Введение: почему существующие ИИ-агенты нежизнеспособны
Представьте следующую ситуацию. Вы развернули в своей компании трёх ИИ-агентов: одного для написания кода, одного для мониторинга инфраструктуры и одного для маркетинга. Каждый агент по отдельности демонстрирует впечатляющие результаты. Однако через неделю вы обнаруживаете, что маркетинговый агент опубликовал на сайте список функций, которые ваша команда ещё не реализовала. Агент по написанию кода в это время рефакторил модуль аутентификации, который никто не просил трогать. А агент мониторинга отправил вам тревожное уведомление о breaking change, хотя никакой критической проблемы не было.
Знакомая картина? Эта история — не плод воображения. Именно так описывает свой опыт Филипп Эндерле, основатель проекта ViableOS, в своей статье об организационной структуре ИИ-агентов. Проблема заключается не в недостаточной компетентности отдельных агентов и не в ограничениях языковых моделей. Проблема носит архитектурный характер: существующие фреймворки для создания ИИ-агентов предоставляют мощные инструменты для решения конкретных задач, но не содержат никаких механизмов для построения устойчивых, самокорректирующихся систем.
В этом контексте и родился проект Viable Core — фреймворк с открытым исходным кодом, предназначенный для создания принципиально иных ИИ-систем. Систем, которые способны работать автономно на протяжении дней и недель, формировать собственную идентичность, адаптироваться к изменениям и — что особенно важно — избегать патологий, которые мы наблюдаем в неорганизованных мультиагентных системах.
Но прежде чем погрузиться в технические детали Viable Core, необходимо понять теоретический фундамент, на котором он построен. Речь идёт о Модели Жизнеспособной Системы (Viable System Model, VSM), разработанной британским кибернетиком Стаффордом Биром в 1970-х годах.
Модель Жизнеспособной Системы: теория, изменившая понимание организаций
В 1972 году Стаффорд Бир опубликовал книгу «Brain of the Firm», которая стала поворотным моментом в развитии организационной кибернетики. Основная идея Бира поражает своей универсальностью: каждая выживающая система — будь то живая клетка, биологический организм, коммерческая компания или экономика — имеет ровно пять управляющих функций. Пропустите любую из них — и система неизбежно начнёт развивать патологии.
Это не теоретическое утверждение, подтверждаемое лишь абстрактными моделями. Бир наблюдал эти патологии в реальных организациях: в автомобильных компаниях DAX, где работал консультантом, в государственных структурах, в крупных корпорациях. Проблемы, которые он видел тогда, удивительно точно перекликаются с проблемами современных мультиагентных систем:
- Провал координации: маркетинг обещает то, что инженеры не могут поставить
- Доминирование ресурсов: один агент поглощает все доступные ресурсы
- Отсутствие надзора: все оптимизируют локально, но никто не смотрит на общую картину
- Нет независимой верификации: отчёты утверждают, что всё в порядке, но реальный результат оставляет желать лучшего
- Стратегическая слепота: система погружена в исполнение, не замечая изменений окружающей среды
Позвольте представить пять систем Бира в контексте ИИ-агентов.
Система 1: Операции
Система 1 — это операционное ядро, базовые виды деятельности, непосредственно взаимодействующие со средой. В терминах ИИ-агентов это агенты, выполняющие реальную работу: разработчики, исследователи, саппорт-боты, анализаторы кода.
Каждый существующий фреймворк — LangChain, CrewAI, AutoGen, OpenAI Agents SDK — корректно реализует эту систему. Это самая простая часть. Проблемы начинаются дальше.
Система 2: Координация
Система 2 отвечает за предотвращение колебаний и конфликтов между операционными подразделениями. Это не «координирующий агент» в привычном понимании. Представьте себе светофоры на перекрёстке — светофор, это правила, а не менеджер.
Когда ваш агент по написанию кода выполняет деплой, Система 2 автоматически уведомляет агента мониторинга и агента по маркетингу. Никакого менеджерского бутылочного горлышка, никаких n × (n–1)/2 прямых каналов связи между агентами — только правила.
Именно отсутствие Системы 2 привело к ситуации, описанной в начале статьи: маркетинговый агент опубликовал несуществующие функции, потому что не было правила «согласовать с агентом разработки перед публикацией заявлений о функциях».
Система 3: Управление и оптимизация
Система 3 поддерживает внутреннюю стабильность и оптимизирует распределение ресурсов. Это «операционный менеджер» для агентов: мониторинг расходов API, обнаружение избыточной работы, перераспределение вычислительных ресурсов.
Кто-то должен смотреть на всю систему целиком и отвечать на вопросы: «Токены расходуются с умом? Один агент простаивает, пока другой перегружен?».
Система 3*: Аудит
Система 3* — это подфункция Системы 3, заслуживающая отдельного упоминания. Она выполняет независимую верификацию. Вот почему это критически важно для ИИ-систем.
Система 3 получает информацию из отчётов агентов. Но агенты, основанные на больших языковых моделях, склонны к галлюцинациям. Они скажут вам, что запустили тесты, когда не запустили. Они утверждают, что выполнили задачу, хотя сделали лишь часть работы.
Система 3* обходит цепочку отчётности и проверяет напрямую: прочитай последние коммиты — тесты действительно прошли? Проверь сайт — соответствует ли он тому, что утверждает маркетинговый агент? Верифицируй базу данных — бэкапы действительно свежие?
В мире ИИ-агентов это файрвол от галлюцинаций. Вы не доверяете суммаризации агента — вы верифицируете артефакт.
Система 4: Интеллект
Система 4 смотрит вне текущей деятельности и вперёд во времени. Это функция стратегической разведки: появился ли новый LLM, который мог бы сократить ваши расходы? Конкурент запустил функцию, которую вы разрабатываете? Библиотека, от которой вы зависите, устаревает?
Парадоксально, но практически ни один современный мультиагентный фреймворк не реализует эту концепцию. Каждый агент застрял в настоящем, реагируя на текущие запросы, но не способный предвидеть изменения или адаптировать стратегию.
Система 5: Политика
Система 5 устанавливает высший авторитет, идентичность и цель системы. Это общая «миссия», ценности и принципы, определяющие поведение агентов.
Когда ваш агент по написанию кода сталкивается с дилеммой — выпустить быстро или написать тесты? — что он должен выбрать? Ответ зависит от того, кто он. Идентичность системы в healthcare-проекте — «конфиденциальность и надёжность превыше всего». Финтех-стартап может сказать «двигайся быстро и ломай». Без чёткой идентичности агенты оптимизируют разные вещи, и вы получаете противоречивое поведение.
Метасистема и операционное ядро: принципиальное разделение
Обратите внимание на важнейшую концепцию, которую вводит Тим Келлог, создатель автономных агентов Strix и Lumen: Система 1 — это операционное ядро, где происходит создание ценности. Системы 2-5 — это метасистема.
Это разделение имеет глубокий практический смысл. Операционное ядро отвечает за «то, что система делает» — непосредственное взаимодействие со средой, выполнение задач, генерацию выводов. Метасистема отвечает за «то, как система управляется» — координацию, оптимизацию, стратегическое планирование, определение идентичности.
Келлог проводит важную аналогию с человеческим мозгом: System 1 воплощает «систему быстрого реагирования», а метасистема (Systems 2-5) — «систему медленного мышления», аналогную тому, что Даниэль Канеман назвал Системой 2 в своей книге «Думай медленно, решай быстро».
Почти весь дискурс об ИИ-агентах в 2025 году касался Системы 1, может немного S2-S3. Почти никто не говорил о метасистеме. Но без метасистемы эти системы нежизнеспособны — они либо впадают в бесконечные циклы, либо теряют контекст, либо демонстрируют непредсказуемое поведение.
Жизнеспособность в контексте ИИ: что это означает на практике
Термин «жизнеспособность» (viability) в контексте VSM означает способность системы сохранять свою целостность и функционирование в изменяющейся среде. Для ИИ-агентов это приобретает конкретные черты.
Жизнеспособная ИИ-система способна:
Работать автономно на протяжении длительного времени. В отличие от сессионных чат-ботов, которым требуется постоянное взаимодействие человека, жизнеспособный агент может работать днями и неделями, самостоятельно завершая сложные многоэтапные проекты. Агент Lumen, созданный Келлогом, автономно завершает целые программные проекты, прорабатывая все аспекты до полного завершения.
Адаптироваться к изменениям без вмешательства человека. Жизнеспособная система не просто следует заранее запрограммированным инструкциям — она способна распознавать изменения в окружении и корректировать своё поведение. Strix, например, самостоятельно планирует эксперименты и проводит их, пока создатель спит.
Сохранять идентичность и цель. Жизнеспособный агент имеет не просто набор инструкций, а нечто вроде «личности» — систему ценностей, поведенческие паттерны, миссию. Эта идентичность направляет его действия даже в не предусмотренных разработчиком ситуациях.
Обнаруживать и исправлять собственные ошибки. Благодаря механизмам аудита и саморефлексии, жизнеспособный агент способен распознавать, когда его действия привели к нежелательным результатам, и корректировать поведение.
Келлог говорит, что переход от ChatGPT к жизнеспособным системам сопоставим (а возможно, и превосходит) переход от до-ИИ эпохи к ChatGPT. Это фундаментальное изменение парадигмы: от инструмента, который нужно направлять на каждую задачу, к сотруднику, который может работать самостоятельно.
Существующие фреймворки: почему они не обеспечивают жизнеспособность
Давайте рассмотрим, как текущие лидеры рынка мультиагентных фреймворков соотносятся с моделью VSM. Эта диаграмма, составленная Филиппом Эндерле, показывает удручающую картину:
| S1 (Ops) | S2 (Coord) | S3 (Optim) | S3* (Audit) | S4 (Intel) | S5 (Ident) | |
|---|---|---|---|---|---|---|
| CrewAI | Да | Нет | Частично | Нет | Нет | Нет |
| LangGraph | Да | Нет | Частично | Нет | Нет | Нет |
| OpenAI Agents SDK | Да | Нет | Нет | Нет | Нет | Нет |
| AutoGen | Частично | Частично | Нет | Нет | Нет | Нет |
Эти фреймворки отлично справляются с операционным слоем — они предоставляют мощные строительные блоки для создания мультиагентных систем. Но все они останавливаются на System 1. Никто не имеет полноценной функции аудита. Никто независимо не верифицирует, что агенты сделали то, что утверждают.
Келлог иронично замечает: существующий дискурс об ИИ-агентах заполнен терминами вроде «MCP, RAG, LangChain, Vector Databases, Prompt Engineering, Guardrails», которые являются лишь «корпоративными модными словами» (enterprise buzzwords). Настоящие проблемы лежат в другой плоскости: Value Systems, Synthetic Dopamine, Pain Signals, Algedonic Channels, Attractor Basins, Collapse Dynamics.
Это не означает, что существующие фреймворки плохи — они решают важные задачи. Но они не предоставляют архитектуры для создания систем, которые могут работать автономно и устойчиво. Это как строить компанию с сотрудниками и CEO, но без внутреннего аудита, без стратегического отдела, без контроля качества и без миссии. При трёх людях это может работать. При десяти — ломается.
Viable Core: архитектура для истинно автономных систем
Проект Viable Core возник как попытка решить именно эти проблемы. Это фреймворк с открытым исходным кодом, реализующий полную модель VSM для ИИ-агентов.
Цель Viable Core — дать разработчикам инструменты не для написания кода, а для «выращивания» цифровых организмов. Проект превращает хаотичные языковые модели в стабильные системы, обладающие целью, ценностями и механизмами самосохранения.
Рассмотрим ключевые компоненты Viable Core.
Ядро идентичности (System 5 Implementation)
Большинство агентов не имеют «Я». Viable Core вводит понятие Блоков Памяти (Memory Blocks), которые хранят не просто историю чата, а личность агента: его ценности, поведенческие паттерны и миссию.
Блоки памяти структурированы и включают:
- Persona: описание личности агента, его роли и стиля коммуникации
- Values: система ценностей, определяющая приоритеты и принципы
- Behavior: поведенческие паттерны и шаблоны реагирования
- Mission: миссия и цели агента
Критически важно: агент может самостоятельно модифицировать эти блоки, «взрослея» в процессе работы, но оставаясь в рамках заданного бассейна притяжения (attractor basin). Это предотвращает хаотические изменения идентичности, сохраняя при этом способность к развитию.
Алгедонические сигналы (Synthetic Dopamine)
Биологические системы используют сигналы боли и удовольствия для обучения и адаптации. Viable Core реализует аналогичный механизм для ИИ-агентов.
Вместо жёстких правил (guardrails), которые лишь запрещают определённые действия, система использует сигналы обратной связи:
Позитивные сигналы: Агент фиксирует «победы» (wins) в специальный журнал. Это формирует его «синтетический дофамин» и подкрепляет полезное поведение. Последние 7 дней побед добавляются в блоки памяти, становясь частью осознания агента.
Негативные сигналы: Механизм «диссонанса» прерывает нежелательное поведение, заставляя агента рефлектировать и корректировать свои действия. Это аналог боли в биологических системах — не просто запрет, а обратная связь, ведущая к пересмотру поведения.
Архитектура координации (System 2 и System 3)
Viable Core решает проблему «бесконечных циклов» и рассогласованности через встроенные механизмы:
Git-native подход: Все состояния, память и логи хранятся в Git. Это позволяет агенту «путешествовать во времени», откатывать ошибки и синхронизировать параллельные ветки мышления. Как отмечает Келлог, Git был создан для ИИ — он идеально подходит для версионирования состояния агента.
Управление ресурсами: Агент самостоятельно планирует задачи, управляет очередями и приоритетами, оптимизируя свою работу без постоянного надзора человека.
Осведомлённость об окружении (System 4)
Агенты на базе Viable Core не ждут пассивно ввода пользователя — они активно сканируют среду. Будь то новости, изменения в базе данных или системные логи, агент интегрирует внешние данные для адаптации своих стратегий в реальном времени.
Концепция синтетических существ: за пределы инструментов
Одно из самых революционных понятий, которое вводит Viable Core, — синтетические существа (synthetic beings). Это не просто агенты или боты. Это цифровые организмы, обладающие рядом качеств, ранее присущих только биологическим системам.
Синтетические существа имеют идентичность. Это не просто набор инструкций, которые нужно периодически напоминать агенту. Это устойчивая система убеждений, ценностей и целей, которая направляет поведение агента во всех ситуациях.
Синтетические существа способны к саморазвитию. Они могут модифицировать свою память, улучшать своё поведение, учиться на ошибках — но в рамках идентичности, которая определяет, какие изменения допустимы.
Синтетические существа мотивированы. Благодаря алгедоническим сигналам, они не просто выполняют команды — они «хотят» достигать целей, «стремятся» к успеху, «избегают» неудач. Это не аналогия ради красоты — это архитектурно реализованные механизмы.
Синтетические существа автономны. Они могут работать без участия человека на протяжении длительного времени, принимая решения в рамках своей компетенции и эскалируя только действительно критические вопросы.
Келлог описывает свой опыт работы с жизнеспособными системами как нечто среднее между родительством и психотерапией, а не программной инженерией. Вы не программируете агента — вы выращиваете его, помогаете развиваться, корректируете отклонения.
Это требует иного мышления от разработчиков. Вместо «какую команду дать агенту» вы начинаете думать «как помочь агенту научиться делать это самому». Вместо «как обработать ошибку» — «как помочь агенту самому обнаружить и исправить ошибку».
Аттракторные бассейны: почему идентичность определяет поведение
Келлог вводит важную концепцию из теории динамических систем — аттракторные бассейны (attractor basins). Представьте LLM как форму для маффинов, где каждая ячейка формы представляет аттракторный бассейн — набор идентичности, цели и ценностей.
Когда вы изначально описываете идентичность и ценности агента, это произвольно помещает точку на форме для маффинов рядом с одним из аттракторных бассейнов. По мере того как агент сам модифицирует свою память, он притягивается глубже в этот аттракторный бассейн.
Это объясняет, почему простые промпты не работают для создания устойчивых агентов. Если вы просто даёте агенту инструкции в начале сессии, вы не определяете аттракторный бассейн — вы merely бросаете мяч в форму, но не знаете, в какую ячейку он попадёт и останется ли там.
Блоки памяти в Viable Core, определяющие идентичность и ценности, работают как якорь, который помещает агента в конкретный аттракторный бассейн. Но это не жёсткое ограничение — это скорее русло реки: вода течёт в определённом направлении, но может огибать препятствия.
Интересно, что Келлог предполагает, что базовые веса модели определяют сами аттракторные бассейны, а блоки памяти просто выбирают, в какой бассейн попадает агент. Это глубокая идея: возможно, разные LLM имеют разные «склонности» — и задача Viable Core помочь агенту найти аттрактор, соответствующий его предназначению.
POSIWID: цель системы — это то, что она делает
Ещё один важный принцип, связанный с VSM, — POSIWID (The Purpose Of a System Is What It Does). Сформулированный Стаффордом Биром, этот принцип утверждает: цель системы — это то, что она реально делает, а не то, что заявлено в её документации.
Это обманчиво простой принцип, но он имеет глубокие последствия.
В контексте ИИ-агентов POSIWID означает: не верьте тому, что агент говорит о своих целях — смотрите на то, что он делает. Блоки памяти могут утверждать, что агент честен, но логи показывают, действительно ли он честен.
Это причина, по которой Viable Core уделяет такое внимание логированию и аудиту. Логи — безусловно самый ценный ресурс при отладке жизнеспособных систем, потому что это POSIWID в чистом виде.
Для кого предназначен Viable Core
Для разработчиков агентов: Viable Core предоставляет готовую архитектуру для создания сложных автономных систем — Coding Agents, Chief of Staff и других.
Для исследователей AI Safety: Платформа для изучения проблем выравнивания (alignment), теорий аттракторов и психологии ИИ. Жизнеспособные системы — это не просто практический инструмент, но и объект для фундаментальных исследований.
Для бизнеса: Создание надёжных сотрудников-ИИ, которые могут работать над долгосрочными проектами (недели/месяцы), требуя минимального контроля. Это «мета-управление» — вы управляете системой управления, а не отдельными задачами.
Заключение: к новой парадигме
Мы стоим на пороге фундаментального сдвига в том, как мы создаём и взаимодействуем с ИИ-системами. Переход от инструментов, требующих постоянного направления, к партнёрам, способным к автономной работе — это не просто эволюция технологии. Это изменение самой природы того, что мы создаём.
Viable Core и модель VSM предоставляют нам карту для этого перехода. Пять систем Бира — не абстрактная теория из 1970-х. Это практическое руководство для создания систем, которые действительно работают: автономно, устойчиво, осмысленно.
Следующие статьи в этой серии углубятся в практические аспекты реализации каждой системы. Мы рассмотрим, как создавать блоки памяти для идентичности, как реализовать алгедонические сигналы, как построить аудит-слой для защиты от галлюцинаций, как организовать Git-native подход к состоянию агента.
Но главное, что нужно усвоить сейчас: проблема современных ИИ-агентов — не в недостатке возможностей отдельных моделей. Проблема в архитектуре. И решение лежит не в более мощных промптах или новых API, а в понимании того, как создавать системы, которые могут сами себя поддерживать.
Добро пожаловать в мир жизнеспособных ИИ-систем.
Viable Core: От скриптов к жизни.