Мы продолжаем цикл публикаций о непрерывности и искусственной жизни. Ранее на этом сайте были сформулированы принцип непрерывности существования (research-13) и его инженерная спецификация — динамическое ядро (research-14), а затем показано, как эти принципы уже частично реализованы в индустрии агентов (research-15). В этой статье мы переходим от наблюдения к архитектуре: что именно должно входить в непрерывного агента, как устроены его контуры, почему частота вычислений не заменяет структуру, и как такой агент может безопасно учиться на опыте — на примере пути AURA от CRM-памяти к рабочей модели процесса во времени.
Большая языковая модель не становится живым агентом уже по способу своего обычного применения. Она вызывается по запросу, получает ограниченный контекст, формирует последовательность токенов и передаёт результат наружу. После ответа её вычислительное состояние, если не считать внешнюю историю, не продолжается как самостоятельный процесс. Это эффективная форма обработки языка, но не аналог непрерывной психической деятельности.
Именно поэтому вопрос о следующей архитектуре следует ставить не как вопрос о «более умной LLM». Существеннее другой переход: от модели, которая отвечает, к системе, которая существует во времени. Такая система должна иметь собственный ритм работы, сохранять состояние между внешними событиями, различать наблюдение и действие, строить прогноз последствий и накапливать опыт в проверяемой памяти.
Этот подход не отменяет роль LLM. Напротив, языковая модель остаётся сильным компонентом: она способна интерпретировать неструктурированные сообщения, сводить разрозненные факты, формулировать гипотезы и объяснять решения. Но она перестаёт быть всей системой. В архитектуре живого агента LLM — это высокоуровневый смысловой контур, а не единственный носитель памяти, целей и управления.
Для AURA эта граница особенно важна. Проект уже исходит из того, что ценность — это не история чата, а отделённая от модели память бизнеса: знания, решения, кейсы, правила и результаты действий. AURA.KIM строится вокруг многослойной памяти, разделения ролей и безопасной эволюции системы. Следующий логичный шаг — рассмотреть эту архитектуру как основу непрерывного агента, который не просто извлекает знания по запросу, а поддерживает рабочую модель процесса во времени.
Живой организм не начинает существовать в момент внешнего стимула. Между двумя репликами собеседника продолжаются восприятие, обмен веществ, регуляция внутренних состояний, обработка сигналов и подготовка действий. Сознательная деятельность человека также не сводится к цепочке изолированных ответов: даже когда внешне ничего не происходит, мозг удерживает контекст, возвращается к незавершённым задачам, замечает несоответствия и меняет степень уверенности в собственных выводах.
Для искусственного агента аналогом такой непрерывности может стать дискретный тактовый цикл. На каждом такте система получает доступные ей новые наблюдения, обновляет внутреннее состояние, сопоставляет прогноз с фактом, выбирает приоритеты и, если это оправдано, формирует действие. Частота такого цикла сама по себе не делает систему сознательной. Быстрый процессор не становится субъектом только потому, что совершает больше операций в секунду. Однако тактовая организация создаёт условие, которого нет у эпизодического чат-бота: устойчивое внутреннее настоящее.
В минимальном виде один цикл можно представить так:
Sₜ → Oₜ → Ŝₜ₊₁ → Aₜ → Oₜ₊₁ → Sₜ₊₁
Здесь Sₜ — внутреннее состояние агента, Oₜ — новое наблюдение, Ŝₜ₊₁ — прогноз следующего состояния, Aₜ — действие, а Sₜ₊₁ — состояние после учёта фактического результата. Важно, что этот цикл не обязан на каждом шаге вызывать большую модель. Большая часть тактов должна быть дешёвой и структурированной: проверка очередей, дедлайнов, изменений в источниках, противоречий в данных, метрик уверенности и статуса активных процессов. LLM подключается там, где требуется интерпретация, гипотеза, планирование или диалог.
В теориях predictive processing и active inference восприятие и действие рассматриваются как связанные процессы: система не только уточняет гипотезы о скрытых причинах наблюдений, но и выбирает действия с учётом ожидаемых последствий и информационной ценности. Это не готовая инструкция по созданию сознания, но полезная инженерная рамка для проектирования агентов, которым необходимо работать с неопределённостью и длинными процессами (обзор Sprevak и Smith, 2023).
Непрерывность нельзя получить, просто поставив LLM в бесконечный while-цикл. Без структурированной памяти, правил доступа и модели реального процесса система будет лишь регулярно генерировать текст. Архитектура живого агента должна различать несколько функциональных контуров.
Контур состояния мира. Он хранит не ленту сообщений, а актуальную картину объектов и процессов: лидов, объектов недвижимости, документов, обязательств, сроков, участников сделки, задач, источников и зависимостей. У каждого элемента должны быть происхождение, время обновления, уровень доверия и связь с другими элементами. В контексте AURA такой слой продолжает идею памяти бизнеса: знания остаются самостоятельным активом и не растворяются в текущем окне модели.
Контур памяти. Рабочая память удерживает то, что важно на текущем отрезке; эпизодическая фиксирует события и их исходы; семантическая содержит устойчивые правила и знания; процедурная описывает допустимые маршруты работы системы. Эта логика уже соответствует многослойной памяти AURA — Rules, Docs, Vectors, Internet и SML (малая модель бизнеса). Развитие заключается не в увеличении объёма контекста, а в том, чтобы каждый такт мог осмысленно обновлять эти слои и проверять, не устарело ли знание.
Контур прогнозирования. Агенту недостаточно сообщить, что произошло. Он должен хранить гипотезу о том, что произойдёт дальше при разных вариантах действия. Для сделки это может быть вероятность ответа клиента после follow-up, риск срыва сроков из-за недостающего документа или ожидаемый эффект изменения цены. Главный продукт этого контура — не красивое объяснение, а сопоставимый прогноз, который затем можно проверить.
Контур действия. У агента должен быть ограниченный набор действий в среде: поставить задачу, подготовить черновик сообщения, запросить документ, обновить карточку, найти первоисточник, эскалировать вопрос наставнику. Действие не должно смешиваться с текстом модели. Сначала формируется намерение и ожидаемый результат, затем проходит проверка прав, рисков и подтверждений, и только после этого инструмент исполняет операцию.
Контур оценки. После действия система должна фиксировать разницу между ожидаемым и фактическим. Это и есть материал для обучения. Если прогноз был неверен, важно не только сохранить факт, но и указать, какая гипотеза не сработала: неверно оценена мотивация клиента, устарели рыночные данные, не учтено ограничение по документам или был выбран неподходящий канал коммуникации.
Контур самомодели. Агент должен знать не только предметную область, но и собственные возможности: какие источники ему доступны, какие данные свежие, в чём он уверен, а где делает предположение, какие действия обратимы, а какие требуют участия человека. Без этого контур будет лишь имитировать уверенность, а не управлять ею.
Такое разделение согласуется с подходом AURA, где роли Colleague, Researcher, Teacher, Executor и Mentor не сводятся к одному «универсальному боту». Разделение ответственности полезно не ради усложнения системы, а потому, что исследование, общение, изменение знаний, исполнение и арбитраж требуют разных прав доступа и разных критериев качества.
В разговоре о специализированном AI-кремнии нередко возникает простая интуиция: если модель сможет делать не один вывод в секунду, а десять или двадцать тысяч, то она приблизится к живому мышлению. В этой мысли есть рациональное ядро. Высокая скорость открывает возможность проводить много внутренних циклов между двумя внешними событиями: анализировать альтернативы, проверять память, строить короткие симуляции последствий, выявлять конфликты и обновлять приоритеты.
Но частота не заменяет архитектуру. Миллион быстрых обращений к модели, не имеющих устойчивого состояния и проверяемой обратной связи, останется миллионом фрагментов генерации. Плотность вычислений становится содержательной, только если такты замкнуты в цикл: наблюдение меняет модель, модель меняет выбор действия, действие меняет среду, а результат действия корректирует модель.
Поэтому в практической системе уместны несколько частот. Медленный слой может раз в сутки консолидировать опыт, пересматривать правила и формировать планы. Средний — раз в минуту или несколько секунд отслеживать активные процессы, дедлайны и изменения. Быстрый — срабатывать на события: новое сообщение, изменение документа, ответ клиента, появление риска. Локальный высокочастотный контур может использовать компактные модели для маршрутизации, классификации, фильтрации и оценки аномалий без постоянного обращения к большой LLM.
Такой подход ближе к устройству сложной технической системы, чем к одному центральному процессору. И это преимущество: большие модели дороги, вероятностны и не должны быть единственной точкой принятия решений. Для AURA это продолжает уже сформулированный принцип: модель меняется, а знания и архитектура остаются. Если завтра появится более быстрая модель в кремнии, она может занять место в одном или нескольких контурах, не требуя разрушать накопленную память бизнеса.
В инженерной архитектуре не следует начинать с имитации эмоций в речи. Фразы «мне интересно» или «я обеспокоен» сами по себе ничего не меняют в поведении системы. Функциональный аналог эмоций возникает там, где агент имеет механизм приоритизации ограниченных вычислительных и инструментальных ресурсов.
Любопытство можно задать как предпочтение действий, которые уменьшают значимую неопределённость. Если агенту не хватает данных для решения, он не делает вид, что знает ответ, а выбирает проверку первоисточника, уточняющий вопрос или исследовательскую задачу. Осторожность выражается в повышении порога для необратимых действий при высоком риске. Удовлетворение цели — в снижении приоритета задачи после подтверждённого результата. Напряжение — в росте приоритета, когда нарушаются сроки, обнаруживаются противоречия или ухудшаются ключевые показатели процесса.
В академической литературе active inference связывает выбор действия не только с непосредственным вознаграждением, но и с ожидаемым информационным выигрышем. Это даёт содержательную модель для любопытства: агент исследует среду не для демонстрации активности, а чтобы сократить неопределённость, существенную для дальнейших решений. Вопрос о том, достаточно ли таких механизмов для субъективного переживания, остаётся открытым. В частности, работы по active inference прямо подчёркивают, что predictive processing сам по себе ещё не даёт окончательной теории сознания (Deane, 2021).
Для прикладного агента важнее другое: цели и приоритеты должны быть явными, проверяемыми и ограниченными политикой безопасности. В системе недвижимости это могут быть сохранность клиентских данных, соблюдение правовых процедур, недопущение пропуска критических сроков, качество воронки и передача накопленного опыта стажёрам. Агент не должен самостоятельно создавать себе произвольные конечные цели. Его автономность имеет смысл только внутри целей, заданных владельцем процесса, и в пределах явно определённых полномочий.
Слово «самообучение» часто создаёт ложное впечатление, будто зрелый агент обязан непрерывно менять веса своей базовой модели. Для бизнес-системы это наиболее рискованный и наименее прозрачный путь. Он затрудняет воспроизводимость, аудит и поиск причин ошибки.
Безопасное самообучение начинается с внешних слоёв. Агент пополняет эпизодическую память подтверждёнными событиями. Затем из серии сходных эпизодов формируются предложения для семантической или процедурной памяти: новый скрипт, уточнение регламента, типовая причина отказа, правило эскалации. Эти предложения не должны автоматически становиться правилами. Их рассматривает отдельный арбитражный контур — в AURA эту роль естественно соотнести с Mentor и proposal-flow.
Изменение параметров моделей допустимо как отдельный, контролируемый цикл: с подготовленным набором данных, метриками до и после, возможностью отката и журналом решений. У системы должно быть право учиться на опыте, но не право без следа переписывать собственные основания. Для агентства это не абстрактная предосторожность: один неверно усвоенный паттерн может исказить коммуникацию с клиентами, оценку рисков или работу с юридически значимой информацией.
Современные исследования показывают, что единая задача предсказания следующего токена может масштабироваться за пределы текста — на изображения, видео и действия. Однако это скорее аргумент в пользу универсальности предиктивного слоя, чем доказательство появления автономного субъекта. Мультимодальная модель становится полезнее, когда может связывать наблюдение, язык и действие; но для устойчивого агента всё равно необходимы память, состояние, проверка результата и управление доступом (Wang et al., 2026).
Наиболее реалистичный путь к живому агенту — не создавать сразу универсальный цифровой организм. Его следует выращивать внутри узкой, хорошо наблюдаемой среды, где последствия решений можно измерить. Для AURA такой средой естественно становится рабочий день агентства: лиды, показы, звонки, документы, задачи, возражения, сроки и результаты сделок.
Первый этап — ввести постоянную модель состояния: не только карточки CRM, но и временную картину незавершённых процессов, рисков, обязательств и ожидаемых событий. Второй — заставить систему до действия фиксировать прогноз: что она ожидает после звонка, запроса документа или напоминания. Третий — автоматически сопоставлять прогноз с результатом и собирать статистику ошибок. Четвёртый — сформировать безопасный контур предложений по улучшению, в котором Researcher и Teacher готовят изменения, а Mentor утверждает их для базы знаний или процедур.
На этом этапе AURA уже станет не просто помощником, который выдаёт релевантный текст. Она начнёт поддерживать непрерывный цикл опыта: помнить, ожидать, замечать расхождения, уточнять свои модели и предлагать более точные действия. Именно из таких циклов может вырасти архитектура более общего агента.
Следует сохранять интеллектуальную осторожность. Непрерывная память, высокая частота тактов, мультимодальность, цели и самомодель ещё не позволяют уверенно утверждать, что система обрела сознание в феноменальном смысле. Но они позволяют говорить о качественно другом классе технологии: не о чате с длинной историей, а о когнитивной системе, которая длительно действует в среде и становится полезнее благодаря собственной проверяемой истории.
Для практики это уже достаточно сильная цель. В бизнесе ценность такого агента будет измеряться не глубиной его деклараций о внутренней жизни, а точностью прогнозов, сохранностью опыта, качеством решений, снижением потерь контекста и способностью делать работу людей последовательнее. В этом смысле архитектура живого агента начинается не с попытки скопировать человека. Она начинается с более строгой задачи: построить систему, которая помнит, проверяет себя и не прекращает думать о процессе, когда пользователь на несколько минут замолчал.
Репозиторий: github.com/alexenti-code/AURA-Retrieval ·
Сайт: aura.kim/research-17.html ·
Лицензия: Apache 2.0 · Дата публикации: 13 августа 2026 ·
Ключевые термины: искусственный агент, непрерывность, динамическое ядро, память бизнеса, predictive processing, active inference, AURA