Содержание слайдов

1. 1. Обвязка агента: что действительно помогает

   Контролируемое сравнение планирования, инструментов и управления контекстом

2. 2. Обвязку можно разбирать по частям

   План · действия · контекст вокруг одного цикла

3. 3. 176 настроек — не полный перебор

   4 модели × 2 набора задач × 22 настройки

4. 4. Два набора проверяют разную работу

   Исправить репозиторий ≠ выполнить задачу в терминале

5. 5. План живёт вне истории диалога

   update_plan → сохранённый план → следующий вход модели

6. 6. Меняется весь интерфейс действий

   Готовые операции ↔ команды bash

7. 7. Пять политик собираются из трёх механизмов

   Заглушки · возврат оригинала · пересказ

8. 8. Сначала дешёвые заглушки, затем пересказ

   T4 сохраняет начало задачи и свежий хвост

9. 9. Маленькое окно делает управление контекстом ценнее

   Доля решённых задач по размеру окна, оба набора

10. 10. Большая часть выигрыша — предотвращённый обрыв

    Ошибки переполнения у T0 и длина траекторий

11. 11. T4 — самая дешёвая из управляемых политик

    У T4 дорогой пересказ срабатывает реже

12. 12. Модели редко возвращают выводы из-под заглушек

    T2 против T1: возврат добавлен, остальное совпадает

13. 13. Слабой модели план помогает не бросать задачу

    Nemotron-3 30B · SWE-bench · T4/128k

14. 14. Сильным моделям план сокращает лишние проверки

    Nemotron-3 550B и Mistral Medium 3.5 · SWE-bench · T4/128k

15. 15. Bash помогает одной модели и мешает другой

    T4/128k · план включён

16. 16. Одна модель меняет предпочтение между наборами

    Mistral Medium 3.5 · T4/128k

17. 17. Каждый компонент оставляет свой след

    Длина траектории · точка остановки · размер действия

18. 18. Разметку поведения тоже нужно проверять

    LLM-судья + выборка, проверенная людьми

19. 19. Результат ограничен моделями, задачами и реализацией

    Четыре модели · два семейства · одна попытка на задачу

20. 20. Симптом в траектории подсказывает компонент

    Наш вывод из исследования

21. 21. Обвязка должна окупаться

    Управление контекстом снимает ограничение окна

    Заглушки перед пересказом снижают цену

    План меняет момент остановки

    Интерфейс зависит от модели и задачи

    Проверяйте пользу после смены модели

    Измеряйте причину, затем меняйте механизм