К содержимому
Дайджест

Рекурсивные агенты, eval и карьера инженера

AI Engineer·11 ноября 2026·26:49
можно прочитать мнение
Открыть на YouTube
Выступление инженера Cline о том, как работают рекурсивно самоулучшающиеся агенты и какие задачи стоит выбирать разработчику в эпоху быстрых моделей.

Что в ролике

Инженер Cline разбирает, как выглядит рекурсивное самоулучшение (RSI) агентов на практике и почему оно меняет карьерные ориентиры. Он приводит собственный пример: агент на базе GPT-5.6 all за 17 часов автономно улучшал внутренний харнесс Cline, находя петли в работе, зависшие фоновые процессы и проблемы индексации файлов; начальной точкой были 27% на бенчмарке Terminal Bench. Похожие циклы уже работают в индустрии: GPT-5.6 all переписал и оптимизировал собственные прод-ядра OpenAI, снизив стоимость обслуживания на 20% и подняв эффективность генерации токенов на 15%. Такие петли охватывают не только код, но и железо: автор настраивал голосовое устройство, позволив агенту через open router ключ менять прошивку, модель распознавания речи и параметры вызова инструментов. Его главный совет — не строить приложения-обёртки, которые одна новая модель может уничтожить, а идти ближе к самому циклу RSI: инференс, пост-тренинг, эвалы, сбор данных или работа с физическими устройствами. Он ссылается на слайд сообщества, где говорится, что у человека может остаться от одного до пяти лет, чтобы внести вклад в этот слой, и предлагает сжать все сроки и выбирать задачи, которые выигрывают от масштаба, но не решаются одним релизом модели. В конце он признаёт, что его таймлайны могут быть слишком оптимистичны или пессимистичны, и зовёт обсудить это через QR-код.

Практика

Что получишь
Понять, как устроен цикл рекурсивного самоулучшения агентов, и по каким признакам выбирать задачи, которые не потеряют смысл после следующего релиза моделей.
Первый шаг
Найдите в своей работе шаг, где вы вручную исправляете агента или модель, и попробуйте описать его как цикл: действие → проверка результата → правка.
Цифры
  • —77,5% — результат Kimi K3 в связке с Cline на Terminal Bench 2,1, который хотели улучшить
  • —17 часов — столько агент на базе GPT-5.6 all автономно улучшал харнесс Cline
  • —20% — на столько GPT-5.6 all снизил стоимость обслуживания собственных ядер OpenAI
  • —15% — рост эффективности генерации токенов после автооптимизации ядер
Честно
Автор — инженер Cline, и его пример с 17-часовым прогоном описывает внутреннюю работу Cline; конкретный промпт и код не публикуются, поэтому повторить эксперимент по видео нельзя. В конце он даёт QR-код для обратной связи, но это не реклама курса. Оценки сроков — личное мнение, сам он допускает, что они могут быть ошибочны.
Если слова незнакомы — 5 терминов

Компоненты

6 шт.

Формат: мнение · для практикующих · уверенность разметки 0.9 · источник