AutoGPT и BabyAGI: как пионеры автономных агентов устроены изнутри

В конце марта 2023 года на GitHub почти одновременно появились два проекта, которые задали моду на «автономных агентов». BabyAGI от Йохея Накадзимы стартовал как один файл на Python примерно в 140 строк. AutoGPT (изначально Auto-GPT) от разработчика под ником Significant Gravitas за считаные недели собрал десятки тысяч звёзд и стал одним из самых быстрорастущих репозиториев в истории площадки. Обе идеи строились на одном допущении: если дать языковой модели цель, память и право вызывать инструменты в цикле, она сама разложит задачу на шаги и доведёт её до конца.

Спустя два года стало понятно, что ни один из проектов не превратил идею в стабильный продукт «поставил цель — ушёл спать — получил результат». Но оба задали архитектурный словарь, которым сегодня описывают агентов в LangChain, LlamaIndex и коммерческих фреймворках. Разберём, что именно они предложили и чем отличались.

Что такое автономный агент в этом контексте

Речь не про робота. Автономный агент здесь — это программа-обёртка вокруг языковой модели (чаще всего GPT-4 или GPT-3.5 через API OpenAI), которая работает по циклу: модель получает цель и текущее состояние, решает, какой следующий шаг сделать, вызывает внешний инструмент (поиск, запись в файл, выполнение кода), получает результат и снова возвращается к модели. Цикл повторяется, пока цель не достигнута или пока не кончится лимит шагов.

Ключевое слово — цикл. Обычный чат отвечает на один запрос. Агент сам генерирует себе следующие запросы. Отсюда и главные проблемы, о которых ниже.

Разница между чат-ботом и агентом — это разница между калькулятором, который ждёт, что вы нажмёте кнопки, и калькулятором, который сам решает, какие кнопки нажать, чтобы получить ответ. Второй мощнее и опаснее одновременно.

BabyAGI: минимализм и очередь задач

BabyAGI устроен вокруг одной идеи — очереди задач. Логика примерно такая:

1. Есть общая цель и список задач, в начале — одна первая задача.
2. Агент берёт задачу из начала очереди и выполняет её через LLM.
3. Результат сохраняется в векторную память (в оригинале использовался Pinecone ^*).
4. На основе результата и цели модель генерирует новые задачи и переоценивает приоритеты в очереди.
5. Цикл повторяется.

Прелесть BabyAGI в прозрачности: весь механизм умещается в голове, код читается за один вечер. Это сделало его идеальным учебным примером и основой для десятков форков. Слабость — та же: BabyAGI в базовой версии почти не умел вызывать внешние инструменты. Он отлично строил и переупорядочивал списки задач, но «делал» их в основном текстом внутри модели.

AutoGPT: инструменты, файлы и амбиции

AutoGPT замахнулся шире. Он давал агенту набор команд: поиск в интернете, чтение и запись файлов, выполнение кода, запуск дочерних агентов. Пользователь задавал имя агента, его роль и до пяти целей, а дальше система крутила цикл «мысль — рассуждение — план — критика — действие», выводя каждый шаг на экран. Была и опция полностью автономного режима без подтверждения каждого действия — источник как восторгов, так и историй про агента, который потратил десятки долларов на API и ничего не добился.

Именно AutoGPT показал широкой публике сам жанр и одновременно его границы. Агент застревал в циклах, повторял одни и те же неудачные шаги, терял контекст на длинных дистанциях и сжигал токены. Стоимость запуска на GPT-4 при интенсивном цикле могла оказаться выше, чем ценность результата.

Сравнение в одной таблице

Сравнение условное: оба проекта активно менялись, обрастали форками и переписывались. AutoGPT позже эволюционировал в платформу с визуальным конструктором сценариев, уйдя далеко от исходного скрипта.

Почему магии не случилось

Проблема не в конкретном коде, а в самой петле. Каждый шаг агента опирается на вывод модели, а модель ошибается. В диалоге ошибку поправляет человек. В автономном цикле ошибка накапливается: неверный шаг порождает неверный план, тот — новые неверные задачи. Три типичные болезни ранних агентов:

• Циклы. Агент повторяет один и тот же шаг, не понимая, что уже пробовал его.
• Потеря цели. На длинной цепочке контекст переполняется, и агент забывает, ради чего всё затевалось.
• Стоимость. Каждый шаг — это вызов API. Длинный цикл на дорогой модели превращается в счёт, несопоставимый с пользой.

Отсюда сдвиг индустрии: от «полностью автономного агента, которому дают цель», к более управляемым схемам, где человек или жёсткий сценарий контролируют ключевые развилки, а модель отвечает за отдельные узкие шаги.

Что от них осталось

Практическое наследие важнее самих репозиториев. BabyAGI и AutoGPT популяризировали набор понятий, которые теперь встречаются в любом разговоре про агентов: цикл рассуждений, разложение цели на подзадачи, вызов инструментов (tool calling), внешняя память, планировщик. Позже OpenAI и другие вендоры встроили вызов функций прямо в API, а фреймворки вроде LangChain и LlamaIndex дали готовые кубики для сборки агентов без написания цикла с нуля.

Если вы хотите разобраться в теме сегодня, разумный маршрут такой:

1. Прочитайте исходный код BabyAGI — чтобы понять петлю целиком.
2. Запустите урезанный пример на дешёвой модели и с жёстким лимитом шагов, чтобы не сжечь бюджет.
3. Только потом переходите к фреймворкам, где вызов инструментов и память уже реализованы.

^* Векторная память — хранилище, где тексты превращаются в числовые векторы (эмбеддинги), и по ним ищут похожие фрагменты. Так агент «вспоминает» релевантные прошлые шаги, а не хранит весь диалог целиком.