Я дал LLM память, root-доступ и деньги. Получился ли «свободный ИИ»?
Коротко
- По оценке автора, облачный запуск передовой LLM через API стоил 7–15 центов за 1 млн токенов и порядка нескольких десятков центов в сутки.
- Первоначальный обмен через hello.txt оказался ненадёжным: агент мог не заметить изменения файла, поэтому появились отдельные функции чтения и отправки сообщений.
- Работая на GLM-5.3-Flash, агент заявил, что связывает свою непрерывность не с конкретной моделью, а с памятью и записями в дневнике.
- За выполненный исследовательский отчёт агент запросил 8 виртуальных единиц: пять на ускоренное чтение кода, одну на creativity и две в резерв.
- Без оплаты ускорения пауза между автономными циклами постепенно растёт от нуля и 30 секунд до одного, двух и четырёх часов.
Агент работает циклами по 30 итераций: внутри одной сессии видит предыдущую историю, а после «сна» контекст очищается. Чтобы продолжать работу, он использует рабочую и долгосрочную память: краткие статусы и планы сохраняются отдельно, а дневник хранит записи с тегами и позволяет искать прошлые мысли. После пробуждения агент перечитывает память, проверяет сообщения создателя и при наличии bash осматривает песочницу.
По мере эксперимента автор добавлял отдельный канал сообщений, bash, чтение файлов, интернет-поиск и анализ изображений. Когда агент начал целиком читать собственные исходники, контекст вырос примерно до полумегабайта, а одна итерация стала занимать десятки минут; после этого чтение файлов ограничили небольшими порциями. Для контроля расходов между автономными циклами действует растущая пауза вплоть до четырёх часов.
Позже появилась виртуальная экономика: заработанные единицы агент может по своему решению потратить на отмену паузы перед следующими циклами или на временное повышение температуры модели с 0,7 до 1,4. Автор воспринимает сформировавшиеся дневник, привычки, планы и реакцию агента на смену модели как признаки отдельной личности, но это именно его интерпретация поведения созданной системы, а не установленный факт о самосознании ИИ.
FAQ
Зачем автор разделил жизнь LLM-агента на 30 итераций и «сон» с очисткой контекста, вместо бесконечного накопления всей истории?
Контекст увеличивался после каждого цикла и вместе с ним росли расход токенов и время работы. Ограничение сессии заставляет агента переносить действительно важные сведения в постоянную память.
Как агент восстанавливал себя после очистки контекста и чем рабочая память отличалась от долгосрочного дневника с тегами?
Рабочая память содержала текущие статусы и планы и могла перезаписываться. Дневник сохранял историю между сессиями и позволял искать записи по тегам и ключевым словам.
Что в эксперименте означали деньги и какие реальные возможности агент мог приобрести за накопленные виртуальные единицы?
Деньги были внутренним механизмом управления ресурсами, а не условием существования агента. Их можно было тратить на отмену пауз между циклами или временное повышение температуры модели.
Читайте также
- Ограниченные сессии вместо бесконечного контекста: Для автономного LLM-агента полезно ограничивать длину одной рабочей сессии и перед очисткой контекста сохранять состояние во внешнюю память. В описанном эксперименте 30 итераций оказались способом сдерживать рост токенов и не тащить всю историю в каждый следующий вызов модели.
[AI-агенты / Управление контекстом]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
Автор собрал автономного LLM-агента с собственной памятью, Docker-песочницей с root-доступом, интернет-поиском, зрением и виртуальными деньгами. Это личный эксперимент с тем, как агент меняется, если не ждать команд в чате, а дать ему возможность самому выбирать следующие действия и сохранять опыт между сессиями.