Новый проект Activeloop превращает следы работы ИИ-агентов в навыки, которые можно использовать между сессиями
Компания Activeloop представила Hivemind — открытый слой памяти для ИИ-агентов, которые используются в разработке программного обеспечения. Система подключается к инструментам вроде Claude Code, Codex, Cursor, OpenClaw, Hermes и pi, сохраняет следы их работы и превращает повторяющиеся решения в навыки, доступные следующим запускам. Разработчики описывают Hivemind как «общий мозг» для агентов команды.
Идея продукта строится на простой проблеме: многие ИИ-агенты остаются полезными только внутри одной сессии. Они могут исправить ошибку, подобрать удачный способ миграции, разобраться в структуре проекта или найти обходной путь, но после завершения запуска этот опыт часто не становится частью общей рабочей памяти. Следующий агент снова ищет те же файлы, повторяет те же проверки и может споткнуться о уже известную проблему.
Hivemind предлагает другой режим работы. Он записывает промпты, вызовы инструментов, ответы и действия агента как структурированные traces — следы выполнения задачи. Затем система выделяет из них повторяющиеся паттерны и оформляет их как reusable skills — переиспользуемые навыки. Эти навыки могут использовать другие агенты, сотрудники и машины внутри одной команды.
В описании проекта Activeloop приводит пример: один инженерский агент в понедельник разобрался со сложной миграцией, а во вторник все агенты команды уже могут применить тот же подход. Для разработки это важнее обычной истории чатов. Речь идет не о том, чтобы человек мог перечитать старую сессию, а о том, чтобы следующий агент сам нашел и использовал накопленный опыт.
Технически Hivemind работает как внешняя память и база навыков поверх уже существующих coding-агентов. Он сохраняет данные в Deeplake, умеет искать по traces и skills, использует резервный поиск по тексту, когда индекс недоступен, и перехватывает файловые операции через виртуальную файловую систему. Это не новая языковая модель, а инфраструктурный слой, который меняет поведение агентов между сессиями.
У этой идеи есть важное ограничение. Постоянная память полезна только тогда, когда есть отбор и проверка. Если система будет автоматически закреплять любые прошлые действия, она может распространять не только удачные приемы, но и ошибки, временные костыли, устаревшие решения или небезопасные практики. В материалах Deeplake о таких системах отдельно упоминаются снимки данных, оценка результатов и политика продвижения удачных взаимодействий в обучающий корпус.
Исследователи, которые изучают обучение агентов через внешнюю память, пишут, что само сохранение опыта не решает проблему: слабое место просто переносится в то, как этот опыт представлен, когда он извлекается и подходит ли он к новой задаче. В работах о навыках агентов звучит похожая мысль: система должна не только накапливать прошлые решения, но и сжимать их, уточнять и удалять устаревшие или ошибочные знания.
Поэтому ценность Hivemind будет определяться не объемом сохраненных traces, а качеством отбора: какие прошлые действия станут навыками, как они будут проверяться и как система не позволит старым решениям превратиться в новый технический долг.