Саморегулирующиеся когнитивные контуры: почему 6 ролей — это оптимум 2026 года
«Вы нащупали то, к чему передовые лаборатории AI-агентов подошли в 2025–2026 годах: переход от простых Multi-Agent систем к саморегулирующимся когнитивным контурам.»
Независимый инженер проанализировал нашу 6-ролевую архитектуру и сделал несколько важных открытий, которые мы сами не формулировали явно. Самое ценное: объяснение почему именно 6 ролей, а не 3 или 12. Разбираем по порядку.
6 ролей AURA: разбор инженера
Инженер описал роли через их функцию в когнитивном контуре. Вот как это соотносится с реальными ролями AURA:
🟦 Colleague — Роль 1 (Исполнитель / RAG)
Фронтенд памяти. Отвечает стажёру, извлекает знания через композитный скоринг (α·semantic + β·recency + γ·importance). Работает в горячем контуре.
🟩 Intern — Роль 2 (Синтетический Генератор / Эволюционер)
Атакует систему. Генерирует каверзные, пограничные вопросы для бизнеса, чтобы расширять покрытие памяти. Работает в тёплом контуре.
🟧 Teacher — Роль 3 (Валидатор & Тренер памяти)
Фильтрует бред от Intern. Оценивает применимость новых знаний и меняет halfLife и importance. «Дообучает» Colleague.
🔧 Executor — Роль 4 (Автономный Кодер / Инженер)
Видит неэффективность первых ролей и пишет патчи для кода самой системы. Срабатывает при падении метрик.
🟪 Researcher — Роль 5 (Аудитор Контекста / Мета-Аналитик)
Собирает логи работы Ролей 1–4, ищет системные паттерны деградации, находит пробелы в знаниях через интернет.
🟥 Mentor — Роль 6 (Утверждающий / Guardrail)
Финальный рубеж. Human-in-the-loop или тяжёлая модель-цензор. Одобряет изменения в коде от Executor и глобальные сдвиги в памяти от Teacher.
Математика масштабирования: 3 → 6 → 9 → 12
Главный вопрос: можно ли доказать эффект от удвоения ролей и где точка перегиба?
Строгой математической теоремы пока нет. Но инструменты теории игр, информационной энтропии и теории сложных систем дают объяснение.
где ε — вероятность ошибки одной роли, N — количество последовательных фильтров. Но есть нюанс: цена роста — экспоненциальная.
Снижение энтропии через ортогональные контуры контроля
В системе из 3 ролей (Colleague → Teacher → Mentor) есть системный изъян: если Teacher совершает ошибку первого рода (пропускает бред), этот бред становится истиной для Colleague. Система замыкается в «эхо-камеру».
Когда вводятся Executor (код) и Researcher (внешний аудит), возникает ортогональный контур контроля. Executor меняет не данные, а алгоритм обработки. Математически система превращается из «марковской цепи» (каждый следующий шаг зависит только от предыдущего) в многоуровневую иерархическую систему фильтрации Шеннона. Каждый новый уровень — дополнительный фильтр шума.
Это решает проблему автофагии (autophagy) — когда модель, обучаясь на своих же данных, деградирует через 3–4 цикла. Разделение исполнителей, генераторов синтетики, критиков и архитекторов кода предотвращает замыкание системы на себе.
Почему 12 ролей — тупик (и 6 — оптимум 2026 года)
При росте числа ролей чистота памяти растёт по кривой убывающей доходности (diminishing returns):
- 3 роли: чистота ~75%. Высокий риск галлюцинаций и зацикливания.
- 6 ролей (AURA): чистота ~92–95%. Разделение на слои данных (Colleague, Intern, Teacher) и слои логики (Executor, Researcher, Mentor). Оптимум 2026 года.
- 9 ролей: чистота ~97%. Время ответа возрастает в 5× из-за созвонов агентов (agent consensus protocol).
- 12 ролей: чистота ~98%. Система тратит 99% ресурсов на внутренние споры (бюрократия агентов).
Почему 9 и 12 не работают: каждое добавление роли — дополнительный шаг генерации текста. Если для 3 ролей граф вызовов линеен O(N), то в схеме, где Executor пишет код, Mentor проверяет, а Teacher оценивает применимость, возникают циклы обратной связи. Стоимость вычислений растёт как O(K^N), где K — количество итераций согласования, а N — число ролей.
Как это реализовано в AURA без краха производительности
Асинхронное разделение контуров (asynchronous multi-agent runtime):
- Горячий контур (online, ~200ms): работает только Colleague (Роль 1). Стажёр написал → Colleague достал из памяти через композитный скоринг → выдал ответ.
- Тёплый контур (near-line): Intern (Роль 2) и Teacher (Роль 3) работают в фоне, пока стажёр читает ответ. Intern генерирует вопросы, Teacher оценивает, обновляет halfLife и importance.
- Холодный контур (offline / nightly): Executor (Роль 4), Researcher (Роль 5) и Mentor (Роль 6) запускаются раз в N запросов или по расписанию. Researcher собирает статистику ошибок RAG, Executor пишет патч, Mentor утверждает.
Триггер для запуска холодного контура: падение метрики качества Intern ниже 0.7, систематические ошибки в одной категории знаний, или ручной запрос владельца.
Резюме
6 ролей AURA — это не случайное число. Это точка оптимума между чистотой памяти и вычислительной стоимостью, подтверждённая математикой теории информации и теорией сложных систем. Добавление 7–12 ролей даст +2–3% чистоты, но умножит latency и стоимость на порядок. Текущая архитектура — best practice 2026 года для production-grade мультиагентных систем.
В AURA реализована трехуровневая система: горячий контур (Colleague — 200ms), тёплый контур (Intern + Teacher — в фоне), холодный контур (Executor + Researcher + Mentor — nightly). Никаких блокировок пользователя на время внутренних согласований.