Про важность обвязки (харнеса) и прогрессирующую экстернализацию у LLM агентов. Externalization in LLM Agents: A Unified Review of Memory, Skills, Protocols and Harness Engineering __Chenyu Zhou, Huacan Chai, Wenteng Chen, Zihan Guo, Rong Shan, Yuanyi Song, Tianyi Xu, Yingxuan Yang, Aofan Yu, Weiming Zhang, Congming Zheng, Jiachen Zhu, Zeyu Zheng, Zhuosheng Zhang, Xingyu Lou, Changwang Zhang, Zhihui Fu, Jun Wang, Weiwen Liu, Jianghao Lin, Weinan Zhang__ Paper: https://arxiv.org/abs/2604.08224 Review: https://arxiviq.substack.com/p/externalization-in-llm-agents-a-unified Code: N/A Model: N/A # TL;DR Что сделали: Сформулировали системный подход, который объясняет развитие ИИ-агентов на базе больших языковых моделей (LLM — алгоритмов, предсказывающих следующее слово в тексте) не через увеличение нейросетей, а через вынос когнитивных задач во внешнюю инфраструктуру — память, готовые наборы навыков и протоколы взаимодействия под управлением специальной программной «обвязки» (harness). Почему это важно: Попытки заставить модель решать сложные многошаговые задачи только за счёт её внутренних весов и длинных, хрупких текстовых запросов (промптов) часто приводят к ошибкам. Перенос этих функций во внешнюю среду делает ИИ-системы безопаснее, предсказуемее и проще в аудите без необходимости постоянно переобучать саму модель. Экстернализировать тут: https://t.me/gonzo_ML_podcasts/3878