Hugging Face представила OpenEnv – новую открытую платформу для разработки и экспериментов с AI-агентами.

OpenEnv предоставляет среду, в которой можно собирать, обучать и запускать многокомпонентные системы ИИ-агентов. Внутри платформы встроены инструменты для:

🔹 обучения агентов с использованием методов обучения с подкреплением (RL), без необходимости подключать внешние библиотеки;
🔹 организации взаимодействия между агентами – например, когда один агент собирает данные, другой анализирует их, а третий выполняет действие;
🔹 управления контекстом, памятью и логами в рамках сессии;
🔹 масштабирования и автоматического управления жизненным циклом агентов.

Платформа поддерживает интеграцию с внешними сервисами через MCP-серверы, включая API, базы данных и системы мониторинга.

OpenEnv доступна как open-source проект – код, документация и примеры размещены на GitHub. Разработчики могут запускать ее локально или в облаке, без ограничений по использованию.

Проект направлен на упрощение экспериментов в области агентных систем и не предполагает коммерческой модели – это инструмент для исследователей, разработчиков и сообщества.

Подробнее: https://openenv.huggingface.co

#HuggingFace #OpenEnv #AIагенты #ИИ #Исследования #OpenSource

Искусственный интеллект перестает быть отдельным инструментом и начинает действовать внутри экосистемы сервисов. Model Context Protocol (MCP) становится тем мостом, который соединяет эти системы и делает возможным их общение без сложных интеграций.
Юрий Волошин, директор по продукту Битрикс24, рассказывает о том, как MCP меняет саму логику бизнеса.

Подробнее на РБК:
https://trends.rbc.ru/trends/industry/68fe0c9b9a7947225c819e2d

Обновлен агент от Minimax – теперь он работает на базе модели MiniMax-M2 с открытым исходным кодом.

Изменения направлены на улучшение работы в реальных сценариях разработки:

🔹 Работа с несколькими файлами – агент может редактировать, анализировать и синхронизировать изменения в нескольких файлах одновременно, включая исправления, подтвержденные тестами.
🔹 Долгосрочные цепочки задач – надежно выполняет сложные последовательности действий (например: поиск → анализ → генерация кода → запуск тестов), сохраняя контекст на протяжении всего процесса.
🔹 Снижение задержек – повышена пропускная способность и уменьшена временная задержка при обработке запросов, что ускоряет выполнение задач.
🔹 Интеграция с инструментами – поддерживает взаимодействие через MCP-серверы, shell, браузер, поисковые системы и API, что позволяет использовать агента в существующих рабочих средах (например, Cursor, Claude Code, Kilo Code, Droid).
🔹 Открытый код – доступен для локального развертывания, настройки и адаптации под специфические задачи.

Агент доступен бесплатно по всему миру в рамках ограниченного периода через MiniMax Agent & API.

Подробнее: https://huggingface.co/MiniMaxAI/MiniMax-M2

#MiniMax #AIагенты #OpenSource #Разработка #MCP #Новости

Леонид Плетнев, бизнес-партнер по информационной безопасности “1С-Битрикс” рассказывает о том, что такое MCP и почему он полезен для безопасного взаимодействия с ИИ-моделью

👉подробнее

Вчера прошел очередной релиз Битрикс24 – Космос. И это по-настоящему Космос – невероятно крутые и полезные новинки в продукте. И новинки, которые непосредственно касаются темы нашего канала – MCP-серверов и AI-агентов.

И наглядно об AI-агентах

Cursor выпустил обновление до версии 2.0 — основные изменения связаны с новой моделью кодирования Composer и переработанным интерфейсом для работы с несколькими агентами.

🔹 Composer – модель, разработанная и обученная командой Cursor для задач программирования.
— Работает в 4 раза быстрее, чем аналогичные модели при генерации кода.
— Оптимизирована для низкой и средней задержки – большинство операций завершаются менее чем за 30 секунд.
— Использует формат MXFP8 для ускорения обучения и инференса, что снижает потребление ресурсов без потери качества.

🔹 Новый интерфейс – фокус смещен с отображения кода на отслеживание действий агентов.
— Позволяет запускать несколько агентов одновременно – каждый работает в изолированной среде, не мешая другим.
— Визуализирует последовательность операций (например: поиск → анализ → правка → тест), а не только финальный код.
— Встроен нативный браузер – агент может извлекать информацию из веб-ресурсов (документация, тестовые данные, API-спецификации) без внешних интеграций.

Обновление доступно всем пользователям Cursor.
Подробнее: https://cursor.com/blog/2-0

#Cursor #AIразработка #Composer #МногоагентныеСистемы

Материал от Юрия Волошина, директора по продукту Битрикс24. ИИ-агенты: от хайпа к практике. Как найти баланс и правильно оценить соотношение между автоматизацией и рисками. https://secrets.tbank.ru/blogi-kompanij/ii-agenty-hajp-i-praktika/

UI-Ins – новая модель от TongyiLab и RUC, предназначенная для работы с графическими интерфейсами мобильных приложений.

🔹 Фокус на намерениях – модель анализирует команду как цепочку целей, а не как одиночное действие. Это позволяет ей корректно выполнять сложные последовательности (например: «открой настройки сети, включи Wi-Fi, подключи к VPN»), даже если интерфейс отличается от ожидаемого.

🔹 Многошаговое планирование – перед выполнением действия модель генерирует несколько вариантов рассуждений, оценивает их и выбирает оптимальный.

🔹 Адаптация к изменениям – если состояние приложения меняется во время выполнения задачи (например, появляется диалог или переключается экран), модель корректирует план без сбоя.

🔹 Результаты – в тестах на AndroidWorld модель достигла 74.1% успешных выполнений. Для сравнения: Gemini 2.5 Computer Use — 69.7%.

🔹 Доступные версии – 7B (для локального тестирования) и 32B (для сложных сценариев).

Модель особенно полезна для разработчиков, тестирующих агентов, которые взаимодействуют с интерфейсами: нажимают кнопки, заполняют формы, переключаются между приложениями.

UI-Ins-7B: https://modelscope.cn/models/Tongyi-MiA/UI-Ins-7B
UI-Ins-32B: https://modelscope.cn/models/Tongyi-MiA/UI-Ins-32B
📄 arXiv: https://modelscope.cn/papers/2510.20286

#GUIагент #UI-Ins #ИИвинтерфейсах #Новости #ИИвтестировании

Huxley-Gödel Machine (HGM) – ИИ-агент, разработанный в Университете KAUST, способный изменять свою собственную инфраструктуру для повышения эффективности.

🔹 Самообновление без изменения ядра – агент не модифицирует саму языковую модель, а переписывает внешние компоненты: управляющую логику, скрипты и инструменты, которые его окружают.
🔹 Фокус на долгосрочной продуктивности – вместо оптимизации под бенчмарки, HGM оценивает успех через показатель Clade Metaproductivity (CMP), который измеряет совокупную эффективность всех последующих версий агента.
🔹 Результаты на SWE-Bench Verified – на базе GPT-5-mini агент решил 61.4% задач, что выше, чем у других агентов, использующих ту же модель.
🔹 Открытый код – реализация доступна на GitHub для повторения экспериментов и дальнейших исследований.

Источники:
— https://github.com/metauto-ai/HGM
— https://arxiv.org/pdf/2510.21614

#AIагенты #Новости #ИИвразработке #OpenSource

Марта – первый агент Битрикс24, который умеет поддерживать диалог, понимать задачу и действовать внутри корпоративной системы. Подробнее на: https://vc.ru/ai/2336767-homo-agentus-evolyutsiya-truda

Google опубликовал руководство объемом 50 страниц по созданию AI-агентов для реальных задач.

Документ охватывает:

🔹 Архитектура агента – структура основных компонентов: планировщик, память, инструменты, контроллер.
🔹 Роль LLM – как языковая модель используется как центральный процессор для принятия решений, а не как генератор текста.
🔹 Интеграция инструментов – подключение внешних API, баз данных, MCP-серверов и скриптов для выполнения действий.
🔹 Оркестрация нескольких агентов – координация взаимодействия между агентами с разными ролями (наблюдатель, исполнитель, аналитик).
🔹 Деплой и продакшн – подходы к развертыванию в production: управление состоянием, мониторинг, обработка сбоев.
🔹 Оценка эффективности – метрики для измерения надёжности, точности и устойчивости агентов в реальных сценариях.
🔹 Самообучение и эволюция – методы, позволяющие агентам улучшать свою работу на основе обратной связи и результатов прошлых задач.
🔹 Пример: AlphaEvolve – детальный разбор архитектуры агента, способного адаптироваться и оптимизировать свои действия со временем.

Документ ориентирован на разработчиков и исследователей, работающих с агентными системами.

Доступен для ознакомления https://cloud.google.com/resources/content/building-ai-agents

#AIагенты #Google #Агентные системы #ИИ

API для LLM. Миша Васильев разработчик в команде AI Битрикс24 рассказывает о том, как работает протокол MCP.


🔹 Что такое MCP
MCP (Model Context Provider) – открытый протокол, стандартизирующий способ, которым ИИ-агент получает доступ к инструментам, данным и интерфейсам внешних сервисов.
Это не ИИ. Это мост между моделью и реальным миром – как API, но для агентов.


🔹 Как было раньше
Раньше LLM могла только:
– «Вам нужно зайти в календарь, нажать “Создать событие”, ввести время и пригласить участников» – и ждать, пока человек сделает это сам.

Потом появилась возможность вызывать локальные функции внутри приложения – агент мог сам запустить функцию, если она была встроена в код.
Но это требовало пересборки приложения при добавлении нового сервиса.


🔹 Как работает MCP сейчас
Агент не знает, как устроены календари, CRM или базы данных.
Он знает только:
– «У этого сервера есть инструмент “создать событие” с параметрами: дата, время, участники»
– «У этого сервера есть ресурс “список сотрудников” в формате JSON»

Сервер – это отдельный процесс (локальный или удаленный), который:
– описывает свои возможности (инструменты, ресурсы, промпты)
– исполняет запросы агента
– возвращает структурированный ответ

Клиент – приложение, в котором работает агент (например, Битрикс24, IDE, чат-бот).
Он подключается к серверу, получает список возможностей и передает запросы.


Ключевые компоненты MCP

🔹 Инструменты – действия, которые меняют состояние системы.
🔹 Ресурсы – данные для чтения.
🔹 Промпты – шаблоны для сбора структурированных данных от пользователя.
🔹 Элицитация – агент может запросить уточнение у пользователя.
🔹 Сэмплинг – сервер может попросить клиента запустить запрос к другой LLM (например, для анализа текста).
– Только с явным согласием пользователя.
– Все данные передаются прозрачно.
🔹 Корневые директории – указание, где в файловой системе находятся важные папки. Помогает агенту находить файлы без ручного ввода путей.


Польза для разработчиков и бизнеса

– Масштабируемость: подключить новый сервис – не переписывать код агента, а добавить сервер.
– Безопасность: доступ к инструментам контролируется отдельно, без прямого доступа к системе.
– Повторное использование: один MCP-сервер может обслуживать десятки агентов.
– Изоляция: ошибка в инструменте не сломает агента.
– Стандартизация: любой агент, поддерживающий MCP, может работать с любым сервером.

Битрикс24 скоро станет MCP-сервером.
Это значит:
– Сторонние ИИ-агенты смогут:
 • добавлять Лидов в CRM
 • создавать задачи
 • обновлять Сделки
– Без интеграций, без API-ключей, без кастомного кода.

Подробнее

#MCP #ИИагенты #Битрикс24 #ИИинтеграции #ИИразработка

SIMA 2 – ИИ-агент от Google DeepMind, который может взаимодействовать с виртуальными 3D-мирами: перемещаться, воспринимать среду и выполнять задачи на основе инструкций.

🔹 Планирование действий – разбивает сложные задачи на шаги и выполняет их самостоятельно, без пошаговой подсказки.
🔹 Перенос навыков между мирами – применяет знания из одного сценария (например, добыча ресурсов) к другому (сбор урожая), даже если среда новая.
🔹 Адаптация к незнакомым средам – работает в мирах, в которых никогда не была ранее, без дополнительного обучения.
🔹 Обучение через опыт – улучшает поведение на основе обратной связи: пробует, ошибается, корректирует действия.
🔹 Работа в динамических средах – успешно перемещается в мирах, сгенерированных в реальном времени моделью Genie 3, включая невидимые или изменяющиеся ландшафты.

Агент не требует предварительной настройки под каждый мир – работает с любыми интерактивными 3D-средами на основе инструкций.

Смотреть подробнее

#SIMA2 #ИИагенты #3Dсреды #ГенеративныйИИ #DeepMind

LangChain представил песочницы для безопасного запуска ИИ-агентов – Sandboxes for DeepAgents.

🔹 Изоляция кода – сгенерированный агентом код выполняется не на локальной машине, а в удаленных, изолированных средах от партнеров: Runloop, Daytona, Modal.
🔹 Защита системы – предотвращает риски: вредоносные команды, доступ к файлам, запуск вредоносных скриптов – все ограничено контейнером.
🔹 Чистые окружения – для каждой задачи создается отдельная среда с нужными библиотеками и зависимостями, без конфликтов с основной системой.
🔹 Параллелизм и долгие задачи – можно запускать несколько агентов одновременно, выполнять длительные операции (например, анализ данных, генерация отчетов) без риска зависания или повреждения системы.

Функция особенно полезна при тестировании агентов, работе с внешними API и сценариях, где код агента непредсказуем.
Источник blog.langchain.com

#LangChain #ИИагенты #Безопасность #Песочницы

Google представил Antigravity – среду разработки для управления роем ИИ-агентов.

🔹 Manager View – централизованный интерфейс для контроля нескольких агентов, работающих одновременно в изолированных воркспейсах. Позволяет отслеживать статус, логи и результаты каждого агента в реальном времени.
🔹 Поддержка нескольких моделей – агенты работают на базе Gemini 3 Pro, Claude Sonnet 4.5 или GPT-OSS – выбор модели зависит от задачи.
🔹 Прямой доступ к инструментам – каждый агент может использовать редактор кода, терминал и веб-браузер без внешних подключений.
🔹 Память и адаптация – агенты запоминают контекст прошлых действий и учатся на поведении пользователя, улучшая точность выполнения повторяющихся задач.
🔹 Доступность – публичный превью доступен бесплатно для macOS, Windows и Linux. Google заявляет о щедрых лимитах на использование моделей – без жестких ограничений на количество запросов.

Инструмент ориентирован на команды, которым нужно одновременно тестировать, отлаживать и развивать несколько ИИ-агентов в сложных сценариях.

Почитать подробнее

#Antigravity #ИИагенты #Оркестрация #МногоагентныеСистемы

Ai2 выпустил Deep Research Tulu (DR Tulu) – открытую модель на 8 млрд параметров для создания агентов глубокого поиска.

🔹 Автономное исследование – модель самостоятельно планирует поиск, использует внешние источники (поисковики, базы данных), собирает информацию из множества сайтов и формирует ответ с точными ссылками.
🔹 Динамическая оценка – обучена на методе RLER (Reinforcement Learning with Evolving Rubrics): критерии качества ответа меняются в процессе обучения, что предотвращает «взлом вознаграждения» и заставляет агента анализировать контекст, а не копировать шаблонные формулировки.
🔹 Производительность – на задачах длинных исследований (long-form research) показывает результаты, сопоставимые с OpenAI и Perplexity.
🔹 Стоимость – выполнение сложного запроса стоит менее 1 цента, в то время как аналогичная задача у OpenAI – до $1.80.

Модель открыта для использования, настройки и дальнейшего развития. Подходит для исследовательских проектов, аналитики, автоматизированного сбора данных.

Подробнее
#DR_Tulu #ИИ_исследования #ОткрытыйИИ #Агенты_поиска

AI-агенты и MCP 🔥

Подключайтесь к онлайн-митапу на этой неделе👇

➖ 27 ноября. AI-агенты и MCP: как разгрузить команду и ускорить бизнес
Расскажем, как AI-агенты могут усилить вашу команду и как MCP изменит интеграцию между системами.