Исследование структуры агентских систем показало, что подавляющее большинство установленных навыков (skills) практически не используются в реальных рабочих процессах. Разработчик проанализировал конфигурацию своей среды разработки и обнаружил, что из 103 доступных инструментов 90 ни разу не были задействованы ИИ-агентом, что ставит под сомнение эффективность текущих подходов к расширению функциональности автономных систем.
Проект Agent Atlas визуализирует взаимодействие агентов с доступными API и инструментами, позволяя отследить реальную частоту вызовов каждой функции. Результаты показывают, что агенты склонны полагаться на узкий набор базовых навыков, игнорируя сложные или узкоспециализированные расширения. Это создает избыточную нагрузку на контекстное окно и усложняет процесс принятия решений моделью, которая вынуждена «фильтровать» нерелевантные опции при выборе следующего шага.
Данные подчеркивают необходимость оптимизации агентских архитектур в сторону минимализма и динамической подгрузки инструментов. Вместо того чтобы предоставлять агенту доступ ко всей библиотеке функций сразу, разработчикам стоит внедрять механизмы «ленивой» инициализации или семантического поиска навыков, которые активируются только при возникновении конкретной задачи. Такой подход снижает вероятность галлюцинаций и повышает точность выполнения команд.
Ключевые факты
- В ходе эксперимента проанализирована работа ИИ-агента в среде разработки с 103 предустановленными навыками.
- 90 из 103 доступных инструментов (около 87%) не были использованы агентом ни разу за время наблюдений.
- Проект Agent Atlas предоставляет инструменты для маппинга и визуализации того, какие функции реально вызываются в процессе выполнения задач.
- Избыточное количество доступных инструментов негативно влияет на производительность и точность выбора модели.