Пост #373

Самый дорогой AI-сценарий обычно выглядит прилично: "ну модель же справляется". А потом смотришь внимательнее, и там один и тот же навык каждый раз заново арендуется по токенам. В этом месте AI как раз начинает взрослеть. В [ReaComp](https://arxiv.org/abs/2605.05485) исследователи взяли reasoning traces и компилировали их не в очередной промпт, а в символические решатели. Итог довольно неприятный для любителей вечно дергать LLM: ансамбли таких решателей дали 91,3% на PBEBench-Lite и 84,7% на PBEBench-Hard, причем без LLM calls at test time. То есть после сборки навык уже не "вспоминается" на каждом запуске. Он живет в механике. Похожая мысль есть и в [From History to State: Constant-Context Skill Learning for LLM Agents](https://arxiv.org/abs/2605.05413): если задача повторяется, выгоднее перегонять контекст в состояние, чем таскать за собой длинную простыню истории и промптов. Не просить модель помнить. Заставить систему знать. И вот тут начинается не наука, а деньги. Каждый повторный запрос к модели это переменная себестоимость, замаскированная под "интеллект". Пока все обсуждают новые интеграции вроде [ChatGPT в Excel и Google Sheets](https://t.me/gpt_news/8022) и инфраструктурные сделки уровня [Anthropic и SpaceX](https://t.me/data_secrets/9181) с сотнями мегаватт и примерно 220k GPU, у бизнеса вопрос скучный: что из этого вы будете гонять через модель тысячу раз, хотя можно один раз прибить к полу правилом, шаблоном, формулой или кодом. Короче, хороший AI-процесс не обязан каждый раз думать. Иногда он просто должен перестать быть чатом.