Направления наибольшего прогресса в LLMs
Направления наибольшего прогресса в LLMs
В середине 2026 оформились несколько направлений, где прогресс стал наиболее видимым.
Высокоэффективные парсинг и навигация веб-сайтов в полностью автоматизированном формате с достаточно эффективными скриптами это решает одну из центральных проблем сбора данных.
Для загрузки данных через API ИИ не нужен все решалось существующими технологиями, но все, что вне контура API требовало утомительной ручной работы.
Да, можно было извращаться с написанием скриптов парсинга, но ни один из них не был ни надежным, ни стабильным (при изменении формата веб-ресурсов и данных).
Нужна была технология по динамическому считыванию структуры веб-ресурсов, которая решается исключительно через LLMs и никак иначе в условиях неструктурированных массивов данных.
LLMs стали превосходным интегратором и агрегатором данных, особенно среди неструктурированных массивов информации. Всего год назад это было невозможно из-за галлюцинаций, ограниченного рабочего контекста и выполнения процедур внутри собственной песочницы.
Теперь сбор, систематизация, консолидация, интеграция и синхронизация данных идут через внешние инструменты с проверкой контрольных сумм в рамках автоматизированной валидации.
Другими словами, работу с данными ведут внешние инструменты (ранее созданные или написанные с нуля самими LLMs), где LLMs выступают в роли арбитра, дирижера, как бы оркестрируя инструментами (подбирая, вызывая и управляя нужными инструментами, утилитами, скриптами, навыками и т.д.) и обеспечивая финальную сверку и сборку проекта.
Еще весной все это не работало, теперь работает. Не идеально, но прогресс значительный.
Инструментальная работа. Любой проект это тысячи или десятки тысяч составных элементов, каждый из которых может быть изолированным, иметь собственную структуру, характеристики и свойства.
Ценность LLMs не в попытке синтезировать, генерировать результат из собственного корпуса данных / знаний здесь как раз полный провал и именно поэтому до 2026 ничего не работало.
Ценность ИИ в склейке результатов работы различных инструментов в единое целое, каждый из которых представляет собой созданные под локальные задачи скрипты, как правило, написанные на языке Python.
Не ИИ занимается расчетами, этим занимаются заранее написанные программные модули, чем и обеспечивается высокая точность и проверяемость.
Таким образом, задача валидации отдается на аутсорсинг внешним инструментам, где LLMs лишь сверяет контрольные суммы, формирует задачи, перенаправляет потоки данных и управляет атрибутами.
Агентные возможности это прежде всего многоагентная оркестрация и маршрутизация ИИ-агентов + агентные оболочки типа Hermes или OpenClaw.
Ранее формализовал определение ИИ-агента автоматизированная интеллектуальная система, которая способна самостоятельно декомпозировать поставленную задачу на блоки, фрагменты, этапы и составляющие, находить нужный инструмент под каждую задачу, запускать цикл выполнения с обязательной валидацией, корректировать ход выполнения работы, иметь возможности отката на несколько итераций назад, действуя при этом строго в рамках очерченных инструкций, контуров и допусков, самостоятельно фиксируя момент завершения.
Соединяя все в единую логическую конструкцию, получается примерно так: ИИ разбивает / декомпозирует исходную задачу оператора на составные элементы, формирует вектор решения, консолидирует необходимый пул инструментов, запускает выполнение, маршрутизируя потоки данных, далее получает выходной результат от инструментов, интегрирует в единое целое, сверяет с поставленной задачей, при необходимости корректирует результат или вектор решения, а далее формирует итоговую сборку проекта.
Ранее описывал ограничения (по большей части направлений прогресс в LLMs близок к исчерпанию), но для коммерческого или научного внедрения не хватало как раз вышеописанных элементов.
Это те самые недостающие элементы, который ранее разрушали всю конструкцию проекта оркестрация инструментами и субагентами, маршрутизация данных, качественный экстракт неструктурированных массивов информации (веб-сайты, сложные файлы, базы данных), внешняя валидация. Это не все направления прогресса, но наиболее чувствительные.
Не все работает идеально, но прогресс значительный в наиболее критических областях, причем за последние 1-2 месяца.