Проблема «галлюцинаций» и решение через графы
Разработчики The Open Engine устали от ситуации, когда AI-агенты уверяют, что код готов, хотя он содержит критические ошибки. Их ответ — Zeroshot v8. Это не просто новый промпт, а полноценный движок, который заменяет линейный запрос на многоагентный граф.
Ключевая философия проекта: «Агент, пишущий код, не должен быть тем, кто решает, что он работает». В отличие от стандартных чат-ботов, Zeroshot механически соблюдает сценарий: реализация → независимый ревью → исправление ошибок → повторный ревью. Публикация кода (в Git или PR) блокируется, пока оба независимых ревьюера не дадут добро.
Архитектура и технические детали v8
Версия 8.0 стала точкой невозврата для архитектуры. Движок полностью переписан с Node.js на нативный бинарный файл (Rust/C++), что обеспечивает кроссплатформенность и производительность. Установка доступна через npm для Linux (x64/arm64), macOS и Windows (x64).
Система поддерживает гибкую настройку ролей. Вы можете назначить разные модели для разных узлов графа, используя конфигурацию runtime.json или профили в UI.
| Узел графа | Роль | Пример модели/настройки | Поведение при ошибке |
|---|---|---|---|
| Worker | Реализация задачи | Codex / Claude / Copilot | Получает фидбек от ревьюеров |
| Acceptance | Проверка соответствия ТЗ | Отдельная модель (medium/high) | Отклоняет, если не соответствует цели |
| Code Review | Поиск багов и антипаттернов | Отдельная модель (max effort) | Отклоняет, если есть уязвимости |
| Repair | Исправление кода | Тот же Worker или специализированный | Возвращает код на повторный ревью |
Встроенные шаблоны: Software Change и Auto-Research
Zeroshot поставляется с двумя готовыми графами, которые можно кастомизировать:
- Software-change: Стандартный цикл разработки. Агент пишет код → два независимых ревьюера проверяют → если есть замечания, код идет в цикл исправлений (repair loop) → после исправления ревью проходит заново. Только после двух успешных ревью код пушится в Git или создается PR.
- Auto-research: Граф для научных экспериментов. По умолчанию запускает 10 итераций. Три «разведчика» (scouts) предлагают направления, планировщик выбирает лучшее, а независимые судьи оценивают методологию и доказательства. Результаты архивируются, а аудитор проверяет целостность данных перед следующей итерацией.
Управление и интеграция
Инструмент работает как локально, так и в облаке. Локальные запуски могут использовать существующие сессии подписок Codex, Claude Code или GitHub Copilot. Для корпоративного использования доступен self-hosted Docker-образ, который хранит состояние в SQLite и изолирует выполнение.
Результаты всех запусков записываются в неизменяемый SQLite-реестр (ledger), что позволяет полностью отследить историю изменений, причины отклонений и пути исправления кода. Это решает проблему «черного ящика» в AI-разработке.
Источник: Github ↗