Всё это лечится простым и визуально интерактивным (читай: энциклопедия с приколами) объяснением запутанной темы, которая ещё и постоянно меняется. Возьмём базу, вооружимся тупыми вопросами и разберём всё на примере банальной задачи. Чтобы всем было понятно.

С чего всё началось

База ИИ — это не интеллект. У него нет разума. Это простая предсказалка следующего токена. Токен — это часть слова или фразы. Корпорации скачали интернет, все книги и вложили в модель. А дальше — самое тупое место во всей истории: в тексте закрывают следующее слово и заставляют модель его угадать. Угадала — идём дальше. Не угадала — числа у неё внутри чуть подкручивают, чтобы в следующий раз было ближе. Никто ей ничего не объясняет. Её просто поправляют.

Триллионы раз — и на выходе у нас получилась Chat GPT-2, которую выпустили в свет в 2019 году. Всё, что она умела: ты даёшь ей текст, она дописывает то, что статистически чаще всего идёт дальше. ИЗ СКАЧАННОГО ИНТЕРНЕТА.

Всё. Никакого «поняла задачу», никакого «сейчас помогу». Грубо говоря, это теорема бесконечной обезьяны (infinite monkey theorem). Если посадить Трампа за печатную машинку и дать ему бесконечное количество времени, рано или поздно он выдаст Шекспира, неизбежно, даже если это займёт всё время Вселенной.

Выманить ответ из неё было можно — если подсунуть форму. Даёшь документ, потом «В:» и вопрос, потом «О:» — и она дописывает по образцу, потому что в интернете после «О:» идёт ответ.

нажми «Показать»

Чтобы это перестало быть фокусом с подстановкой и стало похоже на нормальный диалог, в 2022-м сверху навесили два слоя: instruction tuning — дообучение, после которого модель воспринимает текст как задачу, — и формат чатика с пользователем, где реплики размечены на «пользователя» и «ассистента».

Сама структура модели, то есть то, как она отвечает, ДО СИХ ПОР ОСТАЛОСЬ ТАКИМ ЖЕ. Вот прям напиши себе на лбу: НИЧЕГО НЕ ПОМЕНЯЛОСЬ С 2022 ГОДА!1 Иишки — это перемножение матриц в безумном масштабе, где токены превращаются во вселенские векторы, заваливаются слоями умножений и нелинейностей, на выходе получая следующий токен, вот и весь сикретик работы — Attention is all you need 2017 года, на которой построена эта предсказалка. Это ПОЛНАЯ хуйня, человеческий разум абсолютно не так устроен.

Примитивность этой штуки потрясает, несмотря на несколько блестящих математических... не прорывов, ничего такого. Вы никогда не задумывались, почему создателям гпт и клода не дали нобелевскую премию? Как думаете, почему?

Оказалось, что если взять простую в сущности теорию, но навалить на неё вычислительных мощностей на триллионы долларов, она начинает рожать крайне правдоподобные предсказания. Грубо говоря, за печатную машинку посадили всех абизян, которых поймать сумели.

В итоге это чудовищно неэффективная хуйня намного хуже биткоина. Он жрёт электричество с Польшу ради транзакции длиной в час, а тут чуваки матрицы переумножают и юзают все вычислительные мощности планеты под это...

Дерево пользования ИИ: от как какать до мультиагентской системы

Я покажу тебе куда мы пришли и как самым оптимальным способ пользоваться ИИ. Все через веселые картинки, чтобы ты точно понял, ибо иначе все это бессмысленно. Обязательно пиши мне @turybyu — если на каком то моменте тебе стало скучно. 

Самое тупое — открыть бесплатный ChatGPT и спросить: как какать. Можно немного дополнить, уточнить, но все это текст, ИИ воспринимает нативно только его. Поэтому самое первое и важное всегда промпт. То есть твой вопрос ИИ. 

Я специально сделал дерево, чтобы показать — промпт и так и так будет внутри более умной обёртки (что это будет позже). Загляни внутрь любого открытого ИИ-агента (тоже разберем) — там по-прежнему лежит просто хорошо написанный системный промпт, только теперь он маленькая деталь ИИ, а не вся ИИшка. Потому что, ещё раз, сама модель не меняется (там просто больше скачали интернета, суть та же), изменяют наличие инструментов и рекомендации по их использованию.

И чтобы это не осталось просто схемой, мы проведём через всё это дерево одну задачу. Возьмём нейтральную, её одинаково понимает и маркетолог, и разработчик:

«Сделай лендинг под запуск нового продукта.»

Пять раз будут совершенно разные результаты, что показывает весь путь наглядно.

Нижний ствол дерева: промпт — тупо промпт

Окно контекста, то есть ёмкость памяти модели, тогда было всего 4 000 токенов. Это где-то несколько абзацев текста. На запрос лендинга модель выдаст универсальное дерьмо, собранное из её набора параметров — всего скачанного интернета. Получится три блока с текстом, без стилей, картинок, с ужасной цветовой палитрой. Как тут (пощёлкай):

Это не тупость. Это ровно то, о чём ты попросил, у существа, которое про тебя не знает ни-че-го.

Представь: умный человек заперт в комнате без окон. Ни телефона, ни интернета. Каждые пять минут память стирается полностью. Приходят рандомные записки, а он на них отвечает, как может.

Модель не знает:

• кто ты
• для кого делаешь дизайн
• что тебе нравится, а что нет
• зачем тебе нужен сайт и проч.

Поэтому записочки народ оставлял с хотя бы каким-то намёком. И чем больше было намёка, чем больше было описания каждого элемента, который ты хочешь на сайте — тем лучше модель выполняла поручение. Например:

Что действительно меняет результат — конкретика итога. Не тема, а результат: формат, объём, аудитория, ограничения, что считать провалом. «Абзац на 400 знаков для первого экрана, аудитория — владельцы небольших магазинов, без слов „инновационный“ и „решение“, главная мысль — экономит два часа в день» — это уже другой запрос к той же модели, и разница будет в разы.

Но потолок работоспособности низкий. Тут ИИ не видит твоих данных и не может ничего проверить. Задачи, которые тут реально решаются, — те, которым внешний мир не нужен вообще: «придумай десять вариантов заголовка», «объясни разницу между этими двумя формулировками». Хороший лендинг, конечно, сюда не помещается. 

Средний ствол дерева: контекст

Далее контекстное окно расширилось в разы, и умновые ребята покумекали и поняли, что этому запертому умному аутисту нужно дать как можно больше инструментов.

Появились MCP и вызовы инструментов, второй слой обёртки — к примеру, посмотри, какие у меня в гугл-календаре встречи, и составь график с учётом футбольных матчей, куда я могу успеть, а куда нет.

Вызов, например, инструмента поиска в интернете на текущий момент, а не в скачанном в самой модели. Тогда на любой вопрос она бы взяла ответ из головы, ибо не ответить модель не может — и именно тогда появился термин галлюцинация модели, когда она придумывала всякую ересь.2

MCP — это по сути те же апи-соединения, когда сервис предоставляет возможность получать данные со своих страниц, кабинетов и выгружать данные.

Теперь наша задача. Ты кидаешь в чат презентацию продукта в PDF, выгрузку из CRM, пять скриншотов лендингов конкурентов: «вот всё, разберись и сделай мне лендинг быстро бляяяя».

Что происходит, когда ты нажимаешь Enter:

Наш умновый парниша в комнатке получает записку и видит там кучу файлов. Память у него теперь стирается уже раз в 30 минут (память тут — как окно контекста). За дверью исполнительный, но абсолютно тупой курьер (все вот эти инструменты и MCP).

Файлы в полной мере парень посмотреть не может, потому что таких инструментов у него ещё нет. Он по сути просто пролистает. Вытащит рандомные фразы и слова. Так как задача большая, а памяти мало — парень заглянет на скриншоты, вытащит первое попавшееся и на основе всей этой каши начнёт делать задачу.

Происходило это так, потому что народ думал, что контекст работает как чемодан: влезло — отлично. Но качество ответов падает задолго до лимита, падает плавно, и — вот главная подлость — умновый парниша наш об этом не сообщает.

Работают две разные хуйнюшки: протухание памяти (чем длиннее вход, тем хуже результат — ДАЖЕ (!) в 2025-м это прогнали на восемнадцати моделях четырёх лаб, просели все) и провал середины (начало помнит, конец помнит, закопанное в серёдку теряет — минус двадцать-тридцать пунктов точности).

Но дело не только в памяти — парнишку никто не контролирует. Нет проверок, что он реально зашёл и посмотрел. Нет проверок выводов после этих проверок. Нет никого, кто бы сказал: ты делаешь хуйню, и вот почему.

Этим понятно занимались, но вот в чём прикол. Когда ты бы сказал нашему типу, что он хуйню сделал — он бы начал врать. Здесь появляется второй эффект вранья моделей, ведь неправильные ответы остаются в памяти2, и после прочтения памяти умновый тип с радостью понимает, что хуйня с твоей точки зрения абсолютно выигрышная тема, и начинает снова тебе это выдавать в ответе.

Поэтому с нашей задачей контекст нихуя бы не помог, ибо даже с ним ИИ плохо держит задачи длиннее пяти-десяти минут. Потому что длинная задача требует больше памяти, чем влезает, и когда окно подходит к концу, модель бы сжимала свою же историю в выжимку и шла дальше. Детали теряются на каждом шаге сжатия, и ИИшка оказывается заперта внутри собственного умения себя пересказывать.

Поэтому всё это время умные дядьки просто начинали кучу задач заново внутри большого проекта и пытались использовать стороннюю память (RAG), чтобы контекст заполнялся медленнее. Чтобы все файлы лежали в папке и модель читала их только тогда, когда это нужно, и не сохраняла весь объём в свой маленький (по сегодняшним меркам) контекст.

Лендинг бы в этом случае получился, но через десяток итераций. Проще было бы дать ИИ в каждой сессии одну маленькую задачу, скормив с десяток конкретных элементов, чтобы он точно сделал как надо. Долго и муторно, вообщем. Для больших проектов ИИ не использовали, только мелкие задачи, где каждый этап выполнения проверяет специалист. 

Верхний ствол дерева: Harness или обёртка

Какой вывод ты можешь сделать из предыдущего раздела? К чему пришли все мировые мозги, которые каждый день ебались с тупостью ИИ? Ну ладно, не тупостью, а ограниченностью.

Выбери правильный ответ, не смотри на текст ниже.

Вот, чтобы немного замедлиться. Все эти ебанутые «решения» просты до неприличия. Пацаны взяли и дали ИИшке сука... план! План, который лежит в файле и по которому ИИшка делает задачи одну за одной.

Как происходит, по шагам:

• из твоей задачи ИИшка сначала генерирует документ требований — что вообще должно получиться
• документ разворачивается в список задач, который лежит в файле, а не в окне контекста
• запускается выполнение. На каждом шаге из списка берётся ровно одна задача
• задача делается, тестируется, результат дописывается в документацию, галочка ставится в файле
• следующий шаг стартует с чистым контекстом. Не с выжимкой. С чистым

Оттуда, кстати, пошли все эти скиллы с интервью, по типу /brainstorming, когда ИИ тебя опрашивала перед началом работы и составления своего плана. А кстати, по поводу скиллов. Вот в этот период начался бум на самые разные скиллы (умения), которые работяги подсовывали ИИшке. Так как модели у нас текстовые, то скиллы — это набор текстовых файлов с инструкциями. Типо: если ты хочешь сделать лендинг — сначала спроси пользователя то-то и то-то, и только после того, как ты снизишь свою неопределённость до 0.1, составь план работ и отправь пользователю на согласование. Ничего не делай до этого. Но скилл... это как записка на холодильнике, если таких скиллов будет много, то... — вспомни себя и просьбы мамки выбросить мусор в сочетании еще с десяток дел. Забудешь что то одно. Вот тут так же.

Теперь наш умновый тип, ну тот, который заперт в комнате, больше не должен помнить, что делал 30 минут назад. У НЕГО ЕСТЬ ЧЕРТОВ ПЛАН, ухахахах! Это прям как старик с альцгеймером — у него теперь файлик, в который он записывает всё, что сделал по задаче, и помнить ему всё необязательно, файлик лежит у него в кармашке.

Проще всего понять так: ИИ — это двигатель, обёртка (harness) — вся остальная машина. Руль, тормоза, педали, приборная панель, ремни. Один и тот же двигатель ставят в спорткар и в трактор, и разница между ними не в двигателе. Когда очередная лаба выкатывает релиз, все обсуждают лошадиные силы. А ездишь ты на машине целиком.

Поэтому тут важно стало не как ты промптишь и не что ты засовываешь в контекст (память), а, сейчас важно (!), как именно ИИшка решает задачу. То есть структуру логики. План. Тактика. Типо того.

И вот обратим внимание, что тут до сих пор нет какого-то мифического интеллекта, который как терминатор всех перебьёт и запустит ядерные боеголовки. Всё решает не умновый тип, а обёртка вокруг него.

• Как именно мы поставили ему задачу.
• Как он будет её выполнять: какие инструменты будет вызывать, MCP, API, какие скиллы будет использовать и почему.
• Как будет проверять выполнение работы, по каким требованиям, где это будет записано.

Получается, мы приходим в этом разделе к выводу, что ИИ — это всего три штуки: луп (петля), тулзы, контекст.

Луп это → отправить модели твой пиздёж → модель или отвечает, или вызывает тулзу → если вызывает, тулза запускается, добавляет результаты её работы к чату и отправляет заново → повтор, повтор, повтор, пока модель не даст ответ, а не будет спрашивать снова.

Прощёлкай по шагам, потому что дальше по статье мы к этой петле ещё вернёмся:

Обрати внимание на момент, где упал тест. Работу сделала не «умная модель» — работу сделал вот этот упавший тест, который сказал «нет» после первой правки. Вот это и есть проверка: способ, которым обёртка ИИ убеждается, что шаг реально сделан. Без неё петля просто уверенно крутит одну и ту же ошибку двадцать раз и жжёт твои деньги.

И это по сути любой краб агент. Ну вот эти тогда появлялись: openclaw и прочие. Сейчас о них скажу пару слов.

А все остальное, пацаны, в любых «агентских фреймворках» мира — память, сессии, интеграции чатов, интерфейс — это всё для решения, ЧТО пойдёт в разговор в лупе и КУДА пойдёт ответ. Три кита же: луп, тулза и контекст не меняются. Это запомнить!

Заебись! Теперь шок — пишем свою обёртку на основе этого откровения и наших текущих знаний. 25 строк, ультра узка спец анал изиро ваная (!)

1import anthropic, subprocess23client = anthropic.Anthropic()4tools = [{5    "name": "bash",6    "description": "Run a shell command and return its output.",7    "input_schema": {"type": "object",8                     "properties": {"cmd": {"type": "string"}},9                     "required": ["cmd"]},10}]11messages = [{"role": "user", "content": "How many .py files are in this directory?"}]1213for _ in range(20):                                  # the guard rail14    r = client.messages.create(model="claude-opus-5", max_tokens=16000,15                               tools=tools, messages=messages)16    messages.append({"role": "assistant", "content": r.content})1718    if r.stop_reason != "tool_use":                  # it answered19        print(next(b.text for b in r.content if b.type == "text"))20        break2122    results = []23    for b in (b for b in r.content if b.type == "tool_use"):24        out = subprocess.run(b.input["cmd"], shell=True,25                             capture_output=True, text=True)26        results.append({"type": "tool_result", "tool_use_id": b.id,27                        "content": out.stdout + out.stderr})28    messages.append({"role": "user", "content": results})

Абсолютно то же самое, что в агентах-крабах — вызов, проверка вызовов тулзов, исполнение, добавить, луп, повторить до финального ответа. Всё.

Нанобот (аналог опен клоу) — 1600 строк. Код выше — 25. Микробот, так его можно назвать ахаххах.

Если не понимаешь, что такое крабы и зачем тут они приплелись, то в общем-то из идеи дать больше обёрток (читай: трактор с двигателем превратить в спорткар или хотя бы в ладу гранту) придумали агентов, что на самом деле никакие не агенты, а просто модели в более лУчшей обёртке.

Там же пошли Claude Code, Codex и прочие, которые все начали рекомендовать в инста роликах. 

Но за обёртку пришлось платить. Минусы данного улучшения ИИ в том, что, она сама-то и загружала контекст. Смотрим:

Платишь ты за две вещи. Первая — системный промпт: любой harness добавляет к каждому сообщению от восьми до тридцати тысяч токенов служебного текста, описывающего, какие у него есть инструменты и как ими пользоваться. Шлагбаум, который открывается за деньги, и открывается он на каждом шаге лупа (петли). 

Вторая — сами шаги: агентная работа какого нибудь Claude Code — это не «спросил — ответила», а десятки рейсов между harness и моделью, и каждый рейс снова платит на шлагбауме. 

И вот из-за того, что у нашего типа в комнате появилось дохуище инструментов — он стал не затыкаться. Он заебал в усмерть, клод — это просто не затыкающийся фонтан, их, как будто, специально тренят на выжирание токенов. Только геркулесовыми усилиями удаётся их заткнуть.

МИЛЛИАРД сука подробностей, отсылки куда только можно, десятки переменных, таблицы, нравоучения и морализаторство («не то — потому что это», ллм-ная классика), best cases, учебник как надо делать и не надо.

И идёт этот пиздёж непрерывно, а люди ведутся и пытаются это читать. Наш мозг не способен в таком режиме потреблять всё вот это, так отупеть за неделю можно, кек.

Так вот токены и выжираются. А потом тебе да 200-долларового тоже мало, переходи на энтерпрайз, да-да, канешна. Потому что там под капотом — сотни тысяч токенов на простейшие вещи уходят.

Решилась она только недавно, так что приложу инструкцию сюда, ибо ты в любом случае начнешь с Claude Code обёртки:

И обёртка ещё устроила травлю между поклонниками ИИшки и луддитами. И каждый был прав по-своему (и это до сих пор откликается). Первые начали сразу всё автоматизировать и строить вайб-кодинг там, где он был не нужен.

Считается же нужна ИИ по простейшей формуле элементарно: автоматизация окупается, когда время на настройку меньше времени задачи, умноженного на количество повторений.

Задача на двадцать минут раз в неделю? — семнадцать часов в год против трёх часов настройки, садись и настраивай. Та же задача раз в квартал — полтора часа в год против трёх часов настройки, сделай руками и займись полезным.

Симптом: либо всё летает и ты не понимаешь, как жил раньше, либо ты неделю строишь комбайн вместо того, чтобы сделать работу.

Что же с нашим лендингом? На данном этапе преспокойно он собирается через саму же обёртку. Например, Claude Design. Отправляешь ему референсы с пинтереста, делаешь промпт в Claude Code и все готово. 

Он зайдет посмотрит референсы, проверит, что посмотрел, подключит MCP, нужные скиллы найдет с гитхаба и забабахает что то подобное, как наши ребята в команде делают за вечер: 

Вообщем то тут все собирается — но создать новое никакая обёртка не сможет. Поэтому идет постоянный поиск идей и вдохновения. Как бы сделать так, чтобы это было красиво и ИИ-обёртка это не сделала за 5 минут. 

Пример — неровные формы элементов / кривой шрифт / добавления рисунков детей и проч. 

Loop engineering: первая ветка дерева — не для всех задач

Тут лендинг уже сделан, будь то Claude Design через референс с пинтереса и компонентов с 21st.dev. Получилось хорошо. Но допустим, что цены у нас живые, что мы тестируем разные страницы под разные страны с рекламных кабинетов. Что пользователи сами находят баги и скидывают нам.

Вот в это и целится loop engineering. Обрати внимание, куда сместилась мишень: все предыдущие части дерева улучшали то, что происходит после твоего запроса. Луп — убирает твой запрос. Иишка начинает промптить себя самостоятельно.

У неё есть все доступы, и она генерит себе субагентов — шестёрок, которые бегают и собирают для неё актуальные данные, чтобы понять, что сайт оптимален. Критерием этого, для лендинга, могут быть показатели конверсии. То есть ИИ меняет сам сайт в процессе, подстраиваясь под данные, которые собирают для неё её же подчинённые.

Кажется сложным, но тут всё максимально просто, потому что всё держится на том же harness. И построить такой ты можешь прям в Claude Code или в их сервисе Claude Cowork.

Механически идёт крон: раз в час или из-за другого хука запускается ИИ и начинает смотреть, что происходит. Не изменились ли данные. Автоматическая проверка входящих багрепортов. Отдельные рабочие копии проекта, чтобы параллельные починки не мешали друг другу. Субагенты, которые проверяют его же работу свежим взглядом. Накопленная база знаний, которая переживает конкретный запуск.

Субагент (шестёрка) — отдельный агент со своим чистым контекстом, которому отдают кусок работы. Он перелопачивает у себя сто файлов, тонет в них по уши и возвращает три строчки. Сто файлов остались в его контексте, а не в основном.

Скилл — инструкция под конкретный тип задачи, которая подгружается только когда нужна. Не висит в контексте постоянно, но в нужный момент оказывается на месте.

И сразу честно, потому что иначе это будет простое балабольство. Loop engineering — самая спорная часть дерева (поэтому и ветка). Претензия к нему ровно одна: это может быть способ сжечь больше токенов и произвести больше мусора без человека, который вовремя скажет «стоп». Убедительных публичных примеров, где оно даёт разгромную разницу, пока мало (оно и понятно — никто не делится фермами ИИ, которые делают бабки). Ветка растёт, но насколько толстой она станет — сейчас честно неизвестно.

Ветка вторая. Graph engineering

Тем временем на передовых ИИ-фронтах — graph engineering. Мультиагентность в духе «дам 500 агентаф адинаковую задачу» уже в прошлом. Доказано: результат будет хуже, чем у одного грамотного агента. Но что если все грамотные?

Идея старше компьютеров. В 1736-м Эйлер разбирал задачу про Кёнигсберг: две части суши, два острова, семь мостов — можно ли пройти по маршруту, пересекая каждый мост ровно один раз? Ответ «нельзя», но ценность оказалась не в ответе, а в том, как он упростил задачу: земля стала кружками, мосты — линиями между ними. Узлы и рёбра. Так родилась теория графов.

Вторая ветка растёт из harness в другую сторону: не вглубь времени, а вширь в моменте. Не «пусть ИИ-обёртка работает сама», а «пусть агентов будет много и они будут разными». Снова же помним, кто такие агенты, ага. Просто ИИшечная обёртка себя размножила. 

Так это делается графом — и вот как выглядит настоящий, а не гипотетический: глубокий ресёрч в кодовом агенте разворачивается в динамический воркфлоу на сотню агентов в пять фаз. Один агент уточняет постановку. Пять ищут источники по подтемам. Двадцать пять читают найденное и передают дальше. Семьдесят пять проверяют факты и голосуют за достоверность. Один собирает итоговый отчёт. Воркфлоу генерируется заново под каждый запрос — четыреста с лишним строк кода, которые работают как среда запуска для этой конкретной сотни агентов.

Заметь пропорцию: семьдесят пять из ста семи агентов заняты не работой, а проверкой работы. Это не мультиагентность ради мультиагентности, это верификация, вынесенная в отдельную фазу.

Покажем на примере, потому что достаточно сложно сразу сообразить, нахуя кому-то столько агентов. И покажу на примере не лендинга, а трейдинга декс-бирж. Ну тех, где народ торгует между собой, без посредника в виде биржи, как тот же байбит или бинанс.

Что здесь не работает, потому что этим переболели все: «дам пятьсот агентов на одну задачу, они там между собой чё-нибудь нарешают». Толпа одинаковых генерирует толпу одинакового мусора, а потом кто-то должен этот мусор разгребать. Работает разделение труда: роли, общее состояние, понятная передача. И, что важно, у проверяющего в контексте нет черновиков пишущего — поэтому он смотрит свежим глазом.

Это ровно то же самое, что делают с живыми людьми в нормальной команде. Никакой магии, просто менеджмент — с той разницей, что сотрудники не спят, не обижаются и берут за подход копейки.

А что сейчас?

Вышел DeepSeek Harness, который прямо сейчас собирает звёзды на гитхабе с неприличной скоростью: репозиторий выложили тринадцатого августа, и за двенадцать дней он взял сто девяносто четыре тысячи звёзд. Это порядка шестнадцати тысяч в день, для сравнения — у крабов в их лучшие дни счёт шёл на тысячи. 

Кстати, тут советую почитать книгу «Клудж», ведь наш мозг, да и все технологии развиваются от простого к сложному. Сначала говно из палок, и на него уже наяривают адронный коллайдер. Ничего сложного из пустоты не берётся. Ну это так, подушнить в тему ИИ. 

Дипсик нанёс ответный удар, и вовсе не со стороны моделей: удар пришёлся в самое сердечко harness-индустрии.

DeepSeek Harness — это, когда обёртку отвязали от модели и выложили в открытый доступ. То есть это не новость про новую игрушку, а попытка китайских пацанов укротить корпоратов на их же земле — речь именно про обёртку.

По-простому: теперь мы не пытаемся трактор с мощным двигателем превратить в спорткар. Теперь тачку разобрали на детали и положили на стол — вместе с чертежами, по которым детали стыкуются, и мы можем взять любые и поставить их на любой съёмный двигатель. Снова же, сколько повторяю по статье: сама модель по сути своей не меняется, там лишь становится больше параметров, но суть остаётся такой же.

И это по сути избавляет нас от ига подписок Claude Code, Codex и прочих. Нам не нужно больше использовать их обёртку. Мы можем полностью настроить свою. Точнее, она уже настроена, а мы можем менять как захотим. 

Чем это отличается от Claude Code и Codex

Вот тут суть всей истории. У Claude Code и Codex ядро агента фиксированное. Расширять можно — скиллами, инструментами, MCP, хуками. Разберу эти слова, если ты их до сих пор путаешь:

• Скилл — шпаргалка под конкретный тип задачи, достаётся когда нужна.
• Инструмент — то, чем агент умеет действовать: прочитать файл, сходить в интернет, запустить код.
• MCP — стандартный разъём. Как USB: один тип штекера, а воткнуть можно что угодно — почту, базу, таск-трекер.
• Хук — крючок в заранее прибитом месте. Вот сюда можно вклиниться, когда агент начинает задачу. И вот сюда, когда закончил.

И вот ключевое про хуки. Гвозди в стену вбил не ты. Разработчик решил, что крючков будет пять и висеть они будут вот здесь. Хочешь повесить картину между двумя гвоздями — нельзя, там гвоздя нет.

Дальше — шесть проблем харнеса и что с ними стало. Жми по карточкам, у каждой два состояния:

Но и это не всё, ведь всякие Hermes-штуки, про которые я, кстати, записывал ролик и писал в канале, — делали то же самое. Так почему именно дипсик?

Подпишись на каналтам ролик и разборы, которые не влезли в статью

У Claude Code и Codex — фиксированное ядро ИИшки плюс расширяемые скиллы, тулзы, MCP и хуки. Хоть ты кодекс ими обвесь, ты не можешь изменить встроенный процесс чтения файлов: это хардкод гпт и антропика.

У DSH ядро крошечное — оно называется Cordis, — а система модульная: тулзы, агентский цикл, сессии, хранилища, песочницы, права, планировщик лежат отдельными кусками без хардкод-привилегий. Их можно менять. Это видно прямо по устройству репозитория: там отдельными пакетами лежат и песочница, и права, и планировщик, и субагенты, и компакция контекста.

Всё, что видит модель, пишется в журнал сессии, который нельзя переписать задним числом: системные промпты, рассуждения, каждый вызов инструмента и что он вернул, как раздавалась работа субагентам, что и в какой момент подсунули в контекст. Отдельная вкладка раскладывает это по источникам. Сессию можно отмотать, разветвить, найти в ней нужное место, проиграть заново. Мало того, субагентами можно запускать Claude и Codex как шлюшек, ой, дочерние процессы в отдельном слое абстракции.

Помнишь луп, который ты прощёлкивал в разделе про обёртку? Теперь можно посмотреть на свою собственную. Не на схему в статье — на настоящую, со своими шагами и своим упавшим тестом:

Показательно, что люди бросились делать вокруг этого в первую очередь. Не темы оформления. Экспортёры телеметрии: OpenTelemetry, Langfuse, Prometheus, отдельные плагины-журналы, которые пишут каждый шаг сессии. Выяснилось, что сильнее всего не хватало возможности увидеть луп, именно настоящий, а не тот, который тебе показали владельцы Claude Code.

За две недели под DSH наебашили две с лишним тысячи плагинов — темы, провайдеры моделей, память, песочницы, голос, ревью кода, права. Ну и так далее. Минусы понятно тоже есть: много сырого, навайбкодили там тоже дай боже.

Короче: npx @deepseek-ai/dsh web и localhost:3080. Сто девяносто четыре тысячи звёзд за двенадцать дней, MIT, TypeScript.

И он не отменяет ни одной из частей дерева до него. Петлю он показывает — резать задачу и придумывать проверку всё равно тебе. Просто теперь ты хотя бы видишь, что происходит и сама эта обёртка тоже видит — и можно на ходу все поменять. В сухом остатке — очередная итерация и свежий скачок в сторону программируемой компоузабл-среды, а не этого сраного слоп-чатика вертикального, как-то так.

Совсем всё просто, подытоживая: раньше ты обустраивал чужой дом, теперь ты можешь его перестраивать — не выезжая и ничего не ломая насовсем.

А для чего это? Изучать фронтир важно, если текущих инструментов не хватает на твою задачу. И, главное, чтобы задача не была очередным ИИ слопом, который ты делаешь ради того, что сделать. 

!!В остальном это изучают, чтобы оптимизировать работу (тобишь ускорить), ибо теперь все видно, как работает и поставить на локульную модель, чтобы сэкономить десятки тысяч долларов в год на подписки и API. 

!Для новичка — я бы был в курсе, но не тратил время, если нет понимания куда применять прямо сейчас. 

Где ты во всём этом пиздеце

Ценность нашего дерева в том, что оно растёт снизу. Harness работает, потому что под ним есть контекст; loop и graph работают, потому что под ними есть harness. Прыжок с промпта сразу на графы не даст результата — даст красивую схему, которая производит мусор в сто потоков вместо одного.

Но помнишь пирамиду понимания? Простого чтения недостаточно, лучше всего пересказать услышанное кому-то ещё, но ты этого скорее всего не сделаешь, так что лучше всего проверить себя прямо сейчас, ибо это основа и база.

Реалистичная цель для человека, который сейчас сидит в окошке чата, — дорасти до harness и там пожить. Этого хватит, чтобы обогнать девяносто процентов тех, кто спорит в комментариях, какая модель умнее.

Для чего ты прочитал статью

Чтобы понимать почему Наполеон Бонапарт пришел к власти нужно понимать французскую революцию. Чтобы понимать франзцузскую революцию надо понимать войну за независимость США. Чтобы понимать войну за независимость — надо понимать семилетную войну и так далее.  

Дальнейшая статья будет — 5 применений ИИ в реальной жизни и заработка на нем (с пруфами). И чтобы понять ее надо иметь базу всех 7 лет развития ИИ в сжатом изложении, когда ты понимаешь, как делать задачу 7 минут, а не ебанный час. Чтобы заказчику, который заплатил тебе 1000$ (абсолютно реальные цифры) дать рабочий продукт, а не ИИ слоп, который постоянно врет, ибо ты нихуя не понимаешь в loop engeneering. 

И в том числе! Что понимание возможностей дает тебе тот самый "геп" — между дятлами, которые сами не могут сделать базовую автоматизацию и тобой, которые понимает, что долбанный ИИ агент, который отвечает на сообщения клиентов это полная херня и работать он не будет. Но, если кое что в него добавить (вау, магия) — он резко заработает и начнет приносить не экономию, а реальный заработок, ибо начнет с приведения в порядок базы клиентов и тд. 

Посмотрите на картинку выше. Сравните с всякими блогами в соц сетях и самой технологией. Сколько прошло времени? С тик тока 20 года прошло 6 лет, многие звезды сегодня — это те, кто не побоялся потратить время на ерунду. Сейчас же у каждого свой микро блог и надежды получить аудиторию хоть как то. Будь то бизнес или обычный Вася. 

Спасибо, что долез до сюда!