AutoGPT два года спустя: что стало с первой волной автономных агентов

В конце марта 2023 года разработчик Торан Брюс Ричардс выложил на GitHub проект под названием Auto-GPT — обёртку вокруг API OpenAI, которая позволяла модели GPT-4 или GPT-3.5 ставить себе подзадачи, запускать инструменты и работать по циклу без участия человека. За несколько недель репозиторий собрал десятки тысяч звёзд и стал одним из самых быстрорастущих проектов в истории площадки. Демо, где агент сам гуглит, пишет код и заказывает пиццу, разлетелись по соцсетям. К лету 2025 года ажиотаж вокруг именно AutoGPT сошёл почти на нет — но сама идея автономных агентов никуда не делась, а перешла в продукты крупных компаний.

Что такое AutoGPT и почему он выстрелил

AutoGPT работал по простой петле: вы даёте цель на естественном языке, модель разбивает её на шаги, выполняет их через доступные инструменты (поиск в интернете, запуск кода, чтение и запись файлов), оценивает результат и решает, что делать дальше. Всё это — без нажатия кнопки на каждом шаге. В 2023 году это выглядело как скачок: до того ChatGPT отвечал на один запрос за раз и ничего не помнил между сессиями.

Проект был написан на Python и требовал API-ключа OpenAI. Ранние версии опирались на GPT-4, доступ к которому тогда был ограничен. Параллельно появился похожий проект BabyAGI от Йохея Накадзимы — более минималистичная реализация той же концепции агента-планировщика.

Хайп продавал автономию как готовый продукт. Реальность 2023 года: агент отлично составлял список задач и застревал на их выполнении, сжигая токены в бесконечном цикле.

Где идея дала трещину

Проблемы всплыли почти сразу, и они были не косметическими:

• Циклы и застревание. Агент мог зациклиться, повторяя один и тот же шаг, или уходить в бессмысленные подзадачи, не понимая, что цель уже недостижима.
• Стоимость. Каждая итерация — это новый вызов модели с растущим контекстом. Длинная задача могла обойтись в десятки долларов на API, а результат при этом оказывался мусорным.
• Накопление ошибок. Ошибка на раннем шаге тянулась дальше, и агент строил план на неверных данных, не имея надёжного способа себя проверить.
• Отсутствие практической ниши. Демо впечатляли, но задач, которые агент решал бы стабильно лучше и дешевле человека или простого скрипта, находилось мало.

К осени 2023 года волна энтузиазма схлынула. Разработчики, попробовавшие собрать что-то рабочее на AutoGPT, чаще возвращались к более управляемым связкам: один запрос — один ответ, с человеком в контуре принятия решений.

Что стало с самим проектом

AutoGPT не умер. Проект превратился из вирусного скрипта в платформу для сборки агентов с визуальным конструктором и попыткой построить вокруг этого экосистему. Но громкого статуса «убийцы профессий», который ему приписывали в 2023-м, он не сохранил. Основное внимание рынка ушло к решениям крупных лабораторий и к специализированным фреймворкам.

Идея агента^* при этом стала мейнстримом. То, что в 2023 году было экспериментом энтузиастов, в 2024–2025 годах вошло в продукты OpenAI, Anthropic, Google и других — но в куда более осторожной, ограниченной и управляемой форме.

^* Агент — программа на базе языковой модели, которая не просто отвечает на запрос, а планирует шаги, вызывает внешние инструменты (поиск, код, API) и действует по циклу до достижения цели или остановки.

AutoGPT на фоне того, что появилось позже

Сравнивать оригинальный AutoGPT 2023 года напрямую с современными агентными продуктами не совсем честно — это разные весовые категории по надёжности и ресурсам. Но полезно увидеть, куда сместилась идея.

Ключевая разница между 2023 и 2025 годом — не в том, что модели поумнели (хотя и в этом тоже), а в том, что от идеи «дай цель и уйди» рынок отступил. Современные агентные продукты выстроены вокруг ограниченных, проверяемых шагов и человека, который подтверждает важные действия.

Кому это пригодится, а кому нет

Пригодится, если вы:

• разработчик, который хочет разобраться, как устроена петля планирования и вызова инструментов — оригинальный код AutoGPT до сих пор нагляден для учёбы;
• собираете внутренний инструмент под узкую, повторяемую задачу с чёткими критериями успеха (например, разбор однотипных документов), где ошибки легко отловить;
• исследуете, где проходит граница между полезной автоматизацией и бесконтрольным сжиганием бюджета на API.

Не стоит рассчитывать, если вы:

• хотите «поставил задачу — получил готовый бизнес-результат без присмотра»: на практике такой агент требует контроля на каждом ответственном шаге;
• работаете с деньгами, договорами или клиентскими данными и не готовы проверять каждое действие модели вручную;
• ждёте предсказуемой стоимости: автономная петля плохо прогнозируется по числу итераций, а значит и по счёту за API.

Главный урок первой волны

История AutoGPT — это учебный пример того, как демонстрационный ролик обгоняет инженерную реальность. Концепция была верной: языковая модель действительно может планировать и пользоваться инструментами. Но переход от эффектного демо к надёжному продукту занял не недели, а годы, и потребовал отказаться от самого громкого обещания — полной автономии.

Сегодняшние агенты в продуктах вендоров — это прямые наследники той весны 2023 года, только с тормозами, проверками и человеком, который держит руку на кнопке остановки. Именно поэтому они работают там, где AutoGPT ломался.

Если вы планируете строить что-то на агентах, начните с малого: одна узкая задача, жёсткий лимит итераций, обязательное подтверждение человеком перед любым необратимым действием. Это ровно те грабли, на которые первая волна наступила публично.