Пока все обсуждают громкие запуски, самые интересные идеи нередко прячутся в почти пустых репозиториях. Ниже — два проекта, у которых почти нет внимания, но есть внятная ставка на реальные проблемы ИИ-агентов: управляемость и проверяемость.

Ontocortex

Ontocortex предлагает разделить намерение и исполнение: модель не пытается делать всё сама, а выдаёт формализованное намерение в предметном словаре, после чего отдельный детерминированный слой проверяет его, ограничивает рамки, переводит в нужный вид и только потом исполняет. Это интересная попытка уменьшить хаос в поведении агентов не за счёт новых подсказок, а за счёт более строгих границ исполнения.

Почему проект заслуживает большего внимания: идея бьёт ровно в одну из самых болезненных точек агентных систем — как оставить модели полезную свободу, но не превращать выполнение задач в непредсказуемую импровизацию. При этом сигнал низкого интереса почти экстремальный: на момент проверки у репозитория было 0 звёзд и 0 ответвлений на GitHub, а связанный пост на Show HN набрал только 1 балл.

Ardur

Ardur строит слой управления и доказательной фиксации действий для ИИ-агентов: в проекте уже есть среда выполнения на Python, пакеты на Go для ядра и сбора данных в Kubernetes, а также адаптеры для популярных фреймворков. Смысл в том, чтобы фиксировать не только то, что агенту сказали сделать, но и то, что он действительно сделал во время работы.

Почему это недооценённая находка: рынок переполнен разговорами о продуктивности агентов, но заметно реже появляются проекты, которые пытаются дать командам наблюдаемость, контроль и проверяемые следы действий. Это скучнее для витрины, но гораздо важнее для реального внедрения. Несмотря на масштаб замаха, у репозитория на момент проверки была всего 1 звезда и 0 ответвлений на GitHub.

Оба проекта пока выглядят как очень ранние эксперименты, а не как готовые продукты. Но именно в таких тихих уголках часто рождаются идеи, без которых следующий слой агентной инфраструктуры просто не взлетит.