Саморазвивающиеся ИИ-агенты: от OpenClaw и ГигаАгента до EvoClaw

Саморазвивающийся ИИ-агент не ограничивается выполнением заданных команд. Он анализирует результаты работы, оценивает свои навыки и может менять конфигурацию, чтобы эффективнее решать задачи. Это дает больше автономности и скорости, но одновременно усложняет управление: агент становится активным участником инфраструктуры, за которым нужно следить и управлять его жизненным циклом.

Рассказываем, чем саморазвивающиеся агенты отличаются от обычных, как устроены OpenClaw и ГигаАгент и почему для таких агентов важно централизованно управлять их жизненным циклом. Показываем, как это реализовать с помощью EvoClaw.

• Саморазвивающийся агент: в чем отличие от обычного ИИ-ассистента
• OpenClaw, ГигаАгент: чем они отличаются
• Что изменил релиз OpenClaw 2.0 (2026.8.1, конец августа 2026 года)
• Когда саморазвивающийся агент оправдан, а когда достаточно обычного
• Почему управление жизненным циклом агентов становится отдельной задачей
• EvoClaw: как централизованно управлять жизненным циклом Claw-агентов

ИИ-ассистент может отвечать на запросы пользователей и выполнять отдельные действия по инструкции. Агент способен на большее — он умеет разбивать задачу на шаги, вызывать инструменты, искать дополнительные данные. Саморазвивающийся агент идет еще дальше — помимо перечисленного он может управлять своими навыками и настройками, чтобы лучше и быстрее достигать целей.

Уровни зависят от самостоятельности агента и его способности влиять на рабочую среду. Их три:

• Реактивный. Агент этого уровня отвечает на конкретный запрос пользователя, например, исправить код, найти ошибку, создать отчет. Если от помощника нужно что-то еще, следующий шаг задает человек.
• Автономный. Здесь агент сам определяет последовательность действий для достижения цели и вызывает доступные инструменты. Человеческие инструкции на каждом шаге ему не нужны.
• Саморазвивающийся. Агент сам влияет на результаты своей работы и средства для ее выполнения. Например, он может менять собственный код и конфигурацию.

Ключевое отличие между уровнями не столько в арсенале доступных функций, сколько в зависимости от человека. Саморазвивающиеся агенты в этом плане самые автономные.

Саморазвитие не означает, что агент будет постоянно переписывать свой код. Его развитие может выражаться через:

• Генерацию новых скиллов. Агент создает новые наборы инструментов и инструкций под задачи, с которыми раньше не работал. Если они хорошо себя покажут, будет использовать их дальше.
• Рефлексию над результатом. После выполнения задачи агент оценивает, что получилось и что пошло не так. Эти выводы он учитывает в следующих сессиях.
• Изменение конфигурации. Агент корректирует свои настройки и стек инструментов, чтобы поменять дальнейшее поведение.
• Self-modification. Наиболее радикальный вариант — агент самостоятельно изменяет собственный программный код или архитектуру. Это полностью меняет механизм работы системы.

Чем самостоятельные агент, тем важнее контролировать его решения и действия.

Автономность ИИ-агента для бизнеса означает не только экономию времени, но и расширение зоны его ответственности. Если агент умеет работать с файлами, обращаться к базам данных и запускать программы, он получает доступ к корпоративным данным и системам. Вместе с этим растут и риски. Например, агент может получить вредоносную инструкцию и раскрыть конфиденциальную информацию. Чем больше у агента прав, тем серьезнее могут быть последствия ошибки или компрометации.

Отдельный риск — теневой искусственный интеллект (shadow AI). Сотрудники могут самостоятельно подключать внешние сервисы без согласования с ИТ и ИБ-службами. Для обычного чат-бота это уже создает риски утечки данных. Автономный агент может пойти дальше: получить доступ к корпоративным системам, изменить данные или выполнить действие без ведома компании.

У саморазвивающихся агентов появляется еще одна особенность: они могут менять собственные настройки и поведение. Поэтому недостаточно проверить агента один раз перед запуском. Нужно постоянно контролировать, какие данные ему доступны, какие действия разрешены и какие изменения он может вносить самостоятельно. Для критичных операций стоит предусмотреть обязательное подтверждение человеком.

Чем больше самостоятельности получает агент, тем важнее заранее продумать, где он работает, к каким системам имеет доступ и как контролировать его действия. Поэтому для рабочих сценариев важен не только сам агент, но и среда, в которой его можно безопасно запускать, настраивать и масштабировать.

У автономных агентов разные возможности и степень самостоятельности. Одни дают больше контроля над моделями и настройками, другие — предлагают готовые инструменты для выполнения задач. Посмотрим, что умеют OpenClaw и ГигаАгент и как их можно использовать.

OpenClaw — открытый автономный ИИ-агент с self-hosted архитектурой. Его можно установить на компьютер или сервер и подключить к языковым моделям. За взаимодействие отвечает многоканальный шлюз Gateway: через него агент работает с привычными операционными системами и мессенджерами, включая Telegram, WhatsApp и Signal. Поэтому общаться с OpenClaw можно прямо в привычном чате — отдельное приложение устанавливать не нужно.

Агент может самостоятельно выполнять действия на устройстве и в интернете:

• искать информацию в интернете;
• читать и записывать файлы;
• работать с браузером;
• выполнять shell-команды.

Возможности OpenClaw можно расширять с помощью плагинов и готовых скриптов от сообщества. Кроме того, агент способен по запросу создавать новые навыки для выполнения задач.

Память и контекст. В OpenClaw 2.0 расширили механизм памяти. Агент может использовать релевантный контекст из других приватных диалогов. При этом пользователь может видеть workflow для поиска, проверки и удаления сохраненной информации.

Автоматизация и проактивная работа. OpenClaw может работать не только по запросу пользователя. Для него можно задавать автоматические сценарии и регулярные задачи с помощью cron, heartbeat и вебхуков. Например, агент может запускать процессы по расписанию или продолжать выполнять задачи в фоне без постоянного участия человека.

Работа с субагентами. Для сложных многоэтапных задач OpenClaw поддерживает делегирование работы субагентам. Основной агент разбивает задачу на несколько процессов, запускает их в отдельных сессиях, а затем объединяет полученные результаты в итоговое решение. Это позволяет параллельно выполнять независимые части одной задачи.

ГигаАгент — автономный ИИ-агент, разработанный Сбером на основе проекта Ouroboros, созданного исследователями Института AIRI. Фреймворк развивается совместными командами AIRI и Сбера. Агент умеет самостоятельно планировать и выполнять многошаговые задачи.

На Terminal Bench 2.1 агент показывает 86,97% с моделью Opus 5. На Opus 4.8 результат составлял 80,22% — разница объясняется обновлением модели.

ГигаАгент умеет работать с большими объемами разрозненных данных, документами и кодом. Для бизнес-процессов он может обрабатывать входящие запросы, коррелировать информацию из разных источников и обновлять показатели.

Основные возможности ГигаАгента:

• подключение нескольких субагентов к одной задаче;
• написание кода и его выполнение в изолированной среде;
• подключение готовых навыков и создание новых, если подходящих нет;
• расширение возможностей с помощью инструментов и MCP-интеграций;
• автономное выполнение задач.

От OpenClaw ГигаАгент отличается прежде всего подходом к работе. OpenClaw дает пользователю больше контроля над окружением цифровых помощников, а ГигаАгент предоставляет готовый набор инструментов для выполнения разноплановых задач.

Краткое сравнение решений:

Релиз 2026.8.1 стал крупным обновлением OpenClaw — в него вошли более 16 000 pull request и вклад 933 контрибьюторов, из которых 569 участвовали в проекте впервые. Изменения коснулись установки, веб-интерфейса, модели, памяти, навыков, автоматизации и совместной работы.

В новой версии установка похожа на пошаговое знакомство с агентом. OpenClaw проверяет, какие локальные модели, подписки и API-ключи есть на устройстве и может их использовать. Нужны только первичные настройки — остальные происходят в диалоге с самим агентом без ручного редактирования конфигурационных файлов. Для новой установки это сильно снижает порог входа.

Существующие инсталляции при переходе на новую версию требуют проверки состояния и миграции данных.

В OpenClaw 2.0 переработали веб-интерфейс. Через браузер можно отправлять агенту запросы, открывать сессии, мониторить задачи, управлять настройками. Работать из одного окна гораздо удобнее, чем переключаться между терминалом, настройками Gateway и чатом.

В новом релизе упростилась совместная работа в одной сессии. Несколько пользователей могут подключаться к задаче и продолжать ее с сохранением предыдущего контекста. Например, один сотрудник запускает исследование кодовой базы, второй — идет в ту же сессию и работает с полученными результатам.

OpenClaw по-прежнему не привязан к одной LLM или одному поставщику. Облачные подписки, API-провайдеры, локальные модели так и остаются на инфраструктуре владельца. Это позволяет менять модель, не перестраивая агентную систему с нуля.

Переход на 2.0 имеет и другую сторону медали — по сообщениям части пользователей, при обновлении возникали проблемы с миграцией: сломанные шлюзы, потерянные автоматизации и сложности с авторизацией моделей. Это связано с тем, что обновление затронуло не только интерфейс, но и внутренние настройки, плагины и работу с сессиями. Если инструмент нужен для повседневной работы, особых проблем не будет — наоборот, его теперь удобнее использовать. В рабочих процессах стоит быть внимательнее и перед обновлением сохранить настройки и проверить плагины.

Для стабильных и формализованных процессов достаточно обычного агента. Ему нужно задать правила, подключить необходимые инструменты и определить последовательность действий для достижения целей. Для простых задач саморазвивающийся агент окажется избыточным, к тому же его сложнее поддерживать и контролировать.

Примеры сценариев для саморазвивающегося агента:

• Разработка и тестирование ПО — агент помогает писать динамичный код, анализирует результаты тестов, находит ошибки и возвращается к написанию уже с новым подходом.
• Оптимизация процессов — агент сравнивает результаты разных вариантов выполнения задачи и выбирает подходящий по стоимости/скорости.
• Динамические процессы — агент адаптируется под меняющиеся данные, условия и ограничения.
• Исследовательские задачи — агент проверяет гипотезы, анализирует полученные результаты и на их основе определяет следующие шаги.

Однако использование саморазвивающегося агента не означает, что можно полностью исключить из процесса человека. Нужно задавать границы допустимых изменений, проверять за цифровым помощником результаты и при необходимости подтверждать критичные действия.

Пока ИИ-агент работает в тестовой среде и не имеет доступа к критичным данным и системам, его настройки можно контролировать вручную. Но в рабочей среде агент получает больше прав, выполняет задачи самостоятельно и может менять свои настройки. Поэтому одного контроля на этапе запуска уже недостаточно.

Нужно постоянно управлять тем, какие версии и настройки использует агент, к каким данным и системам он имеет доступ, какие действия может выполнять самостоятельно и когда требуется подтверждение человека. Такой подход называют управлением жизненным циклом ИИ-агента (lifecycle management).

Агенты работают не только с языковыми моделями, но с файловыми системами, базами данных, браузерами, API, мессенджерами и другими сервисами. Для каждой системы нужно настроить правила доступа и после обновлений проверять, что ничего не сломалось.

Также следует управлять зависимостями. С ростом количества компонентов усложняется и настройка. Необходимо фиксировать зависимости, контролировать изменения и отслеживать ошибки агента.

Агента рассматривают как отдельную программную идентичность с собственными доступами и правами. Последние нужно выдавать по принципу минимальных привилегий — только те, которые требуются для работы.

Отдельно следует контролировать, периодически пересматривать и отзывать доступы, если агент перестал использовать конкретный сервис. Для временных задач доступ можно выдавать на ограниченный срок.

В мультиагентном сценарии над задачей работают несколько агентов. Например, один ищет данные, другой их обрабатывает, третий — передает результаты внешнему сервису. Их действия нужно фиксировать, чтобы при инцидентах ИБ и ошибках быстро разобраться, кто и какие операции инициировал.

Отдельная задача — версионирование скиллов. Если один навык используют несколько агентов, при обновлении поменяется поведение всей группы. В рабочих сценариях фиксируют, какие версии навыков использовались для конкретных задач. Если изменения приведут к ошибкам, можно будет откатиться к предыдущей версии.

Наряду с версионированием применяется журналирование. Нужно фиксировать действия каждого агента с четкой привязкой к данным и инструментам. Записи помогут глубже изучить работу мультиагентной системы, пересмотреть настройки безопасности и расследовать инциденты ИБ.

Если агент один, его настройки и действия можно контролировать вручную. В больших компаниях и масштабных проектах с десятками и сотнями цифровых помощников это нереально. Требуется Governance — система правил, определяющая политики доступа, полномочия агентов и ответственность их владельцев.

Обязательные пункты Governance:

• доступные системы, инструменты и данные;
• разрешенные действия;
• операции, требующие согласования;
• правила изменения и отзыва доступов;
• порядок реагирования на инциденты.

Отдельный уровень контроля — guardrails, то есть ограничения поведения агента. Они не дают выполнять определенные действия, даже если модель решила, что они нужны для выполнения задачи. Например, можно ограничить работу с конкретными данными, запретить критичные настройки и отправку сообщений во внешние сервисы без подтверждения человеком.

Для контроля действий агентов в сегменте Enterprise обязательны телеметрия и журнал аудита. Телеметрия фиксирует логику мышления, поведение, скорость выполнения задач, расход токенов. Журнал аудита нужен для записи всех решений, событий, вызовов данных и инструментов. Это разные подходы, и для полноценного контроля используют оба.

Чем больше задач выполняет саморазвивающийся ИИ-агент и чем больше у него доступов, тем выше риск при обновлении. Изменения могут затронуть не только саму версию агента, но и плагины, настройки каналов, авторизацию моделей, сохраненные сессии и запланированные задачи. В результате после обновления агент может работать иначе, чем до него.

Показательный пример — релиз OpenClaw 2.0, в котором изменилось сразу несколько компонентов. Перед таким обновлением важно заранее продумать, как восстановить рабочую конфигурацию, если что-то пойдет не так.

Для этого сохраняют критичные настройки, проверяют совместимость используемых плагинов и авторизацию моделей, фиксируют запланированные задачи и предусматривают возможность вернуться к предыдущей рабочей версии.

EvoClaw — управляемый облачный сервис в составе Evolution AI Agents, позволяющий запускать OpenClaw, ГигаАгент, NemoClaw и другие ИИ-решения в среде Cloud.ru Evolution и управлять ими без ручной настройки окружения.

Это инструмент, который закрывает деплой, конфигурацию, обновления, мониторинг и вывод агента из эксплуатации. Он объединяет гибкость ИИ-архитектур и готовую облачную инфраструктуру для быстрого запуска автономных агентов, настройки их навыков через каталоги скиллов.

Предусмотрены глубокая изоляция рабочих сред, инструменты логирования и сквозного мониторинга, поддержка мультиагентного взаимодействия.

Сравнение Self-hosted OpenClaw или ГигаАгент vs EvoClaw:

В самом OpenClaw sandboxing отключен по умолчанию, что названо в числе фундаментальных рисков при обработке недоверенного контента. EvoClaw решает эту проблему за счёт изоляции агентов в собственных рабочих пространствах и политик Zero Trust.

EvoClaw нужен в тех случаях, когда ИИ-агентов становится недостаточно просто запустить — их нужно регулярно обновлять, контролировать и обслуживать. Сервис помогает управлять Claw-продуктами в единой среде, не поддерживая для каждого из них отдельную инфраструктуру.

В первую очередь EvoClaw подойдет командам, которые хотят использовать Claw-продукты в рабочих процессах, но не готовы тратить ресурсы на их ручную поддержку. Например, когда агентов становится несколько, они работают с корпоративными системами и требуют регулярного обновления и контроля настроек.

Сервис также подходит организациям, которым важно видеть и анализировать действия агентов. В EvoClaw доступны логирование запросов и телеметрия, а в Evolution AI Agents — мониторинг, трассировка и управление конфигурацией.

При этом в одной среде можно работать с разными Claw-продуктами. Не нужно разворачивать отдельное окружение для каждого агента — ими можно управлять централизованно.

Сначала нужно подготовить окружение, подключить сервисы Evolution Foundation Models и Evolution ML Inference. Первый дает доступ к готовым моделям, второй позволяет использовать собственные основы для агентов.

Затем выбирается нужное решение, например, OpenClaw или ГигаАгент. Следующие этапы — настройка параметров агента, добавление MCP-сервера и выбор доступных инструментов.

Как только агент будет запущен, его нужно открыть в специальной панели и протестировать. Дальше им можно управлять из AI Agents. Если агентов несколько, настраивается взаимодействие через A2A.

OpenClaw 2.0 показывает, насколько далеко ушли возможности автономных ИИ-агентов. Они умеют работать с файлами и системами, запускать процессы, использовать плагины, выполнять задачи по расписанию и делегировать работу субагентам. Но вместе с автономностью растет и цена ошибок: изменения в агенте могут затронуть доступы, автоматизации, авторизацию моделей и другие элементы рабочего окружения.

Поэтому для промышленного использования недостаточно просто запустить агента и настроить его один раз. Нужно управлять его жизненным циклом: контролировать конфигурацию и доступы, безопасно проводить обновления, отслеживать работу и при необходимости возвращаться к рабочей версии.

• Что такое саморазвивающийся ИИ-агент?

  Сущность, которая умеет сама планировать действия, оценивать результаты, менять свое поведение и даже конфигурацию.

• Что нового в OpenClaw 2.0?

  Разработчики упростили установку и настройку, сделали веб-интерфейс основным рабочим пространством, добавили возможность общих сессий.

• Чем OpenClaw отличается от ГигаАгента?

  OpenClaw дает больше возможностей для самостоятельной настройки моделей, каналов и окружения агента (ядро ГигаАгента — проект Ouroboros, разработанный в AIRI.) ГигаАгент предоставляет готовый набор инструментов для разных задач.

• Что такое жизненный цикл ИИ-агента и почему им нужно управлять?

  Жизненный цикл включает создание и настройку агента, выдачу доступа и прав, обновление скиллов, мониторинг, вывод из эксплуатации. Им необходимо управлять, чтобы агент корректно работал и не стал скрытой уязвимостью для ИБ.

• Что такое EvoClaw и для чего он нужен?

  EvoClaw — управляемый облачный сервис в составе Cloud.ru Evolution AI Agents для запуска и управления Claw-продуктами, включая OpenClaw, NemoClaw и ГигаАгент. Он позволяет централизованно настраивать агентов без отдельных окружений, подключать MCP-серверы, использовать логирование и телеметрию.

• Как EvoClaw обеспечивает безопасность данных?

  Доступны логирование запросов и телеметрия, мониторинг, трассировка запросов, ограничение подозрительных действий агента.

• Чем управляемый сервис отличается от self-hosted деплоя агента?

  При self-hosted-развертывании команда сама отвечает за окружение, обновления, зависимости, мониторинг и восстановление агента. Управляемый сервис перекладывает эти задачи на провайдера, оставляя компании только настройку агента и его рабочих сценариев.