Проектирование AI-агентов эффективнее, чем RAG: рост архитектур на базе файловых систем

Реальность внедрения искусственного интеллекта в сервисы сурова. Разработчиков сдерживают чрезмерные затраты на токены, опустошающие кошелек, и низкая точность RAG (генерации с расширенным поиском), когда ИИ несет чепуху, имея правильный ответ прямо перед собой.

До сих пор, чтобы обучить ИИ знаниям, мы дробили все документы на мелкие части и заталкивали их в векторные базы данных. Однако в 2026 году инженерный тренд возвращается к основам. Решением стал подход, использующий наследие Unix — файловую систему — в качестве основного «мозга» AI-агента. Почему эта стратегия, выбранная Claude Code и Vercel, демонстрирует более мощную производительность, чем традиционный RAG? Давайте разберем причины.

---

Возвращение философии Unix: всё есть файл

Современные LLM выросли на обучении триллионам строк исходного кода и структур директорий. ИИ справляется с командами файловой системы, такими как ls, cd и grep, гораздо увереннее, чем со сложными вызовами API.

Архитектура, предложенная Vercel AI Labs, вместо того чтобы давать агенту сотни инструментов, наделяет его 5–10 нативными инструментами Bash, работающими поверх файловой системы. Этот метод использует распределение данных, которое ИИ уже знает лучше всего. В этом секрет мощной производительности, позволяющей немедленно вводить агента в эксплуатацию без дополнительной тонкой настройки (fine-tuning).

Почему навигация по файловой системе точнее, чем RAG

Традиционный RAG полагается на семантическое сходство. Он вероятностным образом находит фрагменты текста, содержащие слова, похожие на вопрос. Однако в юридических документах или сложных кодовых базах точное местоположение важнее похожих слов.

• Структурная точность: Поиск по шаблону с использованием grep имеет значительно меньшую частоту ошибок, чем вероятностный поиск на основе оценки сходства. При поиске конкретного пункта агент на базе файловой системы бьет точно по нужному пути.
• Ленивая загрузка и снижение затрат: RAG одновременно впихивает в промпт чанки из тысяч слов, которые кажутся релевантными. Напротив, агент файловой системы сначала просматривает оглавление (ls) и считывает только специфические части необходимых файлов. Это сокращает использование токенов до 80%.

Критерий сравнения	Традиционный RAG (Vector DB)	Агент на базе файловой системы
Основной механизм	Эмбеддинги и измерение сходства	Команды Unix и навигация
Точность	Вероятностное сходство (риск галлюцинаций)	Детерминированный поиск по шаблону (точность)
Хранение данных	Преобразование в фрагментированные чанки	Сохранение иерархической структуры каталогов
Отладка	Сложно проверить причину вывода результата	Можно отследить по логам выполненных команд

Безопасное предоставление полномочий через песочницу

Предоставление агенту прав на выполнение системных команд может показаться опасным. Чтобы решить эту проблему, Vercel предлагает изолированную архитектуру песочницы.

Инструмент bash-tool от Vercel AI Labs ограничивает взаимодействие AI-агента только изолированной средой Unix. В частности, сочетание с технологией облачных песочниц E2B позволяет блокировать выполнение кода, созданного агентом, на уровне оборудования, чтобы он не затронул хост-систему.

Кроме того, использование технологии OverlayFs позволяет спроектировать систему так, чтобы агент ссылался на реальные файлы проекта в режиме «только чтение», а предложения по модификации безопасно выполнял в виртуальном слое в оперативной памяти.

Практическое применение: создание бота для ответов на внутренние политики компании

Объединив модели с длинным контекстом, такие как Gemini 1.5 Flash, с bash-tool, можно легко создать высокопроизводительного корпоративного бота.

1. Структурирование данных: Разместите неструктурированные документы в логических директориях, таких как /policies/hr, /policies/legal.
2. Цикл навигации: Когда пользователь спрашивает о конкретном правиле, агент находит релевантные файлы с помощью find и извлекает ключевые показатели с помощью grep.
3. Генерация ответа: На основе извлеченной точной информации и источников выдается надежный ответ.

Конечно, для очень огромных массивов неструктурированных данных (миллионы записей) RAG все еще имеет преимущество. Поэтому гибридная стратегия, в которой RAG сужает круг кандидатов, а инструменты Bash выполняют точную навигацию, становится стандартной архитектурой 2026 года.

---

Производительность AI-агента зависит не от размера модели, а от точности связей. Чтобы преодолеть ограничения стоимости и точности традиционного RAG, необходимо обратиться к многовековой мудрости Unix — файловой системе. Навигация с использованием иерархической структуры обеспечивает ИИ пространственный контекст, что напрямую ведет к снижению операционных расходов и повышению надежности ответов. Попробуйте внедрить инструменты навигации на базе Bash в вашу текущую ИИ-систему. Ваш агент станет более дешевым, умным и надежным бизнес-партнером.