0→AGI
Я проверяю, как реализовать долгую работу AI-системы: чтобы она продолжалась при смене диалога и со временем могла действовать всё более самостоятельно.
Почему здесь важна архитектура
Сильная модель может выполнить задачу в одном запуске. Для долгой работы системе также нужно сохранять состояние, продолжать процесс и связывать новые действия с уже накопленным знанием.
Когда работа распределена между чатами и отдельными сессиями, человеку приходится помнить, где она остановилась, переносить контекст и выбирать следующего исполнителя. Архитектура может взять на себя хранение состояния, передачу контекста и координацию сессий.
Поэтому 0→AGI проверяет последовательность архитектурных слоёв: память проекта, управление долгой работой через сменяемые AI-сессии и накопление опыта. Проверка этих слоёв создаёт основу для следующего этапа — исследования автономности.
Карта программы
Первые три слоя описывают сохранение контекста, управление работой и накопление опыта. Дальнейшие этапы будут уточняться по мере реализации и проверки текущих слоёв.
Проект сохраняет контекст между AI-диалогами.
Опубликовано · полевое исследованиеПользователь задаёт цели работы, система координирует AI-сессии.
Следующая публикация · реализованоРабота накапливает опыт, который помогает системе учиться.
Готовится к публикации · рабочая реализацияЧто строится в программе и как проверяются слои
Yet Another AI Memory
Полевое исследование · статья опубликованаСистема хранит память в проекте и передаёт её между диалогами.
Проблема
Для продолжения работы новой AI-сессии нужны результаты предыдущей: принятые решения, проверенные факты и действующие ограничения.
Как это устроено
В ERP-проекте в Cursor рабочее состояние выносилось из истории отдельных чатов в структурированную память проекта. Краткая карта состояния и доменные записи помогали новой сессии найти только нужный контекст; после работы подтверждённые изменения фиксировались в памяти и Git.
Наблюдение в полевом исследовании
2 из 222первых рабочих диалогов потребовали подробного пересказа прошлого состояния проекта (0,90%).
Исследование показывает, как часто контекст проекта приходилось восстанавливать вручную.Work-Centric AI
Реализованный прототип · статья готовитсяПользователь задаёт цели работы, система координирует AI-сессии.
Проблема
Память проекта сохраняет контекст; выбор чата, отслеживание его состояния и решение о продолжении или запуске новой сессии пока остаются на пользователе.
Что делает система
- Хранит долгоживущую рабочую линию отдельно от временной AI-сессии.
- По смыслу запроса определяет направление, проект и workstream, к которому относится работа.
- Выбирает, продолжить текущую сессию, создать новую или заменить исполнителя; подбирает ему релевантную память.
Текущий статус и границы
Прототип работает как локальный plugin/runtime поверх Hermes; входной интерфейс — Telegram, текст и голос. Архитектура собрана. Следующий этап — расширить практическое тестирование и собрать систематические метрики маршрутизации и handoff.
Точность маршрутизации, влияние на нагрузку пользователя и успешность задач предстоит измерить в ходе более широкого практического тестирования.
Accumulating Experience
Рабочая реализация · материал готовитсяРабота должна накапливать опыт, который помогает системе улучшать будущие решения.
Проблема
Чтобы использовать результаты прошлой работы, системе важно восстановить последовательность событий, состояние проекта и последствия принятых действий.
Из чего складывается слой
- Сквозная история задачи и происхождение её результатов (task provenance).
- Контрольные точки и восстановление состояния работы (checkpoints).
- Связанные состояния проекта, памяти и исполнения, необходимые следующему исполнителю.
Текущий статус и границы
Рабочая реализация собирает механизмы фиксации состояния и восстановления хода работы. Влияние накопленной истории на качество будущих решений предстоит проверить отдельно.
Сейчас проверяются механизмы восстановления состояния; влияние накопленного опыта на обучение AI предстоит отдельно измерить.
Следующие слои проявятся по мере исследования
Карта отражает текущую рабочую гипотезу. Реализация и проверка каждого слоя помогут определить следующие архитектурные этапы программы.
Autonomous AI Work
Цель направления — система, способная замечать значимые изменения в рабочей среде и инициировать уместное действие.
- Поток событий
- Оценка значимости относительно целей
- Связь с проектом и рабочей линией
- Решение — действовать, отложить или не вмешиваться
Для этого предстоит разработать и проверить событийный слой, оценку значимости, модель полномочий и безопасное выполнение действий.
AGI — гипотеза программы
AGI обозначает долгосрочный горизонт программы. Достижимость этой цели будет оцениваться по результатам интеграции и проверки отдельных слоёв.
Проверять. Исследовать. Строить.
Мне интересны независимые проверки архитектуры, совместные эксперименты и специалисты, готовые развивать отдельные слои системы.
В сообщении можно предложить репликацию, исследование или инженерный вклад.