На конференции Meta @Scale создатель Claude Code Борис Черны назвал циклы ИИ-агентов следующим большим шагом после обычных агентных систем. Идея простая и немного тревожная: не один агент выполняет задачу по команде, а целая группа ИИ работает в фоне постоянно, без финальной кнопки «готово». Для разработчиков, продактов и техдиров это важный сигнал: рынок движется от «попросил модель и получил ответ» к режиму, где ИИ становится почти непрерывным участником инженерного процесса.
Как пишет TechCrunch, на выступлении в пятницу Черны спросили в лоб: loops, то есть циклы, это очередной хайп или уже рабочая практика? Ответ был без дипломатии: «это реально». По его словам, всего за два года индустрия прошла путь от ручного написания кода к агентам, которые пишут код, а теперь подходит к фазе, где агенты формулируют задачи другим агентам, и те уже вносят изменения в кодовую базу. С его точки зрения, переход к циклам по масштабу сопоставим с переходом от ручной разработки к агентам.
Дальше началась самая интересная часть, потому что речь шла не о футуризме, а о конкретной рабочей схеме. Черны рассказал, что у него в фоне постоянно крутятся несколько агентов с разными ролями. Один ищет способы улучшить архитектуру кода, другой отслеживает дублирующиеся абстракции и предлагает, что можно объединить. Они оформляют изменения как обычные разработчики, через pull request. Поскольку кодовая база меняется все время, работа для таких агентов не заканчивается, а значит и сам цикл не должен останавливаться.
По сути, циклы ИИ-агентов меняют саму механику использования генеративного ИИ. До сих пор главный навык работы с агентами сводился к тому, чтобы жестко задать цель, разбить ее на шаги, проверять промежуточный результат и не давать модели слишком далеко уходить от промпта. Новый подход строится на более высоком уровне доверия: вы не просто запускаете задачу, а разрешаете рою агентов постоянно улучшать систему в фоне. Это уже не чат-бот и не разовый copilot, а что-то ближе к автономной инженерной службе на минималках.
При этом сама идея циклов не взялась из ниоткуда. В классическом программировании рекурсивные циклы и функции, которые вызывают сами себя до выполнения условия остановки, проходят еще на базовых курсах Computer Science. Разница в том, что у обычной программы условие завершения прописано явно, а здесь решение о том, продолжать работу или остановиться, принимает субагент. То есть логика остается циклической, но становится недетерминированной. Для мира агентного ИИ это почти неизбежная эволюция: как только разработчики начали поручать моделям более сложные и длинные задачи, идея «ИИ контролирует ИИ» была вопросом времени.
Из-за этого циклы выглядят одновременно мощно и подозрительно просто. Один из популярных приемов, который упоминает TechCrunch, называется Ralph Loop. Схема почти комичная: модель суммирует все, что уже сделала, а потом сама себя спрашивает, достигнута ли цель. Если нет, запускается следующий проход. Такой прием помогает бороться с типичной проблемой длинных прогонов, когда модель начинает терять контекст, путаться в промежуточных шагах или уезжать в сторону от исходной задачи. Проще говоря, агенту регулярно устраивают короткую проверку реальности.
Есть и другой способ смотреть на этот тренд: это частный случай гонки за так называемым test-time compute, то есть вычислениями во время решения задачи. Исследователь OpenAI Ноам Браун ранее в июне заметил, что современные модели способны решать почти любые проблемы, если дать им достаточно вычислительных ресурсов. Отсюда напрашивается грубый, но рабочий вывод: если задача еще не решена, можно просто продолжать тратить compute. Для задач типа hill-climbing, где результат можно улучшать шаг за шагом, подход особенно соблазнителен. Кодовая база как раз такой случай: архитектуру можно постепенно чистить, дубли сокращать, тесты укреплять, и каждый новый проход теоретически делает систему лучше.
Но именно здесь романтика заканчивается и начинается бюджет. Циклы ИИ-агентов сжигают токены заметно быстрее, чем обычные чат-интерфейсы с вопросом и ответом. А если смысл цикла в том, чтобы он работал постоянно, верхней границы расходов у такой схемы попросту нет. Для компаний, которые продают токены, это, мягко говоря, не проблема. Для всех остальных это быстро превращается в инженерный и финансовый вопрос: кто следит за расходом, кто ловит дрейф модели, кто проверяет качество PR и кто в нужный момент нажимает стоп, если агент начал «улучшать» не туда.
Именно поэтому главный вывод для русскоязычной IT-аудитории не в том, что завтра нужно срочно запускать бесконечный swarm у себя в репозитории. Скорее, стоит смотреть на эту практику как на новую категорию инструментов. Для стартапа это потенциальный способ ускорить поддержку кодовой базы без немедленного найма еще нескольких инженеров. Для крупных команд — вариант отдать ИИ бесконечную рутину: поиск дублей, архитектурный долг, мелкие рефакторинги, техническую полировку. Для CTO и engineering-менеджеров вопрос уже не только в качестве модели, но и в операционной рамке: лимиты, ревью, метрики пользы, правила отката, изоляция зон риска.
Скорее всего, ближайшая развилка будет не между «циклы нужны» и «циклы не нужны», а между двумя режимами их применения. В одном случае это останется дорогой игрушкой для тех, кто любит демонстрации автономности. В другом — превратится в тихий фоновый слой разработки, где ИИ не заменяет команду, а бесконечно подчищает код между релизами. Если второй сценарий сработает, следующим конкурентным преимуществом станет уже не доступ к модели как таковой, а умение безопасно держать циклы ИИ-агентов под контролем.