Ագենտների խմբեր (Agent Swarms) և մոդելների նոր տնտեսագիտությունը — Ինչպես բազմաագենտ համակարգերը վերափոխում են մշակումը

Ներածություն. Ագենտների նոր պարադիգմի արշալույսը

2026 թվականի հուլիսին Cursor-ը հրապարակեց մի հետազոտական բլոգային գրառում, որը ցնցեց ողջ AI արդյունաբերությունը։ Ընկերությունը համեմատեց բազմաագենտ համակարգերի երկու սերունդ՝ հինն ու նորը, միևնույն մոնումենտալ առաջադրանքի վրա՝ SQLite տվյալների բազայի ամբողջական շարժիչի կառուցում զրոյից Rust-ով՝ օգտագործելով միայն դրա 835 էջանոց փաստաթղթերը որպես հղում։ Արդյունքները ապշեցուցիչ են. նոր համակարգը ոչ միայն ավելի բարձր որակ ապահովեց յուրաքանչյուր ցուցանիշով, այլև դա արեց ծախսերի մի փոքր մասով՝ $10,565-ից մինչև $1,339:

Սա ավելին է, քան պարզապես տեխնիկական բարելավում։ Այն հիմնարար տեղաշարժ է այն մտածելակերպում, թե ինչպես ենք մենք պատկերացնում AI մոդելների օգտագործման տնտեսագիտությունը։ Cursor-ի մոտեցումը ցույց է տալիս, որ ապագան չի պատկանում մեկ միաձույլ, թանկարժեք frontier մոդելին, որն ամեն ինչ անում է։ Փոխարենը, այն պատկանում է խելացիորեն համակարգված ագենտների թիմերին՝ խմբերին, որտեղ յուրաքանչյուր մոդել տեղակայվում է իր համեմատական առավելության համաձայն:

Ինչպես է աշխատում Cursor-ի ագենտների խումբը

Նոր համակարգի հիմքում ընկած են երկու առանձին դերեր՝ Պլանավորողներ (Planners) և Աշխատողներ (Workers)։ Պլանավորողները, որոնք աշխատում են ամենախելացի (և ամենաթանկ) frontier մոդելներով, մեծ նպատակը մասերի են բաժանում և հանձնարարում դրանք։ Աշխատողները — սովորաբար ավելի արագ և զգալիորեն էժան մոդելներ — կատարում են այդ մասերը:

Այս դիզայնը ավելի կոշտ համակարգման համակարգերի վերաբազմություն է։ Խնդրի վրա ֆիքսված տոպոլոգիա պարտադրելու փոխարեն, խմբի ձևը բնականաբար աճում է՝ ծածկելու խնդրի ուրվագծերը։ Հաշվարկը և կոնտեքստը մասշտաբավորվում են առաջադրանքի բարդությանը համամասնորեն։ Ահա թե ինչու դիզայնը ընդհանրացվում է այնպիսի բազմազան առաջադրանքների վրա, ինչպիսիք են դիտարկիչի կառուցումը, մաթեմատիկական խնդիրների լուծումը, GPU միջուկների օպտիմիզացումը, բաց կոդով ծրագրերում խոցելիությունների հայտնաբերումը և սինթետիկ ուսուցման տվյալների միլիարդավոր տոկենների ստեղծումը:

Cursor-ի թիմը հայտնաբերեց, որ հիմնական առավելությունը զուգահեռականությունը չէ, այլ կոնտեքստի արդյունավետությունը։ Երբ մեկ ագենտ ստանձնում է ամբողջական առաջադրանքը, այն ստիպված է ինքնուրույն անցնել ամբողջ ծառը՝ իջնելով յուրաքանչյուր տերևին՝ միաժամանակ կոնտեքստում պահելով նախորդներին, ընթացիկ դիրքը և ավելի լայն նպատակը։ Սա բացատրում է, թե ինչու են երկար աշխատող միայնակ ագենտները շեղվում. նրանք կա՛մ կենտրոնանում են իրենց առջևի աշխատանքի վրա և կորցնում մեծ պատկերը, կա՛մ պահում են մեծ պատկերը և ավելի վատ են կատարում կոնկրետ մասը:

Խմբում պլանավորողը երբեք չի իրականացնում, այնպես որ նրա կոնտեքստը երբեք չի լցվում ցածր մակարդակի մանրամասներով։ Աշխատողը երբեք չի պլանավորում, այնպես որ այն կարող է իր ամբողջ կոնտեքստը ծախսել աշխատանքի մեկ նեղ մասի վրա։ Այս կառուցվածքի արձագանքները կարելի է գտնել կազմակերպչական տեսության մեջ. տնտեսագետ Ռոնալդ Քոուզը պնդում էր, որ համակարգման ծախսերը աճում են ավելի արագ, քան բուն աշխատանքը, ինչի պատճառով կազմակերպությունները ձևավորում են սահմանափակ շերտեր, այլ ոչ թե թույլ են տալիս բոլորին խոսել բոլորի հետ:

Սեփական վարկածների կառավարման համակարգ. վայրկյանում 1,000 կոմիտ

Cursor-ի նոր համակարգի ամենատպավորիչ տեխնիկական նվաճումներից մեկը սեփական վարկածների կառավարման համակարգի ստեղծումն է։ Մինչ հին խումբը Git-ում գագաթնակետին հասնում էր ժամում մոտ 1,000 կոմիտի, նոր համակարգը գագաթնակետին հասնում է վայրկյանում մոտ 1,000 կոմիտի։ Մարդկային մշակողների համար նախատեսված Git-ի ավանդական արգելափակման մեխանիզմները պարզապես չեն դիմանում այս տեմպին:

Նման ծայրահեղ թողունակության դեպքում խումբը հանդիպում է ձախողման ռեժիմների, որոնց մարդկային թիմերը երբեք սովորաբար չեն հանդիպում:

• Split-brain դիզայն — Երկու պլանավորող, իրարից անտեղյակ, նույն հայեցակարգը տարբեր կերպ են իրականացնում կոդային բազայի տարբեր մասերում։ Cursor-ը դա ուղղեց prompt-ինգի միջոցով. պլանավորողները պետք է ապահովեն, որ ոչ մի երկու պատվիրակված ենթածառ չորոշի նույն հարցը։
• Միաձուլման կոնֆլիկտներ — Հին աշխատանքը կուտակեց ավելի քան 70,000 կոնֆլիկտ մինչև դադարեցվելը։ Նոր աշխատանքը գրանցեց հազարից քիչ։ Լուծում. չեզոք երրորդ կողմի ագենտը միջամտում է միաձուլման կոնֆլիկտներին և լուծում դրանք անաչառ կերպով։
• Մեգաֆայլեր — Որոշ ֆայլեր այնքան հայտնի են դառնում, որ մշտական բախումներ են տեղի ունենում։ Աշխատողները այժմ կարող են նշել ուռած ֆայլերը՝ արգելափակելով նոր կոմիտները, մինչև արտաքին ագենտը գերաճած ֆայլը բաժանի ավելի փոքր մոդուլների։
• Ոսկրացում (Ossification) — Ագենտները սովորեցին չդիպչել հիմնական կոդին, նույնիսկ երբ այն պետք է փոխվի։ Cursor-ի լուծումը. «լիցենզավորված դիտավորյալ կոտրում»։ Ագենտը, որը գնահատում է, որ միջուկային փոփոխությունն արժե այն, կատարում է կենտրոնացված ուղղում և թողնում մեկնաբանություն՝ բացատրելով, թե ինչու։ Կոմպիլյատորը տանում է փոփոխությունը․ այն ամենը, ինչ կախված է հին դիզայնից, չի կառուցվում, և յուրաքանչյուր ագենտ, որը հանդիպում է սխալի, գտնում է մեկնաբանությունը և թարմացնում իր մասը համապատասխանաբար։

SQLite փորձարկում. թվեր, որոնք խոսում են իրենց մասին

Cursor-ը փորձարկեց նոր խումբը չորս տարբեր մոդելի կոնֆիգուրացիաներում՝ GPT-5.5 (և՛ պլանավորող, և՛ աշխատող), Grok 4.5 (երկու դերերը), Opus 4.8 + Composer 2.5 (հիբրիդ), և Fable 5 + Composer 2.5 (մեկ այլ հիբրիդ)։ Առաջընթացը չափվում էր sqllogictest-ով՝ միլիոնավոր SQL հարցումներ պարունակող թեստային փաթեթ՝ հայտնի ճիշտ պատասխաններով:

Արդյունքները պարզ են. նոր միջավայրը գերազանցեց հինին բոլոր խառնուրդներում։ Fable 5 հիբրիդն անցավ փաթեթի մոտ երկու երրորդն արդեն առաջին ժամվա ընթացքում։ Չորս ժամվա սահմանում նոր աշխատանքները գտնվում էին 73% և 85% միջև, մինչդեռ հինները տատանվում էին 11% և 77% միջև։ Յուրաքանչյուր նոր կոնֆիգուրացիա ի վերջո հասավ փաթեթի 100% անցմանը:

Բայց ամենադրամատիկ տարբերությունը հենց կոդի մեջ է։ Fable 5 խառնուրդում, երկու խմբերն էլ ի վերջո անցան լրիվ փաթեթը, բայց հինին անհրաժեշտ էր 64,305 տող շարժիչի կոդ, մինչդեռ նորը դա արեց ընդամենը 9,908 տողով։ Opus խառնուրդը ցույց է տալիս նույն պատկերը՝ 19,013 տող 97%-ով հին միջավայրում՝ ընդդեմ 4,645 տողի 100%-ով նոր միջավայրում:

Միաձուլման կոնֆլիկտների տվյալները նման պատմություն են պատմում։ Հին աշխատանքը կուտակեց 70,000+ կոնֆլիկտ՝ արագանալով կայունանալու փոխարեն։ Ամենաթեժ մեկ ֆայլը հավաքեց 7,771 կոնֆլիկտ՝ շոշափված 1,173 տարբեր ագենտների կողմից։ Նոր աշխատանքում, ամբողջ կոդային բազայի ամենավիճարկվող ֆայլը տեսավ ընդամենը 47 կոնֆլիկտ։ Հին աշխատանքը տարածվեց 54 crate-ի (ներառյալ երեք առանձին SQL փաթեթ); նորը կանգ առավ ինը crate-ի վրա և այլևս երբեք չավելացրեց:

Մոդելների տնտեսագիտություն. Հիմնական պատկերացում

Սա Cursor-ի գրառման ամենակարևոր բաժինն է։ Մինչ մոդելների յուրաքանչյուր խառնուրդ արտադրում էր նման որակ, ծախսերը մեծապես տարբերվում էին՝ $1,359-ից Opus 4.8 հիբրիդի համար մինչև $10,565՝ միայն GPT-5.5-ի համար:

Տոկենի տվյալները բացահայտում են ինչու։ Ծախսերի կառուցվածքը հետևողական էր բոլոր աշխատանքներում. աշխատողները կրում էին տոկենների առնվազն 69%-ը, իսկ շատ դեպքերում՝ 90%-ից ավելին։ Բայց դոլարները բաշխվում էին տարբեր կերպ, քան տոկենները, քանի որ պլանավորողների տոկեններն ավելի թանկ են։ Opus 4.8 + Composer 2.5 խառնուրդում, Opus-ը որպես պլանավորող արտադրեց տոկենների մի փոքր մասը, բայց ծախսի մոտ երկու երրորդը, մինչդեռ Composer-ը որպես աշխատող մշակեց տոկենների ճնշող մեծամասնությունը ծախսի մնացած մեկ երրորդի համար:

Cursor-ի եզրակացությունը ապշեցուցիչ է. «Մի քանի պահեր մեծ առաջադրանքում իսկապես պահանջում են frontier հետախուզություն» — նախնական քայքայումը, դիզայնի որոշումները և որոշակի փոխզիջումներ։ Երբ frontier պլանավորողը անորոշությունը վերածել է մանրամասն, հստակ հրահանգի, ավելի էժան մոդելները պարզապես պետք է հետևեն դրան։ Սա պոտենցիալ ծախսերի խնայողության հսկայական աղբյուր է:

Թվերն իրենց մասին են խոսում. GPT-5.5-ի օգտագործմամբ աշխատանքում և՛ պլանավորողների, և՛ աշխատողների համար, աշխատողներն առանձին արժեցան $9,373։ Աշխատանքում, որտեղ Opus 4.8-ը պլանավորում էր, և Composer 2.5-ը աշխատում էր, ամբողջ աշխատողների նավատորմն արժեցավ $411 — 22 անգամ ավելի քիչ:

Դաշտային ուղեցույց. Ագենտների կողմից գրված ընդհանուր գիտելիք

Cursor-ի ամենանորարար փորձարկումներից մեկը «Դաշտային ուղեցույցն» է (Field Guide) — թղթապանակ, որն ամբողջությամբ պատկանում է ագենտներին, որի index.md-ն ավտոմատ կերպով ներարկվում է յուրաքանչյուր ագենտի գործարկման ժամանակ։ Ագենտների գործն է որոշել, թե ինչն է մտնում ուղեցույցի մեջ. նրանց միակ սահմանափակումը տողերի բյուջեն է:

Սա հիմնվում է ստիգմերգիայի կենսաբանական սկզբունքի վրա — մեխանիզմ, որով մրջյունները և տերմիտները համակարգվում են շրջակա միջավայրի ձևավորման միջոցով, այլ ոչ թե ուղղակի հաղորդակցության։ Տրամաբանությունը նրբագեղ է. մոդելի կշիռները սառեցված են, ուստի հենց անսպասելի հանդիպումներն արժե գրանցել, որպեսզի հաջորդ ագենտի հետագիծը ավելի կարճ լինի։ Դաշտային ուղեցույցը դեռ վաղ փորձարկում է, բայց հետևանքները խորն են. մոդելներին սովորեցնելը գրել իրենց հաջորդների համար, որտեղ ավելի լավ գրանցումը հանգեցնում է ավելի լավ պարգևների, բացում է բոլորովին նոր հետազոտական ուղղություն:

Սպեցիֆիկացիաները որպես Prompt-ներ. Աշխատանքի նոր միավորը

Cursor-ը կատարում է խորը դիտարկում. AI-ի կարողությունների յուրաքանչյուր թռիչք բարձրացրել է աբստրակցիայի մակարդակը, որով ինժեները կարող է աշխատել։ Ինքնալրացումը թույլ էր տալիս ինժեներներին աշխատել մեկ տող առ մեկ։ Վաղ մոդելները դա բարձրացրին կոդի բլոկի մակարդակի։ Ագենտները բարձրացրին ֆայլի կամ ֆիչայի մակարդակի։ Խմբերի դեպքում, աշխատանքի միավորը դառնում է սպեցիֆիկացիան (spec):

Այս տեսանկյունից դիտելով, խումբը սկսում է նմանվել կոմպիլյատորի։ Կոմպիլյատորը սկզբնական կոդը թարգմանում է մեքենայական կոդի մի շարք միջանկյալ քայլերի միջոցով։ Խումբը նման բան է անում մտադրությամբ (intent)։ Պլանավորողները նպատակը բաժանում են առաջադրանքների ծառերի, ապա իջեցնում այն քայլ առ քայլ կատարվող աշխատանքի։ Տարբերությունն այն է, որ կոմպիլյատորը պահպանում է իմաստը յուրաքանչյուր քայլում, մինչդեռ խումբը հավանականական է յուրաքանչյուրում։ Այն ամենը, ինչ նկարագրված է Cursor-ի գրառման մեջ, գոյություն ունի այդ բացը փակելու համար:

Ինչ է սա նշանակում հայ մշակողների համար

Cursor-ի հետազոտությունը ուղղակի հետևանքներ ունի այն բանի համար, թե ցանկացած թիմ ինչպես պետք է մտածի AI-ի տեղակայման մասին։ Բազմաագենտ համակարգերն այլևս միայն խոշոր կորպորացիաների բացառիկ ոլորտը չեն. դրանք դառնում են հասանելի ցանկացած թիմի համար, որը ցանկանում է օգտագործել AI-ն օպտիմալ կերպով:

Եթե էժան մոդելները (ինչպես Composer 2.5) կարող են կարգավորել աշխատանքի 90%-ը, մինչդեռ թանկ մոդելները վերապահված են միայն ռազմավարական որոշումների համար, AI-ի օգտագործման տնտեսագիտությունը արմատապես փոխվում է։ SiTech-ի նման գործակալությունների համար, որոնք ակտիվորեն օգտագործում են AI-ն հաճախորդների նախագծերում, այս մոտեցումը կարող է դառնալ մրցակցային առավելություն՝ ավելի ցածր ծախսեր, ավելի բարձր որակ և ավելի արագ առաքում։ Հիմնական եզրակացությունը պարզ է. AI-ով օժանդակվող մշակման ապագան ավելի մեծ մոդելների մասին չէ, այլ՝ տարբեր կարողություններով և ծախսերով մոդելների միջև ավելի խելացի համակարգման մասին:

Cursor-ը կոդը հրապարակել է github.com/cursor/minisqlite հասցեում — յուրաքանչյուրը կարող է իր աչքերով տեսնել, թե ինչ կարող է կառուցել լավ համակարգված ագենտների խումբը:

📖 Աղբյուր