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.
