Мой блог
Пять месяцев доработки GoClaw: почему появилась своя система Temporality
Многие разработчики сталкиваются с тем, что стандартные локальные решения быстро исчерпывают свой ресурс при росте команды. Пятимесячный опыт настройки существующего фреймворка GoClaw показал, что для реальной корпоративной разработки агентные системы требуют совершенно иного архитектурного подхода, включающего долгое исполнение, контроль и управление человеческим участием. Попытка адаптировать готовые инструменты под нагрузку первых реальных пользователей выявила множество системных ограничений. В итоге была создана собственная платформа Temporality, обеспечивающая прозрачный контроль выполнения задач.
Создание корпоративной среды для ИИ-агентов
Многие разработчики сталкиваются с тем, что стандартные локальные решения быстро исчерпывают свой ресурс при росте команды. Пятимесячный опыт настройки существующего фреймворка GoClaw показал, что для реальной корпоративной разработки агентные системы требуют совершенно иного архитектурного подхода, включающего долгое исполнение, контроль и управление человеческим участием.
Попытка адаптировать готовые инструменты под нагрузку первых реальных пользователей выявила множество системных ограничений. В итоге была создана собственная платформа Temporality, обеспечивающая прозрачный контроль выполнения задач.
Организация работы вместо одиночного агента
Большинство стандартных фреймворков концентрируются на цикле вызова модели и подключении инструментов. Однако корпоративная задача состоит из длинной цепочки шагов: сбора информации у коллег, согласования артефактов с руководствами, запуска тестов и обработки отказов. Если сервис перезапускается или человек долго не отвечает, стандартный процесс превращается в хаос. Требуется полноценная среда с фиксированным состоянием и правами доступа.
Взаимодействие человека и ИИ: концепция HITL
Участие человека часто сводится к банальной кнопке одобрения. На практике возникают ситуации, когда пользователь может отказаться, изменить требования или ответить с задержкой. Решение человека должно жестко привязываться к версии данных и влиять на дальнейшее исполнение плана, а не просто теряться в истории чата.
Бюджет внимания и управление контекстом
В процессе работы агент рискует растратить токены на устаревшую или нерелевантную информацию. Платформа должна ограничивать не только объем контекста, но и бюджет человеческого внимания, приоритизируя текущую задачу и разделяя общую историю на структурированные данные и запросы по требованию.
Переход к собственной платформе Temporality
После столкновения с деградацией производительности на небольшом числе пользователей автор исходного материала принял решение отказаться от дальнейшего латания чужого кода. Разработка Temporality позволила выстроить четыре взаимосвязанных слоя: исполнение, наблюдение, контроль и обучение.
Слои архитектуры Temporality
Платформа опирается на движок Temporal для долгоживущих задач, событийную историю для анализа сбоев, строгие политики доступа и механизмы извлечения реального опыта из завершенных процессов.
Память и управление знаниями
Простой сброс всех логов в промпт не делает систему умнее. В Temporality история выполнения отделена от проекций опыта, а любые правила и подсказки проходят через жизненный цикл верификации.
Контракты навыков и оценка качества
Навык агента представляет собой проверяемый контракт с входными условиями и критериями качества. Любые изменения проходят через оценочные наборы, а LLM-судья калибруется по историческим данным для предотвращения деградации.
Контроль траектории и безопасность
Подход Agent-SRE отслеживает не просто финальный ответ, а здоровье всей траектории: количество повторных попыток, расход ресурсов и реакцию на ошибки. Для выполнения команд используется изолированная песочница Docker с отключенной по умолчанию сетью и жесткими ограничениями привилегий.
Оценка производительности и итоги
Наличие воспроизводимых нагрузочных тестов в репозитории позволяет оценивать поведение платформы под параллельной нагрузкой. Temporality представляет собой открытую среду исполнения, которая переносит фокус с простых ответов модели на предсказуемость, безопасность и надежность сложных рабочих процессов.
