Гарри Тан про AI-native компанию: память важнее модели (Рубрика #AI4SDLC) Посмотрел доклад Гарри Тана, президента и CEO Y Combinator, «Every company should have a Brain» с AI Engineer World’s Fair 2026. Главный тезис: преимущество даёт не особая модель, а организация работы вокруг агентов и накопленного контекста. По собственной оценке Тана, его производительность в программировании выросла до 400 раз, а со строгими поправками — в 8–80 раз. Это не benchmark, а личная оценка. Важнее другое: условные «2x» и «100x» разработчики используют те же модели. Разница - в обвязке. Тан предлагает смотреть на агентную систему как на организацию: - Skill-файл - сотрудник с одной обязанностью; - Resolver - оргструктура, направляющая задачу; - Правила хранения - внутренние процессы; - Evals - проверка их работы (аля performance review) Неоднозначные задачи Тан предлагает отдавать модели и сейчас это это понять намерение и сделать выбор. А состояние, расчёты, ограничения и проверки можно поручить детерминированному коду. Многие сбои начинаются там, где одно пытаются заменить другим. Но даже хороший агент ограничен контекстным окном, а компания - это библиотека из переписки, встреч, решений и postmortem. Поэтому «мозг компании» у Тана - не просто поиск, а библиотека плюс библиотекарь, выбирающий нужный контекст для задачи. Свой вариант Тан развивает в открытом проекте GBrain - слое памяти и поиска для агентов с синтезом ответов, ссылками на источники и графом связей: Без источников, проверки противоречий и удаления устаревшего знания такой «мозг» превратится в свалку с хорошим поиском. Память здесь - production-инфраструктура, а не папка для всего подряд. Практический совет от Гарри - не делать одноразовую работу. Удачный результат нужно превратить в повторяемый skill и проверить через eval. Тогда организация накапливает способность, а не каждое утро начинает с амнезии. #AI #AI4SDLC #Agents #Engineering #Architecture #Management