Инфраструктура вокруг AI-агентов сейчас часто выглядит скучнее, чем сами демонстрации: журналы действий, бюджеты, права доступа, обучение на провалах, безопасная работа с браузером. Но именно там и прячутся недооцененные проекты. Ниже — семь находок с очень скромной видимой тягой, которые все равно заслуживают внимания.

AIagent²

Самый жесткий сигнал недооцененности: 0 голосов, 2 комментария и 435-е место дня на Product Hunt через Hunted.Space. При этом идея не игрушечная: AIagent² пытается превратить агентов в заказываемые программные услуги. Разработчик регистрирует агента, проверяет, что он действительно выполняет работу, а система занимается маршрутизацией заказов, доставкой результата, оплатой и доступом через API.

Это не выглядит громко, зато закрывает болезненный слой между красивой демонстрацией и оплаченной задачей. Если агенты станут не только помощниками внутри чата, но и внешними исполнителями, им понадобится именно такая скучная обвязка: кто принял заказ, что сделал, когда сдал, как это оплатили и как это проверить.

Keenable SELECT

У Keenable SELECT около 30 очков на Hacker News — немного для идеи, которая предлагает обращаться к поиску по сети как к повторяемому запросу, а не как к свободному блужданию агента. На фоне отдельного освещения Keenable в TechCrunch сам SELECT выглядит почти побочной заметкой.

Ценность здесь в форме интерфейса. Аналитику или агенту проще проверять и повторять исследование, когда оно похоже на структурированный запрос к данным, а не на цепочку непредсказуемых переходов по страницам. Для рабочих процессов, где важны воспроизводимость и контроль источников, это может оказаться важнее очередной эффектной демонстрации автономного браузера.

Агент для медицинских счетов с подписанными действиями

Небольшой пункт на Hacker News описывает агента для работы со страховыми счетами, где каждое действие получает подпись Ed25519, связывается в цепочку хэшей и экспортируется в папку, которую можно проверить через OpenSSL. Видимой широкой дискуссии вокруг этого нет, хотя задача очень практичная.

Регулируемые процессы не могут полагаться на обещание «агент действовал аккуратно». Им нужны переносимые доказательства: что именно сделал агент, в какой последовательности и можно ли это проверить отдельно от платформы. Такой журнал действий может стать базовой гигиеной для медицинских, финансовых и юридических агентов.

Synth

У Synth на запуске Y Combinator всего 82 голоса, хотя он бьет в одну из самых важных проблем: как улучшать вертикальных агентов после реальных ошибок. Подход простой по смыслу: система записывает действия агента, находит повторяющиеся сбои и дообучает модель, которая стоит за агентом. В описании есть сильные заявления — например, относительное улучшение на SWE-Bench на 33% при 100 обучающих примерах и рост качества клиентской задачи редактирования примерно с 85% до 100%.

Даже если к цифрам относиться осторожно, направление правильное. Агентные продукты редко умирают из-за одной ошибки; они умирают из-за повторяемых мелких провалов. Инструмент, который превращает эти провалы в обучающие данные, может быть менее заметным, чем новый интерфейс, но намного полезнее для внедрения.

Helpmaton

Helpmaton появился на BetaList без заметных публичных счетчиков голосов, отзывов или обсуждений. По описанию это платформа для управления AI-агентами: память, запланированные задачи, подключения к Gmail, Google Calendar, Drive, Notion, Slack и Discord, поиск по документам, вебхуки, бюджеты на каждого агента и аналитика.

Интерес не в том, что «агент подключается ко всему» — таких обещаний много. Важнее бюджеты и аналитика на уровне отдельного агента. Команде, которая дает помощникам доступ к рабочим системам, быстро понадобится видеть, кто тратит ресурсы, какие задачи выполняет и где стоит ограничить права. Это операционный контроль, без которого агентные эксперименты остаются игрушками.

Otacons AI Ecosystem

У репозитория Otacons AI Ecosystem на GitHub — 0 звезд. Он описывает себя как локальную платформу для постоянных голосовых AI-агентов. Нулевая видимая тяга обычно означает ранний сырой проект, но сама комбинация «локально, с памятью, голосом и постоянством» заслуживает внимания.

Персональные агенты плохо вписываются в модель одноразового окна чата. Им нужна долговременная память, состояние между сессиями и более естественный ввод, чем набор текста. Локальный подход дополнительно снижает тревогу вокруг приватных данных — если, конечно, проект сможет превратить идею в устойчивый продукт.

omotai/runtime

omotai/runtime — тоже репозиторий с 0 звездами. Он заявлен как детерминированная среда безопасности между AI-агентами и браузером, с Playwright и темами защиты от внедрения вредных подсказок.

Это ровно тот слой, который часто недооценивают. Нельзя защищать браузерного агента только словами в системной подсказке: страницы будут пытаться сбить его с курса, а действия в браузере имеют последствия. Маленькая прослойка, которая делает границы исполнимыми и проверяемыми, может оказаться важнее, чем еще один агент, который «сам открывает сайты».

Что объединяет эти находки

Все семь проектов говорят не о магии, а о взрослении агентной инфраструктуры: заказ работы, проверяемые журналы, воспроизводимый веб-поиск, обучение на ошибках, бюджеты, локальная память и безопасный браузер. У большинства почти нет публичной тяги — от 0 голосов или звезд до нескольких десятков очков. Но именно такие скучные кирпичи часто решают, останется ли агент красивой демонстрацией или сможет выполнять работу в настоящей организации.