Hacker News · 08.07.2026 ·Инфраструктура для агентов

Разработка кастомного сборщика мусора для .NET на C#

Разработчики Fable реализовали экспериментальный сборщик мусора (GC) для платформы .NET, написанный целиком на языке C#. Проект демонстрирует возможность создания высокопроизводительных систем управления памятью, которые по эффективности приближаются к стандартному решению от Microsoft всего за два дня работы. Это открывает новые перспективы для оптимизации низкоуровневых компонентов в агентных системах и высоконагруженных сервисах.

Основная сложность создания собственного GC заключается в необходимости точного управления объектами и минимизации пауз в работе приложения. Использование C# для этих целей позволяет разработчикам глубже интегрироваться в экосистему .NET, сохраняя при этом контроль над жизненным циклом памяти. Подобные эксперименты критически важны для сценариев, где стандартные механизмы управления памятью не обеспечивают требуемой предсказуемости или задержек.

Результаты показывают, что при правильном подходе к архитектуре управляемого кода можно достичь производительности, сопоставимой с нативными реализациями, которые обычно пишутся на C++. Это упрощает поддержку инфраструктурных компонентов и позволяет быстрее внедрять специализированные оптимизации в системы, работающие с большими объемами данных или сложными графами объектов, характерными для современных ИИ-агентов.

Ключевые факты

Реализация сборщика мусора выполнена полностью на языке C#.
Прототип достиг показателей производительности, близких к стандартному GC от Microsoft, всего за 48 часов разработки.
Проект является частью исследовательских экспериментов Fable по оптимизации среды выполнения .NET.
Исходный код и результаты тестов доступны в открытом репозитории на GitHub для дальнейшего анализа и доработки.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

Microsoft Research · Инфраструктура для агентов mimalloc: высокопроизводительный аллокатор памяти от Microsoft Microsoft представила mimalloc — открытый, высокопроизводительный и масштабируемый аллокатор памяти, который может стать полезным инструментом для разработчиков ИИ-агентов. mimalloc позиционируется как современная альтернатива стандартным функциям malloc и free, предлагая предсказуемое время выделения памяти, низкий внутренний фрагментация и минимальные задержки. Hacker News · Память и RAG Слой памяти для Claude Code на базе MCP Разработчики представили слой памяти для Claude Code, реализованный через протокол MCP (Model Context Protocol). Инструмент позволяет ИИ-агентам сохранять контекст между сессиями, что значительно повышает эффективность решения задач. В ходе тестирования на бенчмарке SWE-bench Verified решение показало прирост производительности на 10,2 процентных пункта, демонстрируя важность долгосрочной памяти для автономной разработки. Microsoft Research · Память и RAG Memora: новая архитектура памяти для масштабируемых ИИ-агентов Исследователи Microsoft представили Memora — систему управления памятью для ИИ-агентов, которая разделяет хранение данных и механизмы их извлечения. Решение позволяет агентам эффективно работать с длинными контекстами, балансируя между высокой абстракцией и сохранением специфических деталей. Это устраняет проблему перегрузки контекстного окна при выполнении сложных, многоэтапных задач, требующих обращения к истории взаимодействий. arXiv · ИИ в бизнесе Оптимизация автоматизированной сортировки отходов с помощью ИИ Исследователи предложили новый подход к автоматизации сортировки бытовых отходов, объединяющий методы машинного обучения с участием человека (Human-in-the-Loop). Использование стратегий классификации One-Vs-All и One-Vs-Rest с механизмом оценки уверенности модели позволяет значительно снизить количество ошибок при идентификации мусора, что критически важно для соблюдения строгих экологических норм и развития экономики замкнутого цикла в европейских муниципалитетах. Hacker News · Память и RAG GateMem: новый бенчмарк для управления памятью в мультиагентных системах Исследователи представили GateMem — специализированный бенчмарк для оценки механизмов управления памятью в системах, где несколько агентов или пользователей совместно используют общее хранилище данных. Основная проблема, которую решает проект, заключается в обеспечении безопасности и конфиденциальности при доступе к «разделяемой памяти» (shared memory). В условиях, когда агенты работают с данными от разных владельцев, возникает риск утечки информации или несанкционированного доступа к контексту, который не предназначен для конкретного участника процесса. MarkTechPost · Инфраструктура для агентов Создание легковесного ИИ-агента с поддержкой MCP и сессионной памяти Опубликовано руководство по сборке компактного ИИ-агента в среде Google Colab, демонстрирующее архитектурные принципы построения автономных систем. Проект охватывает реализацию ключевых компонентов: абстракцию провайдеров, систему регистрации инструментов, механизмы сессионной памяти, жизненный цикл задач и интеграцию с серверами MCP. Вместо использования готовых фреймворков автор предлагает реализовать каждый блок с нуля для глубокого понимания взаимодействия компонентов. Hacker News · Память и RAG Локальная система памяти для RAG с возможностью записи ИИ Разработчик Paul Tobey представил локальную систему памяти для RAG (Retrieval-Augmented Generation), которая позволяет ИИ-агентам напрямую записывать информацию. Проект доступен на GitHub и реализует механизм, аналогичный Memory Control Plane (MCP), но с упором на локальное хранение данных. Microsoft Research · Оркестрация агентов MagenticLite: агентная система для малых моделей от Microsoft Research Microsoft Research представила MagenticLite — агентную систему, оптимизированную для работы с малыми моделями. Она поддерживает выполнение задач как в браузере, так и в локальной файловой системе, что делает её универсальным решением для повседневных задач. Система объединяет специализированные модели и оркестрацию, что позволяет эффективно использовать ограниченные вычислительные ресурсы. arXiv · Оркестрация агентов Метод генеративной композиции навыков для ИИ-агентов Исследователи представили фреймворк Generative Skill Composition (GSC), который оптимизирует работу ИИ-агентов при решении сложных многоэтапных задач. Вместо использования монолитных промптов система динамически выбирает и комбинирует модульные «навыки» из библиотеки. Это позволяет агентам эффективнее справляться со специализированными операциями, такими как настройка изолированных сред, запуск тестов или рефакторинг кода в распределенных файловых структурах. Hacker News · ИИ в бизнесе Опыт разработки сложного ПО: сравнение продуктивности с ИИ и без него Разработчик поделился результатами 15-месячной работы над эмулятором облачной инфраструктуры Azure с открытым исходным кодом. Автор сравнил эффективность написания кода в периоды использования ИИ-ассистентов и без них, проанализировав влияние инструментов на скорость реализации сложных архитектурных задач, качество отладки и общую динамику разработки проекта в долгосрочной перспективе.

← Все материалы