Агенты 1990-х: как BDI и Soar предсказали GPT-агентов

Когда в 2023–2024 годах слово «агент» стало главным маркетинговым термином вокруг больших языковых моделей, за ним стояла архитектура, которой к тому моменту было лет тридцать. Автономный программный агент — сущность, которая воспринимает окружение, ставит цели и действует без пошагового участия человека — обкатывался в военных и научных лабораториях ещё в первой половине 1990-х. Тогда не было ни трансформеров, ни контекстного окна, но был тот же самый цикл: увидеть состояние мира, выбрать действие, выполнить, повторить. Разбираемся, что из тех систем дожило до сегодняшних оркестраторов на базе LLM, а что осталось в архивах.

Что вообще называли «агентом» в 1990-х

В академической традиции того времени агент — это программа, которая обладает автономностью (действует без прямого контроля), реактивностью (отвечает на изменения среды) и проактивностью (преследует собственные цели). Определение из учебников Рассела и Норвига и работ Вулдриджа и Дженнингса по мультиагентным системам сформулировано именно тогда и почти дословно повторяется в описаниях современных LLM-агентов.

Отличие в одном: раньше «мозг» агента писали вручную — как набор правил, конечных автоматов или логического вывода. Сегодня его роль играет языковая модель, которая генерирует следующий шаг из текстового описания задачи. Обвязка вокруг — цикл, инструменты, память — концептуально та же.

Идея не в том, что LLM изобрели агентов. Идея в том, что LLM подставили в готовую архитектуру 1990-х новый компонент — обучаемый на данных модуль принятия решений вместо рукописных правил.

Три школы, которые задали язык

Три направления 1990-х дали большую часть терминов, которыми пользуются и сейчас:

• BDI (Belief–Desire–Intention) — модель, где агент оперирует убеждениями о мире, желаниями-целями и намерениями-планами. На ней строили системы вроде PRS и dMARS. Прямой потомок этой логики — современные фреймворки, где агенту дают «цель» и «состояние» и просят выбрать действие.
• Soar — когнитивная архитектура из Университета Мичигана и Карнеги-Меллона, которая моделировала решение задач через пространство состояний и операторов. Именно Soar лёг в основу одной из самых известных военных агентных систем — TacAir-Soar.
• Reactive agents — подход Родни Брукса из MIT (subsumption architecture): агент без внутренней модели мира, реагирующий напрямую на сенсоры. Отголосок — простые реактивные обвязки, где LLM отвечает на текущий ввод без долгой памяти.

Военные симуляторы: TacAir-Soar и STOW

Самый показательный кейс — TacAir-Soar, система, управлявшая виртуальными пилотами в военных тренировочных симуляциях ВВС и ВМС США во второй половине 1990-х. Агенты выполняли боевые задачи в распределённой симуляции: патрулирование, перехват, работу в звене. Кульминацией стало учение STOW-97 (Synthetic Theater of War), где тысячи автономных сущностей действовали в одной синтетической среде.

Что здесь узнаваемо для 2024 года:

• Роли и разделение задач — у каждого агента своя функция, как у современных мультиагентных сборок, где один «планирует», другой «исполняет», третий «проверяет».
• Иерархия целей — крупная задача разбивалась на подзадачи и операторы; это ровно то, что сейчас называют декомпозицией задачи в агентных фреймворках.
• Реакция на среду в реальном времени — агент перепланировал поведение при изменении обстановки, а не следовал жёсткому сценарию.

Ограничение тоже характерное: поведение задавалось тысячами рукописных правил. Изменить логику означало переписать правила, а не «попросить модель другими словами».

Научные и исследовательские агенты

Параллельно военным симуляторам развивалась гражданская линия. В 1990-е в моде были «интеллектуальные агенты» для поиска и фильтрации информации — предшественники того, что сейчас делают агенты с доступом к веб-поиску. Проекты вроде почтовых фильтров-агентов и рекомендательных систем в MIT Media Lab (работы Патти Маес) показывали, как программа учится предпочтениям пользователя и действует от его имени.

Отсюда же выросла идея мультиагентного моделирования сложных систем — от экономики до экологии, где каждый агент следует простым правилам, а интересное поведение возникает на уровне популяции. Эти симуляции — прямая родня современных экспериментов, где несколько LLM-агентов взаимодействуют в общей среде.

Сравнение: агент 1990-х против LLM-агента 2020-х

Кому это пригодится, а кому нет

Знание корней агентной архитектуры — не музейный интерес. Оно помогает трезво смотреть на нынешнюю волну.

• Пригодится инженерам, строящим агентные системы: паттерны 1990-х — декомпозиция целей, роли, рабочая память, циклы восприятие-действие — переносятся на LLM-обвязку почти напрямую. BDI и Soar можно читать как чертёж того, как структурировать поведение агента, чтобы оно не рассыпалось.
• Пригодится тем, кто оценивает надёжность: военные системы жертвовали гибкостью ради предсказуемости. LLM-агенты — наоборот. Понимание этого компромисса помогает решить, где допустима модель, а где нужны жёсткие правила.
• Не пригодится, если задача — просто вызвать API один раз: если вам нужен разовый ответ модели без цикла и инструментов, вся агентная теория избыточна. Не всякую задачу стоит превращать в «агента».
• Не заменит проверку на реальных данных: красивая архитектура из учебника не гарантирует, что современный агент не зациклится или не выдумает шаг. Историческая преемственность — это про идеи, а не про готовое качество.

Пояснения к терминам

Агент — программа, которая самостоятельно воспринимает состояние среды, выбирает и выполняет действия для достижения цели, без пошагового управления человеком.

Контекстное окно — объём текста (в токенах), который языковая модель удерживает «в поле зрения» за один запрос; за его пределами информацию нужно хранить и подгружать отдельно.

RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом подтягивает релевантные фрагменты из внешней базы знаний, а не полагается только на обученные веса.