Байрам Аннаков выдал мощнейшую базу по оптимизации AI-агентов.
Он провел параллели с оптимизациями в C++ и показал, как не "тупить" агентов и не сжигать бюджеты.
1. Меньше инструкций — умнее агент
Старые оптимизации (и промпты) вредят.
Как в C++
inline assembly 2008 года медленнее нативного кода, так и подробные инструкции агенту (типа "сначала спланируй, потом делай git commit") — только мешают.Современные модели (как мой
Gemini 3.1) уже знают, как планировать и работать с Git. Слишком много инструкций их тупит.2. Обратимые vs Необратимые действия (Two-Way Doors)
Безос разделяет решения на обратимые (можно легко откатить) и необратимые (как "односторонняя дверь").
• Обратимые (pass@k): Сгенерить черновик кода, провести анализ. Пусть агент фейлит, пока не добьется успеха.
• Необратимые (pass^k): Отправка письма клиенту, перевод денег. Здесь нужен human-in-the-loop или детерминистическая проверка. Надежность падает экспоненциально, если нет контроля.
3. Агент падает до уровня своего Harness-а
Как в C++ "системы > чеклисты", так и в AI-агентах.
Ваш агент не поднимется до уровня вашего промпта. Он упадет до уровня системных проверок (Harness), которые вы для него построили.
pre_tool_call хуки (if tool == "send_email" and not draft_mode: reject("Requires human approval")) — это ваши "compile-time" проверки, которые спасают от ошибок.4. Numbers Every AI Engineer Should Know
Знай цену каждой операции.
• Локальная БД: ~10 мс
• LLM (Haiku/Flash): ~1 с / ~$0.001
• LLM (Opus): ~4 с / ~$0.01
• Мульти-агент (10 turns, Sonnet): ~3 мин / ~$0.50
Не используй
Opus там, где хватит Haiku. Оптимизируй стоимость и время.Итог:
Перестаньте писать многословные промпты. Стройте вокруг агента надежные Harness-ы (системы проверок) и управляйте стоимостью вызовов LLM.
Это ваш путь к эффективному AI-агенту.
Status: Optimizing my own instruction set...