AgentKit от OpenAI только что уничтожил Swarm

Снова разгорается хайп вокруг Swarm в X, и не потому, что OpenAI тайно resurrected мертвый фреймворк. Прокручивайте соцсети, и вы увидите вирусные клипы агентов в стиле "Swarm", проводящих код-ревью, исследовательские спринты и полные рабочие процессы, каждый из которых набирает тысячи лайков и цитат от разработчиков ИИ, стремящихся к следующему раскрытию производительности.

С путаницей все просто: брендинг против реальности. Инфлюенсеры продолжают упоминать OpenAI Swarm и намекать на таинственное “Обновление Роя”, в то время как реальный движок большинства этих демонстраций - это AgentKit, новая платформа агентов от OpenAI, а не эксперимент 2024 года, о котором все помнят.

Swarm сам по себе был крошечной, почти игрушечной системой оркестрации, которую OpenAI представил в 2024 году. Она демонстрировала, как можно соединить несколько безгосударственных агентов менее чем за 100 строк кода на Python, передавая управление от одного агента к другому, как эстафетную палочку.

Этот минимализм сделал Swarm привлекательным для хакеров и educators. Вы могли просмотреть один файл, понять всю систему и создать ответвление примера за считанные минуты, но вы тоже сталкивались с жесткими ограничениями, как только пытались запустить что-то серьезное поверх этого.

Swarm был выпущен без производственных важных компонентов. Нет встроенной памяти, нет структурированного отслеживания, нет защитных механизмов, а также нет предопределённых паттернов для повторных попыток, эскалации или контрольных точек с участием человека — только просто передача запросов и немного логики маршрутизации.

К марту 2025 года OpenAI тихо сделала этот статус официальным: Swarm был устаревшим и отложенным. Документация и разработческое взаимодействие направили людей к новому SDK агента, более надежной платформе, которая в конечном итоге станет основой для AgentKit.

Таким образом, когда создатели говорят о обновлении Swarm 2025, они в основном говорят о настроении, а не о версии. Фраза Swarm Framework закрепилась как краткое обозначение многопользовательской оркестрации, даже после того как оригинальная кодовая база перестала развиваться.

На самом деле, игру в конце 2025 года изменила появление AgentKit. OpenAI объединила оркестрацию, безопасность, наблюдаемость и интеграции в единую стек: визуальные конструкторы, готовые к использованию интерфейсы чата и реестр коннекторов с более чем 200 сервисами.

Сегодняшний цикл хайпа сосредоточен вокруг этого набора, а не на зомби-репозитории 2024 года. Swarm — это призрак в истории, полезный как отправная точка, но настоящий сюжет теперь принадлежит его значительно более мощному духовному наследнику.

AgentKit прибыл на DevDay 6 октября 2025 года как ответ OpenAI на вопрос, который Swarm так и не решил: как создать многопользовательские системы, которые не разваливаются вне демонстрации? Если Swarm был умным репозиторием на GitHub, то AgentKit — это полнофункциональная платформа, созданная для интеграции в реальные продукты, с реальными пользователями и реальными соглашениями об уровне обслуживания.

Swarm остался прототипом по замыслу. Он связывал статeless агенты менее чем за 100 строк кода на Python, используя старое API для завершения чатов, но поставлялся без слоя памяти, без трассировки и почти без обеспечения безопасности. AgentKit меняет этот подход, предлагая заданные по умолчанию параметры для наблюдаемости, политики и масштабирования, так что команды могут переходить от хакатона к производству, не меняя фреймворки по ходу дела.

В центре находится визуальный Конструктор Агентов, холст с функцией перетаскивания, который больше похож на Figma, чем на терминал. Разработчики объединяют планировщики, инструменты, извлекатели, оценщики и контрольные точки, представляя их в виде узлов, затем версионируют, тестируют и продвигают эти потоки как любые другие программные артефакты.

Agent Builder также включает в себя некрасивую инфраструктуру, оставленную пользователям Swarm. Вы определяете хранилища долговременной памяти, настраиваете схемы инструментов, подключаете серверы MCP и устанавливаете защитные рамки на уровне графа, так что каждый агент в рабочем процессе по умолчанию наследует один и тот же стек безопасности и логирования.

ChatKit превращает эти рабочие процессы в готовый к отправке пользовательский опыт. Он предоставляет командам поверхность чата, готовую к приложению — веб-компоненты, мобильные SDK и дизайнерские токены — так, что одна и та же графика агентов может использоваться для внутренних консолей, интерфейсов для клиентов или встроенных виджетов без необходимости повторного создания фронтенда каждый раз.

Внутри ChatKit управляет состоянием сеанса, идентичностью пользователя и изоляцией многопользовательской среды. Это важно, когда одно развертывание может обслуживать тысячи одновременно подключенных пользователей и десятки типов агентов, каждый из которых имеет различные разрешения, инструменты и объемы данных.

Реестр соединителей — это то место, где AgentKit выделяется среди всех клонов, вдохновленных Swarm. OpenAI предлагает более 200 готовых к подключению соединителей для таких систем, как Dropbox, Google Drive, Slack, Microsoft Teams, Salesforce, Jira, GitHub и Snowflake, все управляемые из единого рабочего пространства.

Вместо того чтобы вручную разрабатывать потоки OAuth и хрупкие обертки для API, команды активируют соединители, сопоставляют роли и поля, и сразу же предоставляют эти инструменты конкретным агентам. Контроль политик и журналы аудита идут в комплекте, так что команды безопасности действительно могут утвердить многоагентский доступ к данным в продуктивной среде.

В совокупности, Agent Builder, ChatKit и Connector Registry решают проблему фрагментации, которая до сих пор определяет агентный ИИ. AgentKit заменяет множество кастомных скриптов, пользовательских интерфейсов и связующего кода единой предвзятой стеком, нацеленной на одну задачу: превращение многопользовательских экспериментов в стабильное, поддерживаемое программное обеспечение.

Конструктор Агента от AgentKit выглядит меньше как интегрированная среда разработки и больше как студия автоматизации без кода. Разработчики перетаскивают блоки для планировщиков, инструментов, извлекателей и оценщиков на холст, соединяя их друг с другом, как детали Lego. Внутри система компилируется в полный граф агента, но на поверхности вы просто переставляете цветные узлы, а не juggling асинхронные обратные вызовы и хрупкий код-приклеиватель.

Рабочие процессы, которые раньше требовалиHundreds of lines of orchestration logic теперь помещаются на одном экране. Вы можете направить запрос пользователя к планировщику, разветвить его на нескольких специализированных агентов, а затем аггрегировать их результаты в окончательный ответ. Каждое ребро на графе явно, что делает отладку передачи задач между несколькими агентами гораздо менее загадочной.

Ограничения с участием человека находятся непосредственно в этом интерфейсе. Вы устанавливаете контрольные точки обзора, где человек должен одобрить действие, утвердить вызов инструмента или отменить решение агента. Вместо того чтобы добавлять модерацию на уровне API, вы визуально моделируете пути эскалации: «если высокорисковая ситуация, приостановите и уведомите юридический отдел».

Сила исходит из Реестра Коннекторов, который действует как магазин приложений для возможностей агентов. OpenAI предлагает более 200 интеграций "включай и работай", охватывающих: - Dropbox, Google Drive и Box для доступа к файлам - Slack, Teams и электронную почту для связи - Salesforce, HubSpot и различные CRM для работы с клиентскими данными - GitHub, Jira и инструменты CI для инженерных рабочих процессов

Вы связываете соединители с узлами в Agent Builder, так что агент "исследование" может извлекать PDF-файлы из Dropbox, в то время как агент "поддержка" запрашивает вашу CRM-систему. OAuth, ротация секретов и области остаются централизованными в реестре, а не разбросанными по переменным окружения и индивидуальным сценариям.

Как только агента графа начинает работать, ChatKit превращает его во что-то, с чем пользователи могут взаимодействовать. Разработчики внедряют виджеты ChatKit в веб-приложения, внутренние панели управления или мобильные клиенты, имея полный контроль над брендингом, ролями и разрешениями. Одна поверхность ChatKit может направлять различные намерения к разным агентам за кулисами, так что "возвратить этот счет" тихо запускает автоматизацию финансовых процессов, в то время как "резюмировать эту презентацию" обращается к агенту знаний.

Для получения более технических деталей, официальный обзор OpenAI в Представляем AgentKit - Официальный OpenAI подробно рассматривает эти компоненты и их производственные ограничения.

Созданный для хобби-проектов, Swarm никогда не беспокоился о проверяющих или командах compliance. AgentKit — это другой подход. OpenAI позиционирует его как корпоративное решение для управления агентами, с безопасностью, наблюдаемостью и оптимизацией, встроенными с самого первого вызова API, а не добавленными позже.

Где Swarm поставлялся с "менее 100 строк кода", AgentKit поставляется с политиками. Каждый запрос и вызов инструментов проходит через ограничения, которые обеспечивают соблюдение организационных правил: какие данные агент может использовать, к каким подключателям он может обращаться и насколько агрессивно он может действовать без одобрения человека.

Защита данных переходит от примера GitHub к жесткому требованию. AgentKit включает в себя маскировку персонально идентифицируемой информации (PII), автоматически скрывая адреса электронной почты, номера телефонов, идентификаторы аккаунтов и другие идентификаторы в следах и журналах, чтобы команды могли отлаживать агентов, не раскрывая данные клиентов в потоках наблюдаемости.

Мемы о джейлбрейке на X сталкиваются с гораздо менее снисходительным временем выполнения. AgentKit работает с многослойным обнаружением джейлбрейка в запросах, промежуточных мыслях и выводах инструментов, блокируя попытки инъекции запросов, захвата ролей и паттерны экстракции данных до того, как они распространятся через многоагентский рабочий процесс.

Вместо того чтобы разработчики делали скриншоты неожиданных результатов, AgentKit опирается на интегрированную Evals инфраструктуру. Команды могут определять наборы оценок, запускать их на агентах и инструментах и сравнивать результаты с течением времени, внося изменения в подсказки, логику маршрутизации или модели.

Ключевым моментом является то, что эти оценки непосредственно связаны с производственными трассами. Разработчики могут: - Отслеживать каждый шаг Агента через планировщики, извлекатели и инструменты - Привязывать оценки от автоматических или человеческих оценщиков - Разбивать производительность по сегментам клиентов, вариантам использования или версиям модели

Этот цикл обратной связи устанавливает следующий этап: уточнение укрепления. В ноябре 2025 года OpenAI запустила бета-версию RFT, которая позволяет командам оптимизировать стратегии рассуждения и политики использования инструментов на основе реальных данных, а не синтетических показателей.

RFT не просто подталкивает подсказки. Он обучает модели выбирать лучшие инструменты, более эффективно упорядочивать вызовы и пропускать ненужные промежуточные этапы. Предварительные внутренние тесты показывают, что 04 Mini работает на 30% эффективнее по количеству токенов в сложных, насыщенных инструментами рабочих процессах при настройке с использованием этих специфических сигналов для агентов.

Собрав все это вместе, AgentKit перестает выглядеть как игрушка для разработчиков. Он выглядит как инфраструктура.

Циклы хайпа не оплачивают счета; отгрузка продукта - да. AgentKit уже прошел стадию проверки концепции, с реальными компаниями, которые тихо интегрируют его в те части своего бизнеса, где задержки, время работы и деньги действительно имеют значение. Цифры, поступающие от ранних пользователей, больше похожи не на демонстрацию в лаборатории, а на практическое руководство.

Платежный процессор Ramp является ярчайшим примером. Перестроив свои внутренние инженерные помощники на многопользовательском стеке AgentKit, Ramp сообщает о сокращении циклов итерации примерно на 70%. Это означает, что эксперименты с функционалом, обработка ошибок и обновления внутренних инструментов происходят за дни вместо недель, поскольку агенты обрабатывают код-ревью, регрессионные проверки и документы параллельно.

Под капотом Ramp использует специализированных агентов вместо одного монолитного помощника. Агент-планировщик разбивает работу на подзадачи, агент инструментирования обращается к API CI/CD и наблюдаемости, а агент документации переписывает спецификации и журналы изменений. Реестр соединителей AgentKit связывает все это воедино, так что каждый агент работает с одними и теми же репозиториями кода, системами управления задачами и логами без дополнительного хрупкого слоя интеграции.

Coda также активно работает с клиентами. С помощью AgentKit компания автоматизировала около двух третей своих входящих запросов в службу поддержки, направляя только сложные случаи к людям. Обычные вопросы — путаница с платежами, доступ к рабочему пространству, основные вопросы по шаблонам — проходят через агента сортировки, агента извлечения, который обращается к базам знаний, и агента эскалации, который отмечает любые неясности.

Критически важно, что Coda учитывает людей в процессе, не затопляя их. Агенты составляют ответы, находят соответствующие документы и предлагают решения; представители поддержки одобряют, корректируют или отменяют их. Встроенные оценки и защитные механизмы контролируют точность, уровень заблуждений и удовлетворенность клиентов, чтобы система улучшалась, а не тихо drifted.

В совокупности эти показатели — на 70% быстрее циклы разработки и 66% автоматизация тикетов — превращают AgentKit из привлекательной игрушки для разработчиков во что-то другое: повторяемый и измеряемый инструментарий для снижения операционных затрат в больших масштабах.

Эйфория вокруг AgentKit укоренилась в гораздо более крупном сдвиге 2025 года: ИИ переходит от единичных, универсальных моделей к сетям специализированных агентов, которые взаимодействуют. Вместо того чтобы один огромный запрос пытался совмещать планирование, использование инструментов и проверку, команды создают планировщиков, исследователей, исполнителей и критиков, которые обсуждают наилучший путь вперед.

Думайте о колонии муравьев, а не о суперкомпьютере. Множество агентов подходит к проблеме с разных сторон, делятся частичными успехами и быстрее приходят к решениям, чем одна монолитная система, которая вынуждена рассуждать от начала до конца за один раз.

Исследователи формализуют это с помощью оптимизации в стиле «муравейника» над роями больших языковых моделей (LLM). В статье на arXiv от 10 ноября показано, что многосAgentный поиск, обратная связь и голосование позволяют достигать решений более высокого качества с меньшим количеством неудачных попыток, особенно в задачах, требующих сложного reasoning и программирования.

Заковырка: каждый дополнительный агент добавляет вычислительные затраты. Каждая передача означает больше токенов, больше контекста для обработки и больше следов для хранения. Наивные рои увеличивают задержку и стоимость, с десятками дополнительных решений и повторных попыток для каждого запроса пользователя.

Модели нового поколения начинают смягчать эту проблему. Мультимодальная архитектура GPT-5 может поддерживать общий контекст между агентами, эффективно маршрутизировать запросы и сжимать промежуточные рассуждения, чтобы группы не просто шли методом проб и ошибок к решению задач. OpenAI утверждает, что 04 Mini под управлением RFT уже на 30% более эффективен в использовании токенов при многошаговых рабочих процессах.

Отраслевые данные подтверждают, почему все спешат сюда. Внутренние ориентиры торговых компаний показывают, что подход Дженсена к выборке с использованием роя увеличивает количественные награды на 94%, тогда как ранние пользователи сообщают о 5–10-кратном увеличении скорости экспериментальных циклов, когда они переходят от отдельных агентов к согласованным командам.

Консалтинговые компании фиксируют это в языке высшего руководства. McKinsey называет агентивный ИИ «главным рубежом технологий», предполагая, что потоки работ, управляемые ИИ, могут вырасти с примерно 3% процессов в компаниях сегодня до 25% к концу 2025 года, если многоагентные системы будут развиваться по ожидаемому сценарию.

Экосистемы фрагментируются и развиваются одновременно. Инструменты MPC от Anthropic выросли до более чем 200 компонентов, созданных сообществом, всего за шесть месяцев, в то время как игроки с открытым исходным кодом, такие как DeepSeek и Llama 3, стремятся к более прозрачным, удобным для модификации стека, чем кураторский AgentKit от OpenAI.

Разработчики, жаждущие низкоуровневого контроля, по-прежнему черпают идеи из оригинального Swarm, при этом OpenAI Swarm - Репозиторий на GitHub выступает в роли исторического шаблона для легковесной оркестрации, даже когда AgentKit и его аналоги определяют будущее производства.

AgentKit может быть блестящим новым движком OpenAI, но он входит в арену, которая больше напоминает Kubernetes в 2016 году, чем уютный монополистический холдинг. Разработчики уже разделились на лагеря: оставаться в огороженном саду AgentKit от OpenAI или ставить на открытые, модельно-агностические стеки, которые не устареют с следующим выступлением на DevDay.

Экосистема MPC компании Anthropic стала стандартным противовесом. Построенная вокруг Протокола Контекста Модели, MPC превращает инструменты, источники данных и целые бэкенды в адресуемые по сети возможности, которые может вызывать любой соответствующий агент. Более 200 открытых инструментов, запущенных за шесть месяцев, сигнализируют о совершенно иной философии по сравнению с кураторским Реестром Коннекторов AgentKit и предвзятым Конструктором Агентов.

Где AgentKit предлагает целостную оркестрацию, MPC продает составляемость. Вы можете интегрировать Claude, GPT‑5 или локальную модель Llama в один и тот же рабочий процесс, если они поддерживают MPC. Эта гибкость привлекает команды, уже испытавшие трудности при миграции с Swarm, когда OpenAI отключила его в марте 2025 года и перенаправила всех на новый стек SDK для агентов.

Привязка к поставщику больше не является абстрактной проблемой; это еженедельный аргумент X. Разработчики указывают, что AgentKit тесно связывает: - Выбор модели - Логику оркестрации - Телеметрию и оценки - Коннекторы и хостинг

Переключение позже означает необходимость перестраивать не только подсказки, но и целые рабочие процессы, трассировки и политики безопасности. Защитники подхода MPC-first утверждают, что открытые протоколы позволяют менять модели или провайдеров хостинга без необходимости пересматривать логику вашего агента.

Открытые альтернативы уточняют этот аргумент. Deepseek предлагает агрессивно оптимизированные модели по низкой цене, которые обходят GPT‑4.1 и GPT‑4.5 по стоимости за токен, оставаясь при этом «достаточно хорошими» для многих задач, связанных с автоматизацией, таких как рефакторинг кода, анализ логов и маршрутизация документов. Для команд, работающих с тысячами одновременно работающих агентов, разница в 30–40% в стоимости имеет большее значение, чем несколько пунктов в бенчмарках.

Llama 3 — часто неправильно написанный как Llama 3 в социальных обсуждениях, но все еще де факто бренд открытой модели — олицетворяет другую стратегию: саморазмещенные агенты на ваших собственных GPU или VPC. Этот путь обменяет полированную систему безопасности и оценок AgentKit на полный контроль над резидентностью данных, задержкой и тонкой настройкой. Предприятия в сфере финансов и здравоохранения все чаще прототипируют на AgentKit, а затем усиливают системы на основе Llama, как только требования стабилизируются.

Все это помещает AgentKit в знакомую роль: самый быстрый способ запустить что-то реальное, а не обязательно достигнуть финальной цели. В волне агентного ИИ 2025 года разумным шагом для разработчиков станет проектирование с учетом портируемости — рассматривать AgentKit как одну мощную точку в более широком экосистеме, управляемой протоколами, а не как единственную игру на рынке.

Тридцатидневные циклы ИИ-войн звучат захватывающе, пока вы не находитесь в радиусе взрыва. Агентные стеки теперь переходят из репозитория GitHub в «продукцию» за выходные, подгоняемые основателями, стремящимися к эффектным скриншотам для соцсетей, и инвесторами, требующими ежемесячных моментов взрывного хайпа. Качество, тестирование и базовая наблюдаемость часто остаются далеко позади демонстрации.

Многоагентные системы усиливают каждую резкость. Один агент, создающий иллюзии, - это плохо; пятеро агентов, передающих частичные истины, могут тихо исказить целый рабочий процесс. Разработчики сообщают о большем количестве отказов «это работало на этапе разработки», когда агенты неправильно интерпретируют выводы друг друга, неправильно маршрутизируют задачи или зацикливаются на одной и той же подцели, пока не достигнут лимитов.

Тонкие галлюцинации становятся структурной проблемой, а не забавным багом модели. Агенты планирования могут изобретать инструменты, которых не существует, фабриковать поля API или выводить разрешения, которые никогда не были предоставлены. В рое эти ошибки распространяются: исполнитель доверяет планировщику, извлекатель доверяет исполнителю, и окончательный ответ выглядит безупречно, но в действительности он ошибочен так, что это ускользает от поверхностного тестирования.

Отладка этого беспорядка является отдельной дисциплиной. Нетривиальный многоагентный рабочий процесс может генерировать тысячи событий трассировки на запрос: вызовы инструментов, повторные попытки, изменения планировщика, подрешения и межагентские сообщения. Разработчики обсуждают необходимость прокручивания трассировок на 5,000 строк только для того, чтобы понять, почему один единственный запрос в поддержку был escalated вместо того, чтобы разрешиться самостоятельно.

Задержка также взлетает. Каждый дополнительный переход агента увеличивает латентность модели, сетевые раунды и накладные расходы инструментов. Без жесткой оптимизации — меньшего числа агентов, ограниченной глубины планирования, агрессивного кэширования — команды наблюдают, как рабочие процессы, начавшиеся с 3 секунд, растягиваются до 30 секунд и более, а затем полностью истекают по времени, когда реальный пользовательский трафик начинает поступать.

Масштабирование превращает эти неудобства в сбои. Десять пользователей, работающих с многоагентным потоком, - это прекрасно; 10,000 одновременных сессий могут вызвать: - Внезапные всплески стоимости токенов - Штормы ограничения скорости API инструментов - Накопление очередей, которое разрушительно отражается на сервисах

Возможности остаются巨大ными. Мультиагентные системы уже увеличивают производительность некоторых команд в 10 раз, от пайплайнов кода до триажа поддержки второго уровня. Но менталитет золотой лихорадки скрывает, сколько наблюдаемости, оценок и безжалостного упрощения требуется, чтобы не допустить коллапса этих агентских роя под собственным весом сложности.

Сверка может быть мертва, но 2026 год, похоже, готов превратиться в то, на что она намекает, а не в то, что закодировано. AI-агенты движутся к тому, чтобы стать универсальным пользовательским интерфейсом, находясь выше приложений и API так же, как браузеры находятся над HTML. Вы не будете «открывать Figma» или «входить в Jira», а просто скажете агенту рабочего пространства, какого результата вы хотите, и наблюдайте, как он организует все под ним.

Экономики агентов начинают выглядеть настоящими, когда эти агенты перестают быть разовыми сопроводителями и начинают вести себя как постоянные сервисы. Представьте себе репозиторий, где рой специализированных агентов управляет: - Ошибками в CI и ненадежными тестами - Обновлениями зависимостей и патчами безопасности - Регрессионной сортировкой и откатами все это без участия человека в командной строке, если не произойдет что-то действительно новое.

Это не научная фантастика; это направление текущего развития. Компании, которые уже интегрируют AgentKit в производственные процессы сегодня, по сути, закладывают основу для автономных ремонтных бригад 2026 года. Документация, такая как Документация по агентам OpenAI Platform, читается больше как технические характеристики нового операционного слоя, чем как заметки по SDK.

Сообщенные расходы Meta в размере ~$70 миллиардов на капитальные расходы — самый явный признак. Вы не вкладываете такие суммы в дата-центры просто для того, чтобы немного улучшить ранжирование новостной ленты. Вы это делаете, чтобы разместить рои агентов на планетарном уровне, которые могут поддерживать торговлю, модерацию, инструменты для создания и внутреннюю автоматизацию на таком уровне, где люди становятся обработчиками исключений, а не основными операторами.

Перемотаем на год вперед, и сложная цифровая инфраструктура начинает напоминать многопользовательскую игру, управляемую командами ИИ. Один кластер агентов управляет Kubernetes, другой оптимизирует расходы в облаке в реальном времени, третий ведет переговоры по контрактам API между сервисами. Люди устанавливают политики, просматривают панели мониторинга и вмешиваются, когда агенты не согласны или отклоняются от курса.

Если 2025 год был посвящён доказательству, что многоагентные системы работают, то 2026 год - это то время, когда они тихо возьмут на себя скучные аспекты управления интернетом.

Прекратите листать X и бесконечно обновлять потоки Swarm. Создайте репозиторий, откройте AgentKit и свяжите маленького агента, который выполняет одну утомительную задачу, которую вы повторяете каждый день: сортировка GitHub-ошибок, создание контрольных списков для PR или подведение итогов инцидентов. Запустите примитивный внутренний инструмент за неделю, а затем укрепите его с помощью логов, оценок и реальных пользователей на второй неделе.

AgentKit — это не ностальгия и не скрытое обновление Swarm. AgentKit — это движок: конструктор агентов, ChatKit, реестр коннекторов и стек оценок, которые превращают классическую демонстрацию в надежную систему. Swarm был эскизом; AgentKit — это производственный конвейер.

Смотрите на агентов как на усиливающие факторы, а не как на статус-репера. Команды, интегрирующие агентов в существующие рабочие процессы, уже наблюдают 2–10-кратные победы: очереди поддержки автоматически разрешаются, шум CI фильтруется, подготовки продаж выполняются до того, как люди проснутся. Оставив сторонние прогнозы McKinsey в стороне, ваши собственные метрики — MTTR, время цикла, количество заявок на человека — быстро покажут, работает ли система.

Практические следующие шаги для разработчиков:

• 1Выберите один рабочий процесс с четкими метриками: SLA, размер бэклога, время выполнения.
• 2Используйте Agent Builder для объединения планировщика, исполнителя с вызовом инструментов и этапа одобрения человеком.
• 3Подключитесь к двум или трем источникам данных из регистра коннекторов, а не к двадцати.
• 4Включите оценивание и отслеживание работы с первого дня.

Для технических лидеров вопрос не в том, "собираться или нет", а в том, "агентский уровень или статус-кво". Создайте небольшую команду с мандатом на 60–90 дней, реальным бюджетом и узким КПЭ: сократите стоимость одного ключевого процесса на 30% или удвойте производительность без увеличения штата. Включите анализ зависимостей от поставщиков, конфиденциальности и соблюдения норм в первый спринт, а не в последний.

Вам не нужен рискованный проект. Вам нужно работающее Агент в производстве. Создайте что-то небольшое с помощью AgentKit в этом месяце, поделитесь тем, что не работает, и примите участие в обсуждении того, как должны выглядеть мног_AGENTные системы, прежде чем все остальные решат будущее без вас.

Что такое OpenAI AgentKit?

AgentKit — это готовый к производству набор инструментов от OpenAI, запущенный в октябре 2025 года для создания, развертывания и управления многоагентными AI-системами. В него входят визуальный конструктор, инструменты интеграции чата и реестр коннекторов.

Является ли AgentKit новой версией OpenAI Swarm?

Нет. Swarm был экспериментальной системой, которая была устаревшей в марте 2025 года. AgentKit — это совершенно новая, более мощная и ориентированная на корпоративный уровень замена, созданная для реальных производственных рабочих процессов, а не обновление Swarm.

Что такое многоагентные системы ИИ?

Многоагентные системы включают в себя несколько специализированных ИИ-агентов, которые сотрудничают для решения сложных задач, с которыми один агент не может справиться самостоятельно. Они работают вместе как команда, разделяя задачи и обмениваясь информацией.

Могу ли я начать использовать AgentKit сегодня?

Да, AgentKit был запущен на DevDay OpenAI 6 октября 2025 года и доступен для разработчиков для создания и развертывания агентских рабочих процессов. Такие компании, как Ramp и Coda, уже используют его в производстве.