Агент, який сам покращує свої навички без перетренування моделі
Google Research відкрив код RRSI — системи, що покращує роботу AI-агента без змін у самій моделі. Вона оптимізує промпти, інструменти, пам’ять та субагентів, вибираючи лише зміни з вимірюваним покращенням. На Claude Opus 4.8 результат у Terminal-Bench 2.1 вирівнявся з 74,2% до 80,2%, а на SWE-bench Verified — з 82% до 83,8%.
🔬 Цікаво для дослідження, але без готового продукту. Для компаній до 200 людей це теоретичний підхід — потрібна власна інтеграція з LLM-ами, а не готове рішення.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •RRSI — система самопокращення AI-агентів без перетренування моделі
- •Тестували на Claude Opus 4.8: зростання з 74,2% до 80,2% у Terminal-Bench 2.1
- •Код доступний на GitHub за ліцензією Apache 2.0
- •Оптимізує промпти, інструменти, пам’ять, субагентів та порядок дій
- •Уникає перепідгонки під теди та враховує шум оцінки та витрати токенов
Як це змінить ваш ринок?
Для компаній, що розробляють власних AI-агентів, RRSI пропонує шлях до покращення продуктивності без витрат на новий тренінг моделей. Це може зменшити залежність від дорогих API-провайдерів через ефективніше використання відкритих моделей.
Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.
- •Потрібна команда з 2+ ML-інженерів для інтеграції з LLM-ами через API
- •Мін. масштаб: компанія з власним продуктом, що використовує AI-агентів
- •Бюджет: нуль для коду, але витрати на інженерну роботу (~$5K–$15K для прототипу)
- •Час на впровадження: 2–4 тижні для базової інтеграції з відкритими моделями типу Llama 3
Альтернативи (ТАБЛИЦЯ: | | Продукт 1 | Продукт 2 | Продукт 3 | з колонками: Ціна, Де працює, Мін. вимоги, Ключова різниця.
| RRSI (саморобне) | безкоштовно (код) | Власний стек + API | Потрібна інженерна команда | Основна різниця — оптимізація навколо моделі, а не всередині неї | Промпт-інженерія вручну | нуль | Будь-яка LLM | Базові навички | Найпростіший спосіб, але без систематичного покращення | Fine-tuning моделі | $100–$500 за запуск | Потребує GPU | Потребує ML-спеціаліста | Дорого, потребує даних, ризик катастрофічного забуття
💬 Часті запитання
Чи потрібна доступна вага моделі для використання RRSI?
Ні, RRSI працює з будь-якою моделлю через API, оптимізуючи лише зовнішні компоненти: промпти, інструменти та пам’ять.
Чи може RRSI працювати з відкритими моделями типу Llama 3?
Так, система не залежить від конкретного постачальника моделі і може працювати з будь-якою LLM, доступною через API.
Чи є готові інтеграції з популярними фреймворками для AI-агентів?
У статті не згадується про готові плагіни — інтеграція потребує власної розробки навколо вибраного фреймворку агента.
Чи гарантує RRSI покращення на всіх типах задач?
Ні, покращення залежить від сфери застосування — у статті показано результати лише для кодових та термінальних завдань.
Чи вимагає RRSI додаткових витрат на токени під час оптимізації?
Так, система враховує витрати токенів у функції оцінки, щоб уникати неefективних розв’язків, але саме оптимізація споживає додаткові токени.
Підтекст
Google не робить з RRSI продукт — це дослідження, спрямоване на akademic community. Реальна вигода полягає в тому, що великі гравці можуть адаптувати ідею без ліцензійних обмежень, а не в готовому інструменті для SMB.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
AI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me