GitHub · 06.07.2026 ·Оркестрация агентов

Fable Method: новый фреймворк для агентных рабочих процессов

Fable Method — это открытый фреймворк, переносящий логику работы модели Claude Fable 5 в универсальный алгоритм для любых LLM. Методология строится на циклическом процессе «думай, действуй, доказывай» (think/act/prove), который позволяет агентам не только выполнять задачи, но и верифицировать промежуточные результаты, повышая точность и надежность автономных операций.

В основе подхода лежит разделение агентного процесса на три четких этапа. На стадии «думай» модель планирует шаги, на этапе «действуй» выполняет их, а фаза «доказывай» выступает в роли встроенного механизма самопроверки. Такой подход помогает минимизировать галлюцинации и логические ошибки, типичные для стандартных цепочек рассуждений, за счет принудительной валидации каждого действия перед переходом к следующему шагу.

Фреймворк включает в себя набор готовых навыков и систему оценки, которая следит за тем, чтобы модель придерживалась заданного алгоритма. Это решение ориентировано на разработчиков, которые стремятся стандартизировать поведение агентов и сделать их работу предсказуемой в сложных сценариях, требующих многошагового планирования и высокой точности исполнения.

Ключевые факты

Методология базируется на трехэтапном цикле: Think (планирование), Act (исполнение) и Prove (верификация).
Фреймворк является модель-агностическим и может быть адаптирован для работы с любыми современными LLM.
В состав репозитория включена система оценки (evals), позволяющая количественно измерять качество выполнения задач агентом.
Инструмент направлен на снижение частоты ошибок при выполнении комплексных агентных задач за счет обязательного этапа доказательства корректности действий.

Источник: GitHub

Обсудить с ИИ

Похожие материалы

Hacker News · Инфраструктура для агентов Создание собственного агентного фреймворка без «магии» Разработка кастомного фреймворка для ИИ-агентов позволяет избежать избыточной сложности готовых решений и лучше контролировать логику взаимодействия с LLM. Основной подход заключается в создании прозрачной архитектуры, где управление состоянием, вызов инструментов и обработка контекста реализованы через явные программные интерфейсы, исключающие скрытые процессы и непредсказуемое поведение «черных ящиков». arXiv · Машинное обучение LLM-as-a-Verifier: новый подход к масштабированию через проверку решений Исследователи представили фреймворк LLM-as-a-Verifier, который выделяет способность модели проверять корректность собственных решений в качестве ключевой оси масштабирования ИИ. В отличие от традиционного увеличения вычислительных мощностей на этапах обучения, данный подход фокусируется на этапе инференса, позволяя моделям систематически оценивать и фильтровать ответы для повышения точности сложных логических задач. arXiv · Оценка и бенчмарки Новый фреймворк для оценки автономного поиска моделей ИИ-агентами Исследователи представили методологию для систематической оценки того, как ИИ-агенты занимаются автономным моделированием данных. Поскольку поведение агентов стохастично и адаптивно, традиционные бенчмарки не дают полной картины. Новый подход, основанный на принципах экспериментального дизайна, позволяет количественно измерить процесс «открытия» моделей, обеспечивая более глубокое понимание того, как агенты справляются с задачами анализа данных в условиях неопределенности. arXiv · Машинное обучение LLawCo: новый метод обучения ИИ-агентов эффективному взаимодействию Исследователи представили LLawCo — фреймворк для обучения воплощенных ИИ-агентов правилам кооперации в децентрализованных средах. Метод решает проблему несогласованного поведения LLM-агентов, которые часто действуют неэффективно из-за ограниченной видимости состояния среды и отсутствия координации с партнерами. Предложенный подход позволяет агентам лучше адаптироваться к динамическим условиям и достигать более высоких показателей успешности выполнения совместных задач. Hacker News · Оркестрация агентов Asker: агент для аудита ИИ-решений методом сократического диалога Представлен Asker — агентный фреймворк для аудита и верификации ответов LLM, использующий метод «3D перекрестной проверки». Система имитирует сократический диалог, заставляя целевую модель аргументировать свои выводы с разных сторон. Это позволяет снизить вероятность галлюцинаций и повысить логическую связность ответов в сложных агентных цепочках, где критически важна точность и обоснованность каждого шага. Hacker News · Машинное обучение Компиляция агентных рабочих процессов в веса LLM Исследователи представили метод компиляции сложных агентных рабочих процессов непосредственно в веса больших языковых моделей. Вместо использования внешних оркестраторов или многошаговых промптов, логика выполнения задач «запекается» в архитектуру модели. Это позволяет значительно сократить задержки при инференсе и снизить потребность в дополнительных вычислительных ресурсах для управления цепочками рассуждений агента. arXiv · Исследования и наука MIThinker: оптимизация рассуждений LLM для мотивационного консультирования Исследователи представили MIThinker — специализированный фреймворк для улучшения работы ИИ-агентов в сфере мотивационного консультирования. В отличие от стандартных моделей, MIThinker использует механизм «мыслительного процесса» (reasoning), который принудительно выравнивает внутренние рассуждения модели с техниками мотивационного интервьюирования. Это позволяет агентам генерировать более эмпатичные и терапевтически точные ответы, соответствующие профессиональным стандартам психологической поддержки. Hacker News · Безопасность и алайнмент Anthropic представила Fable: фреймворк для тестирования моделей на устойчивость к взлому Компания Anthropic выпустила Fable — специализированный фреймворк для автоматизированного тестирования больших языковых моделей на устойчивость к попыткам обхода ограничений (jailbreak). Инструмент позволяет генерировать сложные сценарии атак, имитирующие поведение злоумышленников, чтобы выявлять уязвимости в безопасности моделей до их публичного релиза и повышать общую надежность систем в реальных условиях эксплуатации. Hacker News · Оркестрация агентов Thought Tree: новый стандарт разметки для модульных ИИ-процессов Thought Tree предлагает открытый стандарт разметки и спецификацию для создания модульных рабочих процессов в LLM. Проект позволяет структурировать цепочки рассуждений и передачу контекста между различными этапами обработки, превращая линейные промпты в управляемые графы задач. Это решение упрощает интеграцию сложных агентных систем, обеспечивая предсказуемую передачу данных между независимыми компонентами ИИ-пайплайнов. The Decoder · Оркестрация агентов Anthropic предложила паттерн «менеджер-исполнитель» для оптимизации затрат на LLM Anthropic представила стратегию оптимизации расходов при работе с флагманской моделью Claude Fable 5. Вместо использования дорогостоящей модели для каждой задачи компания рекомендует применять её в роли «менеджера» или планировщика, который делегирует выполнение конкретных операций более доступной модели Claude Sonnet 5. Такой подход позволяет сохранить высокую эффективность при значительном снижении операционных затрат на инференс.

← Все материалы