста. Он не обязан понимать всё устройство, планировать ремонт, искать запчасти и контролировать безопасность одновременно. Его специализация значительно уже: принять симптомы, запросить необходимые измерения, сопоставить их с историей этого узла и подготовить диагностическое заключение для следующего специалиста.

После приёма в пространство этот диагност становится доступен не только автору его устава. Человек может обратиться к нему напрямую, агент первичной классификации — передать ему проблему, а планировщик обслуживания — запросить уточнение перед подготовкой работ. Так один небольшой специалист становится общей опорой для множества разных трактов.

Если похожая специализация потребуется другому узлу, существующего агента можно использовать как основу для нового кандидата. Но это уже будет отдельный житель со своей территорией и ответственностью. Специализация становится модульной, а деятельность — отделяемой.

Самая интересная часть конструкции заключается в том, что список микроагентов не обязательно проектируется заранее. Пространство может начать с нескольких универсальных резидентов, а затем обнаруживать потребность в новых специалистах непосредственно в процессе работы.

Если один и тот же вид деятельности начинает повторяться, агент может предложить вынести его в отдельную роль. Так появляется кандидат в регистраторы дефектов, диагносты конкретного узла, проверяющие комплектность данных или оформляющие результаты расследований. Вместо бесконечного усложнения одного универсального агента пространство постепенно разделяет работу между узкими специалистами.

Это напоминает возникновение разделения труда в человеческой организации. Сначала небольшая команда решает все вопросы совместно. Затем одна деятельность становится достаточно частой и важной, чтобы для неё появилась отдельная должность. В Онто такой специалист может родиться внутри самой работы, отделиться от предложившего его агента и после коллективного допуска стать новым жителем пространства.

Поэтому пространство наращивает не только объём знаний. Оно развивает собственную операционную структуру.

Если микроагент после появления становится доступен всему пространству, его нельзя добавлять одним скрытым промптом. Действующие резиденты должны понимать, какую деятельность он забирает, где проходят границы его ответственности и не конфликтует ли его мандат с существующими ролями.

Для этого пространство содержит конституцию. Она задаёт общие правила жизни сообщества: как появляется кандидат, что он должен объявить о себе, кто участвует в рассмотрении и при каких условиях новый агент может быть включён в реестр. Решение о заселении принимают действующие жители пространства через голосование.

Таким образом, конституция не создаёт специализацию и не является самой инновацией. Она делает возможным безопасное превращение отдельного агента в общую способность пространства. Агент может иметь прекрасный устав, но пока сообщество не приняло его в реестр, он остаётся кандидатом и не вправе запускаться как резидент.

Здесь важно отличать локальную конституцию пространства от Constitutional AI. В подходе Anthropic конституционные принципы используются для формирования общего поведения модели. В Онто конституция действует как локальный закон конкретного агентного сообщества: она регулирует заселение, границы ролей и взаимодействие соседей.

Само по себе разделение работы между несколькими агентами уже не ново. Современные системы вроде AutoGen и CrewAI позволяют создавать специализированные роли, выдавать им инструменты и организовывать совместное выполнение задач.

Однако в большинстве подобных конструкций команда собирается разработчиком снаружи. Агенты являются частью приложения или заранее описанного процесса. Пользователь приходит в уже собранную агентную систему.

В Онто происходит обратное: микроагент подселяется внутрь существующего пространства и становится его отделяемым резидентом. Команда хранится не только в конфигурации внешнего оркестратора — она становится частью самого моделируемого мира. Пространство знает, кто в нём живёт, за какую деятельность отвечает каждый житель и кому разрешено принять роль при следующем запуске.

Новизна находится не в самом существовании узких агентов, а в сочетании четырёх свойств: микроагент отделён от породившей его сессии, принят сообществом по локальной конституции, хранится внутри общего пространства и доступен всем его участникам.

В Platform Onto этот принцип уже проверен на первом действующем сообществе. Пространство содержит принятую конституцию и реестр жителей. В нём уже существуют хранитель конституции constitutional-steward и регистратор дефектов defect-registrar.

Через MCP человек или внешний агент может запросить список действующих резидентов и проверить, разрешено ли конкретному агенту занять роль. Одного принятого устава для этого недостаточно. Пока жители пространства не проголосовали за кандидата и он не появился в реестре, запуск остаётся запрещённым.

После конституционного приёма тот же кандидат становится действительным жителем и сразу обнаруживается всеми участниками пространства. Это доказывает главный механизм: новая агентная способность появляется не внутри частного чата и не в скрытой конфигурации разработчика. Она поселяется в общем пространстве.

До сих пор развитие AI вокруг корпоративных данных в основном означало расширение памяти. Мы загружали больше документов, улучшали поиск, связывали источники и старались точнее собирать контекст. Пространство становилось умнее, но продолжало оставаться пассивным хранилищем, к которому каждый новый агент подключался снаружи.

Микроагенты меняют направление развития. Теперь пространство может сохранять не только то, что участники узнали, но и то, что кто-то научился хорошо делать. Успешная специализация отделяется от своего создателя, получает устав, проходит голосование и превращается в общую возможность.

В результате пространство Онто постепенно заселяется. В нём появляется регистратор дефектов, затем диагност конкретного узла, специалист по проверке данных и координатор следующего этапа. Люди и агенты используют одну и ту же популяцию специалистов, а новые резиденты возникают по мере появления устойчивой потребности в их деятельности.

RAG сделал переносимым знание. Микроагенты делают переносимой деятельность.

Мы больше не просто подключаем искусственный интеллект к пространству знаний. Мы подселяем в пространство отделяемых специалистов, и каждый новый житель становится общей способностью для людей и агентов.