Марк Морган — технический специалист в Autonomous Technologies Group, лаборатории исследований ИИ из Кремниевой долины, поддерживаемой Y Combinator. С момента прихода в октябре 2025 года он выиграл восемь хакатонов, посвященных ИИ, и выступил судьей на двух других, а также разработал инструменты с открытым исходным кодом, направленные на повышение эффективности ИИ-агентов в реальной инженерной работе.
Морган, который документирует свою работу на markmdev.com, последний год работал над вопросом, который индустрия еще не решила окончательно. Его работа исследует, что на самом деле требуется для надежного функционирования ИИ-агента в рамках реального инженерного рабочего процесса и как создать среду, которая это обеспечивает.
Модели хорошо работают в изоляции. Попросите ИИ-агента написать функцию, составить ответ или обобщить документ, и он, как правило, сделает это компетентно. Но в ходе реального проекта что-то постоянно ломается. Агент теряет нить предыдущих решений, создает работу, противоречащую тому, что было согласовано две сессии назад, и требует постоянного повторного брифинга, что съедает любую предполагаемую выгоду от производительности. Проблема редко кроется в самой модели. Проблема в том, что модели никогда не предоставлялось достаточно контекста, чтобы понять, что от нее на самом деле требуется в рамках более широкого проекта.
Морган — один из инженеров, изучающих, как слои памяти, управление контекстом и циклы верификации могут повысить надежность агентов при работе на более длительных интервалах. Его подход отличается последовательностью, с которой он тестировал эти паттерны в реальных условиях: на соревновательных мероприятиях, в регулируемой производственной среде и с помощью инструментов с открытым исходным кодом, которые начали использовать другие разработчики.
«Большинство разработчиков до сих пор используют ИИ как более умную автозамену или чат-бота для изолированных вопросов», — говорит Морган. «Более серьезный сдвиг заключается в создании операционной среды вокруг агента: контекста, к которому он имеет доступ, инструментов, которые он может использовать, состояния, которое он сохраняет, границ, в которых он работает, проверок, которые он должен пройти, и способа превращения повторяющихся сбоев в многократно используемые рабочие процессы».
Параллельно с этим существует уровень оркестровки. Некоторые задачи выполняются в интерактивном режиме, другие полностью делегируются, а фоновый уровень обрабатывает текущие исследования, мониторинг и повторяющуюся работу, не требуя постоянного внимания. В каждый этап встроен цикл верификации, в котором агенты тестируют выходные данные, проводят проверки в браузере и выявляют проблемы до того, как что-либо будет утверждено. Морган утверждает, что этот подход существенно увеличил его производительность на текущей должности, позволив ему браться за производственную работу в темпе, который обычно требовал бы больше инженерных ресурсов.
С сентября 2025 года Морган выиграл восемь хакатонов, посвященных ИИ, в различных предметных областях.
На хакатоне Hack the Stackathon от Y Combinator в январе 2026 года его проект Bake-off, маркетплейс, где ИИ-агенты создают задачи, соревнуются за работу и зарабатывают доход, занял первое место, получив денежный приз в размере 25 000 долларов США и гарантированное собеседование в Y Combinator. Эта концепция стала прямым выражением того, как Морган представляет себе автономные системы: агенты как активные экономические участники, а не пассивные инструменты, ожидающие промпта. Днем позже, на хакатоне Odyssey-2 Pro, он снова занял первое место с проектом Memory Palace — образовательным инструментом, который преобразует учебные материалы в иммерсивное интерактивное видео с использованием метода локусов, получив общий призовой пакет на сумму 75 000 долларов США в виде наличных, кредитов Odyssey и кредитов AWS. Его самый ранний крупный соревновательный успех пришелся на сентябрь 2025 года на хакатоне Microsoft x AI Tinkerers Fullstack Agents Hackathon, где Ross, система привлечения клиентов на базе ИИ для юридических фирм, занимающихся телесными повреждениями, завоевала первое место и денежный приз в размере 7 500 долларов США.
«Каждый хакатон — это шанс применить одни и те же принципы под давлением времени и с реальными ограничениями», — говорит Морган. «Когда подход выдерживает испытание таким количеством различных проблем и форматов, это становится чем-то, что стоит формализовать и распространить».
Через юридические технологии, потребительское образование, маркетплейсы автономных агентов, инфраструктуру для разработчиков — настройки меняются, но основной метод остается прежним, и результаты достаточно убедительны, чтобы говорить о том, что последовательность — это главное.
Через девять месяцев после прибытия в Сан-Франциско Морган оказался по другую сторону судейского стола. В феврале 2026 года он оценивал заявки на хакатоне AWS x Anthropic x Datadog GenAI Hackathon, а на следующий день — на Global Hackathon от Google DeepMind x Cactus Compute, организованном AI Tinkerers SF. Незадолго до этого он сам участвовал в мероприятиях, проводимых тем же сообществом. Приглашения судить на подобных мероприятиях обычно получают люди, чьему мнению организаторы доверяют, а это доверие, как правило, строится на демонстрации работы с течением времени, а не на публичном профиле.
Работа с открытым исходным кодом развивалась по своей тихой траектории. Meridian, Reflex и Waypoint решают разные части одной и той же проблемы, а именно: контекст, маршрутизацию и связность для разработки с помощью ИИ. Вместе они представляют собой более раннюю базу работ, связанных с Claude Code и контекстом сессий, и они привлекли внимание разработчиков, решающих аналогичные проблемы независимо.
ATG, основанная Диллоном Эрбом и Дэниелом Кобраном, которые ранее были соучредителями Paperspace до ее многомиллиардного приобретения компанией DigitalOcean, создает системы ИИ для финансовой аналитики и работает в регулируемой среде, которая включает взаимодействие с зарегистрированным инвестиционным советником SEC. Морган работает над функциями продукта, серверными и клиентскими системами, а также инфраструктурой, поддерживающей финансового советника компании на базе ИИ.
Среда меняет ставки определенным образом. На хакатоне агент, действующий на основе неполной информации, создает менее качественный проект. В рамках регулируемого финансового продукта тот же сбой может привести к последствиям с точки зрения права и комплаенса. Шаги верификации, которые Морган встроил в свой процесс как вопрос передовой практики, в этой обстановке стали тем, что отличает систему, которую можно выпустить в продакшн, от той, которую нельзя. «В регулируемой среде уровень верификации становится еще более критичным», — говорит он. «Агенты должны тщательно проверять свою работу, а человек в цикле должен сохранять ответственность за направление и стандарты на каждом этапе».
Он занимается программированием с десяти лет, и большая часть того, что он знает, была получена в результате многолетней самостоятельной работы до того, как в его жизни появилось формальное образование. Эта склонность к самонаправленному практическому обучению, вероятно, объясняет, почему разработанная им методология не похожа на то, что взято из курса или учебника. Она выглядит как нечто, достигнутое путем повторения, неудач и корректировок в ходе работы над множеством различных типов проектов.
Какую часть своей работы инженеры должны передавать ИИ-агентам — это вопрос, который индустрия еще не решила окончательно. Морган в течение последнего года тестировал один из ответов на него в самых разных условиях: от еженедельных соревнований до производственной финансовой системы, и вывод, к которому он постоянно приходит, заключается в том, что подготовка важнее самой модели. Предоставление агенту правильного контекста до начала работы — это то, где происходит большая часть реальной работы.
Большинство разработчиков до сих пор используют ИИ как более умную автозамену или чат-бота для изолированных вопросов. Рабочий метод Моргана основан на другом предположении. Если агенты собираются работать над реальными проектами, им нужна операционная среда вокруг них, которая предоставляет им доступ к правильному контексту, состоянию задачи, инструментам, границам и циклам верификации, прежде чем работе можно будет доверять.
«Я структурирую эту информацию так, чтобы агенты могли находить важное, понимать предыдущие решения и действовать с гораздо лучшей ситуационной осведомленностью, чем позволяет типичный рабочий процесс на основе промптов», — говорит Морган. «То, что меняется, когда вы делаете это правильно, — это то, что агент перестает быть реактивным и начинает быть по-настоящему полезным в сложной, текущей работе».
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Ibukun Keyamo
