➡️****Вторая память мистера президента и котики

Наткнулся на проект GBrain от Гарри Тана - президента Y Combinator. Он построил его для собственных агентов на базе Клешни и Гермеса, а потом выложил в открытый доступ.

Что такое GBrain?

По сути, это долговременная память для ИИ-агентов. Причем не просто папка с файлами, куда агент складывает результаты работы.

GBrain умеет искать информацию по смыслу, связывать людей, компании, проекты и идеи, находить противоречия, отслеживать изменения и формировать ответы на основе накопленных знаний.

Например, можно спросить, как за последние полгода менялось мое мнение по какой-то бизнес-идее, какие аргументы повлияли на решение и почему я отказался от первоначального варианта.

Система находит связанные материалы, восстанавливает историю и формирует ответ со ссылками на первоисточники.

Скиллы и котики

В проекте довольно много скиллов. Выбрал самые интересные и попробую показать, как они работают, на простом примере.

Допустим, у нас есть сайт про котиков, который ведет ИИ-агент. Он пишет статьи, изучает породы, собирает информацию и постепенно развивает сайт.

Посмотрим, чем ему могут помочь разные скиллы.

1️⃣ skill-autobench - запоминает ошибки агента и делает из них проверки

Агент написал статью про котиков, но забыл добавить сравнение пород. Мы его поправили.

Скилл находит этот случай в истории работы и сохраняет как проверочное задание: написать статью со сравнением пород и проверить, что сравнение действительно присутствует.

Теперь при изменении инструкций агента можно проверить, не повторяет ли он эту ошибку.

2️⃣ skill-optimizer - улучшает инструкции агента

Берет скилл по написанию статей про котиков и пробует изменить его инструкции.

Например, добавляет требование сравнивать породы, когда этого требует задание. Затем дает старой и новой версиям одинаковые задания и сравнивает результаты.

Если новая версия справляется лучше и не проваливает прежние проверки, изменение можно принять.

3️⃣ idea-lineage - показывает, как развивалась идея

Сначала мы хотели сделать просто блог про котиков. Потом решили добавить каталог пород. Затем придумали сервис подбора кота под образ жизни хозяина.

Скилл восстанавливает всю эту историю: какие идеи появлялись, от чего отказались, почему изменили концепцию и к чему пришли сейчас.

4️⃣ correction-pipeline - исправляет ошибки в накопленных знаниях

Агент написал, что всем взрослым котам полезно пить молоко. Мы указали, что многие взрослые кошки плохо переносят лактозу.

Вместо исправления только одной статьи скилл ищет, откуда взялась ошибочная информация, исправляет ее в базе знаний и проверяет другие материалы, где она могла использоваться.

5️⃣ brain-ingest-gate - не дает плодить дубликаты

Агент нашел новую статью про кормление котиков и хочет сохранить ее в общую память.

Скилл сначала проверяет, что уже известно по этой теме. Если информация повторяется, новую страницу создавать не нужно. Если появились дополнительные полезные сведения — можно дополнить существующий материал.

6️⃣ context-audit - наводит порядок в инструкциях

За полгода мы написали агенту кучу правил. В одном месте указано, что статьи должны быть короткими, в другом — что каждая статья должна содержать минимум 5000 слов.

Скилл находит такие противоречия, повторяющиеся инструкции и устаревшие требования. Показывает, что можно убрать или объединить, чтобы агент не тратил токены на лишний контекст.

7️⃣ two-tier-extraction - экономит деньги на анализе материалов

Мы нашли 1000 статей про котиков и хотим извлечь из них полезные знания.

Вместо того чтобы отправлять все статьи дорогой модели, сначала запускаем дешевую. Она отсеивает повторы, рекламу и малополезные материалы.

А наиболее интересные статьи отправляет на подробный анализ более сильным моделям.

В итоге получаем нужные знания с меньшими затратами на токены.

Что в итоге?

Понравилось как GBrain работпет с памятью. Пока только изучил проект, но несколько идей точно хочется забрать себе

Финальная мысль

Берегите своего внутреннего котика и не забывайте обращать на него внимание❤️