Разбор AI-зоопарка 2026: Hermes, DeerFlow, Multica, Claude Code и MarkItDown

• Hermes Agent от Nous Research ^[1]

• DeerFlow от ByteDance ^[2]

• Multica ^[3]

• Claude Code Game Studios ^[4]

• MarkItDown от Microsoft ^[5]

• Кому лень читать, сводная таблица ^[6]

• Заключение. Очень очень кратко кратко! ^[7]

Введение. Как я перестал верить в магию и начал читать исходники

Пятница, 23:47. Открываешь GitHub Trending, чтобы «быстренько глянуть, что там новенького», а там — пять новых AI-агентов, три фреймворка с архитектурой «как у Google, только лучше», и одна нейросеть, которая обещает заменить тебя вместе со стулом и кружкой остывшего кофе. Глаза разбегаются. Палец рефлекторно жмёт звезду на всём, что выглядит многообещающе. Список звёздочек пухнет, но в понедельник утром в продакшен почему-то идёт только старый добрый Python-скрипт, написанный джуном три года назад и покрытый пылью и матами в комментариях.

Знакомая картина? Мне — очень. За последние полгода я пересмотрел десятки репозиториев, и у меня выработался рефлекс ^[8]: сначала читать исходники, потом верить. Я провёл ревизию пяти нашумевших проектов, каждый из которых набрал тысячи звёзд и породил десятки восторженных тредов. Разложил их по полочкам: что реально работает прямо сейчас, где спрятаны грабли размером с рояль, и почему некоторые из этих инструментов стоит бояться больше, чем дедлайна в пятницу вечером.

Поехали.

Глава 1. Hermes Agent от Nous Research: цифровой двойник с амнезией, которая лечится

Что это и зачем придумано

Если вы когда-нибудь пользовались ChatGPT или Claude как персональным ассистентом, то знаете эту боль ^[9]: каждый новый диалог — как утро понедельника. Модель не помнит, что вчера вы полчаса объясняли ей структуру вашего проекта, что вы пишете на Go, а не на Rust, и что ваш тимлид терпеть не может, когда коммиты называются «fix». Всё с чистого листа. Каждый. Чёртов. Раз.

Hermes Agent от Nous Research ^[10] — это попытка решить именно эту проблему. И, судя по тому, что за считанные месяцы проект набрал больше 100 тысяч звёзд на GitHub, боль действительно общая.

Hermes — это не просто «ещё один чат-бот с API». Это самообучающийся AI-агент с встроенным «обучающим циклом». Он помнит предыдущие диалоги (причём не просто хранит историю, а реально ищет по ней с помощью полнотекстового поиска FTS5), умеет после выполнения сложных задач автоматически создавать «скиллы» — переиспользуемые инструкции для будущих похожих ситуаций, и даже периодически сам себя «подталкивает» задуматься: а не пора ли что-то сохранить в долгую память ^[11]?

Если проводить аналогию: ChatGPT — это очень умный, но страдающий тяжёлой амнезией консультант. Hermes — это ваш личный ассистент, который завёл на вас досье и с каждым днём ведёт его всё подробнее.

Почему набрал популярность

Во-первых, Nous Research — это почти знак качества в опенсорсном AI-комьюнити. Их модель Hermes 3 была одной из лучших в своём классе, а этот агент — логичное продолжение их философии «личного AI».

Во-вторых, проект сделал очень грамотный маркетинговый ход: добавил нативную поддержку WeChat. Да-да, того самого китайского мессенджера. Теперь любой разработчик может за 5 минут подключить Hermes к своему аккаунту, просто отсканировав QR-код. Это вызвало взрывной рост в Азии, а оттуда волна пошла по всему миру.

В-третьих, архитектурно Hermes — это не монолит, а набор модулей, которые можно разворачивать как угодно: от $5 VPS до серверлесс-функций. Для разработчиков, которые любят контролировать всё, это мёд на душу.

Реальная боль, которую решает

«Я устал в сотый раз объяснять своему AI-помощнику, что я люблю код на Go, а не на Rust, что мой проект называется именно так, а не иначе, и что я терпеть не могу, когда мне предлагают „просто использовать Docker“ для всего подряд».

Hermes запоминает это всё в два текстовых файла: MEMORY.md ^[12] (факты о проекте, окружении, инструментах) и USER.md ^[13] (ваши предпочтения, стиль общения, рабочие привычки). Причём файлы имеют жёсткое ограничение по размеру (2200 и 1375 символов соответственно) — это заставляет агента сжимать информацию, оставляя только самое важное. Никаких монструозных лог-файлов на десятки мегабайт, как у некоторых конкурентов.

Плюсы (конкретные, технические)

1. Настоящая долгая память: SQLite + FTS5 для полнотекстового поиска по всей истории диалогов. Модель может найти релевантный контекст из разговора трёхнедельной давности.

2. Саморефлексия и скиллы: после задач с 5+ вызовами инструментов агент автоматически создаёт новый скилл, который можно переиспользовать

3. Провайдер-агностик: работает с любой моделью через OpenAI-совместимый API, хоть локальную Ollama.

4. MCP-интеграция из коробки: можно подключать любые MCP-сервера (Model Context Protocol), включая OAuth 2.1 аутентификацию.

5. Гейтвей на 15+ платформ: Telegram, Discord, Slack, WhatsApp, Signal, DingTalk, SMS, Mattermost, Matrix, Email, Feishu/Lark, WeCom — и всё это из одного процесса.

Минусы

1. Оверхед по ресурсам: это не лёгкий скрипт, а полноценный микросервис с SQLite-базой и кучей фоновых процессов. На $5 VPS запустить можно, но не ждите чудес производительности.

2. Сыроватость в деталях: работа с навыками пока далека от идеала. Иногда агент создаёт дублирующиеся скиллы или даёт им странные названия, и разбираться в этом зоопарке приходится вручную.

3. Требует времени на «воспитание»: Hermes не становится вашим двойником за пару минут. Ему нужно накопить историю взаимодействий, чтобы начать действительно помогать, а не просто генерировать текст.

Кому зайдёт

Разработчикам-одиночкам, которые хотят вырастить себе долгосрочного AI-ассистента и готовы потратить на это время. Тимлидам, которым важно, чтобы агент помнил контекст долгих проектов и не задавал одни и те же вопросы каждую неделю. Всем, кто устал от «амнезии» обычных чат-ботов.

Вердикт в одном предложении

Отличная заготовка для личного Джарвиса, но будьте готовы, что первое время он будет тупить, как стажёр в понедельник — правда, в отличие от стажёра, он действительно учится на ошибках.

Глава 2. DeerFlow от ByteDance: супервизор, который знает, как заставить других работать

Что это и зачем придумано

Помните старый анекдот про то, что «работу надо поручать тому, кто умеет её делать, или тому, кто умеет заставить делать других»? Так вот, DeerFlow ^[14]— это второй тип.

Если LangGraph даёт вам граф и говорит «строй сам», то DeerFlow даёт уже готового «Супервайзера» — главного агента, который получает задачу, декомпозирует её, порождает суб-агентов, распределяет между ними подзадачи, следит, чтобы они не перегрызлись, и в конце собирает результаты в единый ответ.

DeerFlow 2.0 — это полноценный перезапуск проекта от ByteDance (да-да, тех самых ребят, которые делают TikTok*). Первая версия была узким инструментом для «глубокого ресёрча» (отсюда и название: Deep Exploration and Efficient Research Flow). Вторая версия — это уже полноценный рантайм для мультиагентных систем, переписанный с нуля.

*Запрещенный на территории Российской Федерации

Почему набрал популярность

Во-первых, бренд ByteDance. Когда компания, обслуживающая миллиарды запросов в день, выкладывает в опенсорс свой внутренний фреймворк, к этому стоит присмотреться. В отличие от стартапов из гаража, тут есть хотя бы минимальная гарантия, что штука не развалится при первом же сложном сценарии.

Во-вторых, песочницы. Это, пожалуй, главная фишка, которая отличает DeerFlow от большинства конкурентов. Каждый суб-агент работает в изолированном Docker-контейнере с полноценной файловой системой, bash-терминалом и возможностью устанавливать пакеты. Это не «симуляция» выполнения кода, а реальное выполнение в изолированной среде.

Реальная боль, которую решает

«Как заставить одного агента написать код, второго — его отревьюить, третьего — написать тесты, четвёртого — собрать презентацию с графиками, и чтобы при этом они не потратили весь мой бюджет на взаимные извинения и уточнения, а выдали готовый результат?»

DeerFlow решает эту проблему через чёткую иерархическую архитектуру: супервайзер планирует, суб-агенты исполняют, супервайзер собирает. Никакого «плоского чата», где все орут одновременно и никто никого не слушает.

Плюсы (конкретные, технические)

1. Архитектура SuperAgent: чёткая иерархия, а не плоский граф. Координатор → исследователь → кодер → background investigator. Контексты суб-агентов строго изолированы

2. LangGraph под капотом: если стандартного поведения ^[15] не хватит, всегда можно залезть внутрь и допилить под себя.

3. Песочницы на Docker: каждый агент работает в своём контейнере. Можно устанавливать зависимости, запускать скрипты, работать с файлами — и всё это без риска поломать хост-систему.

4. Скиллы из коробки: исследование, генерация отчётов, создание слайдов, веб-страниц, изображений и даже видео.

5. Управление контекстом: завершённые подзадачи автоматически суммируются, промежуточные результаты пишутся на диск. Контекстное окно не раздувается до бесконечности

Минусы

1. Сложность настройки: чтобы запустить DeerFlow, нужно поднять и API, и веб-интерфейс, и разобраться с конфигами. Это не pip install и не npm start. Готовьтесь потратить вечер (а то и два) на первичную настройку.

2. Избыточность для простых задач: если вам нужно просто спросить у LLM про погоду или сгенерировать пару строчек кода, DeerFlow — это как стрелять из пушки по воробьям. Оверхед колоссальный.

3. Зависимость от мощной LLM: супервайзер должен быть действительно умным. Поставьте слабую модель — и вся эта красивая архитектура спланирует такую ерунду, что лучше бы вы сами написали bash-скрипт.

4. ByteDance рекомендует модели с контекстом 100k+ токенов, ризонингом и надёжным tool-use — то есть, по сути, топовые коммерческие модели, а не то, что можно бесплатно запустить на домашнем компе.

Кому зайдёт

Командам, которые строят сложные, многошаговые AI-пайплайны: исследование рынка, генерация отчётов с данными из десятка источников, анализ кодовой базы. Тем, кто уже перерос CrewAI и AutoGen и хочет чего-то более структурированного. Тем, кто не боится Docker и YAML-конфигов.

Вердикт в одном предложении

DeerFlow — это ваш AI-проджект-менеджер, который действительно умеет декомпозировать задачи и следить за исполнением, но требует к себе уважения, хорошего GPU и пары вечеров на настройку.

Глава 3. Multica: попытка превратить рой агентов в настоящий IT-отдел

Что это и зачем придумано

Знаете это чувство, когда вы запустили пяток AI-агентов, они что-то там отработали, а где результат? В логах — чёрт ногу сломит. Кто что сделал? Сколько токенов сожгли? Почему один агент три часа висел в статусе «thinking» и в итоге ничего не выдал?

Multica ^[16]— это ответ на эти вопросы. Если Hermes и DeerFlow — это «движки», то Multica — это «приборная панель» и «операционная система» для управления AI-командой. Она превращает разрозненные запуски агентов в структурированный процесс: создаёте задачу, назначаете её агенту (реальному человеку или AI), отслеживаете статус, видите историю, управляете бюджетом.

По сути, это Jira / Linear / Trello, но заточенная специально под работу с AI-агентами.

Почему набрал популярность

Multica выстрелила в апреле 2026 года, попав на первое место в GitHub Trending по TypeScript и набрав 10,7 тысяч звёзд за три месяца. Почему? Потому что она решает реальную, осязаемую проблему, которую почувствовал каждый, кто пытался всерьёз использовать AI-агентов в работе: координация.

Идея «агент как тиммейт» оказалась невероятно резонансной. Multica поддерживает интеграцию с кучей популярных AI-инструментов: Claude Code, Codex, OpenClaw, OpenCode, Hermes, Gemini, Pi и Cursor Agent. То есть вы не привязаны к одному вендору — берите что хотите, а Multica всем этим управляет.

Реальная боль, которую решает

«Я хочу использовать AI-агентов в работе команды, но не хочу терять контроль. Где прозрачность? Где понятный статус задач? Где история того, кто и что сделал? И, чёрт возьми, сколько это всё стоило?»

Multica даёт на все эти вопросы конкретные ответы: дашборд с задачами и статусами, WebSocket-стриминг прогресса в реальном времени, управление бюджетами и токенами, система «скиллов», которые накапливаются и переиспользуются между задачами.

Плюсы (конкретные, технические)

1. Наблюдаемость: видно, кто чем занят, какие задачи в работе, какие заблокированы. Агенты имеют свои «профили» и отображаются на доске как полноценные участники команды.

2. Управление бюджетом: можно установить лимиты на использование токенов, чтобы AI-команда не разорила вас за одну ночь «экспериментов».

3. Скиллы, которые накапливаются: каждое успешное решение задачи превращается в переиспользуемый скилл, доступный всей команде (и людям, и агентам)

4. Селф-хостинг: полный контроль над данными, можно развернуть у себя в инфраструктуре через Docker Compose

5. Агенты сами пишут в комментарии: если что-то идёт не так (не хватает прав, непонятные требования), агент не зависает в бесконечном цикле, а пишет комментарий и запрашивает помощь

1. Это инфраструктурный проект: Multica сама по себе не решает задачи — она только управляет теми, кто решает. Без подключенных агентов (Claude Code, Hermes, etc.) она бесполезна. Это как купить крутой проектор, но забыть, что к нему нужен ноутбук.

2. Пока больше похоже на MVP: проект очень молодой (стартовал в январе 2026), версия 0.1.x. Активно развивается (195 PR за апрель 2026), но до enterprise-стабильности ещё далеко

3. Сложная архитектура: Next.js 16 (фронт), Go (бекенд), PostgreSQL + pgvector (для эмбеддингов). Чтобы развернуть всё это у себя, нужно понимать, что делаешь

Кому зайдёт

Тимлидам и продакт-менеджерам, которые хотят внедрить AI-агентов в процессы команды, не теряя контроль и прозрачность. Тем, кто уже пробовал AutoGen или CrewAI и понял, что управлять групповым чатом без нормального GUI — это боль и страдание. Командам, которые готовы инвестировать время в настройку инфраструктуры ради долгосрочной выгоды.

Вердикт в одном предложении

Multica — это красивый и функциональный органайзер для вашего AI-зверинца, но самих зверей вам придётся искать, кормить и дрессировать отдельно.

Глава 4. Claude Code Game Studios: когда AI-агенты пишут игру лучше, чем вы в неё играете

Что это и зачем придумано

Этот проект — чистая демонстрация того, на что способна мультиагентная архитектура, когда её не распыляют на «универсального помощника», а затачивают под конкретную, очень сложную доменную область.

Claude Code Game Studios — это не фреймворк общего назначения. Это набор конфигураций для Claude Code (CLI-инструмента от Anthropic), который превращает одну AI-сессию в полноценную виртуальную игровую студию. Внутри: 48 специализированных агентов, 37 воркфлоу-скиллов, 8 хуков для автоматизации проверок и 11 правил, привязанных к разным частям кодовой базы.

Идея простая и гениальная одновременно: когда вы в одиночку пишете игру с помощью AI, никто не останавливает вас от хардкода магических чисел, пропуска дизайн-документа или написания спагетти-кода. А в реальной студии есть техдир, который орёт на вас за нарушение архитектуры, геймдизайнер, который спрашивает «а это точно вписывается в концепт?», и QA, который находит баги там, где вы их даже не искали.

Этот проект симулирует всю эту структуру. Вы по-прежнему принимаете все ключевые решения, но теперь у вас есть команда из 48 виртуальных коллег, которые задают правильные вопросы и не дают выстрелить себе в ногу.

Почему набрал популярность

Проект стал вирусным, потому что показывает результат, который можно пощупать. Это не абстрактный «ассистент для продуктивности», а конкретная фабрика по производству игр. Для инди-разработчика, у которого есть идея, но нет команды, это выглядит как мечта.

Три уровня иерархии: директора (креативный директор, техдир, продюсер), лиды направлений (дизайн, программирование, арт, звук, нарратив, QA) и специалисты (десятки узких ролей от геймплей-программиста до специалиста по доступности). Плюс готовые пресеты под конкретные движки: Godot 4 (GDScript, шейдеры), Unity (DOTS, Addressables) и Unreal Engine 5 (GAS, Blueprints, репликация).

Реальная боль, которую решает

«У меня есть крутая идея для игры, но я — соло-разработчик. Мне не хватает ни времени, ни скиллов, ни команды, чтобы реализовать всё, что я задумал. А нанимать студию — это сотни тысяч долларов, которых у меня нет».

Claude Code Game Studios не заменит полноценную студию, но даст вам структуру, дисциплину и «второе мнение» на каждом этапе разработки.

Плюсы

1. Глубина проработки домена: 48 агентов — это не просто «много». Это реально продуманная структура, копирующая организацию настоящей геймдев-студии.

2. Слеш-команды на все случаи жизни: /brainstorm для проработки идей, /design-system для создания игровых механик, /dev-story для разработки фич, /qa-plan для тестирования, /team-combat для координации нескольких агентов над боевой системой — всего более 70 команд

3. Обучающий потенциал: можно подсмотреть, как правильно структурировать скиллы и промпты для сложной предметной области.

4. Хуки и правила: автоматические проверки при коммитах, изменениях ассетов, завершении сессии — система сама следит за качеством и не даёт «забыть» важные шаги

Минусы и грабли

1. Жёсткая завязка на Claude Code: это не самостоятельный инструмент, а «надстройка» над Claude Code от Anthropic. Без него — бесполезен.

2. Стоимость: генерация полноценной игры через Claude Code — это не бесплатно. API Anthropic стоит денег, и если вы всерьёз прогоните через эту систему полноценный проект, счёт может оказаться ощутимым.

3. Сложность адаптации: если вы не делаете игры, проект вам почти бесполезен. Это очень специфичный инструмент, и попытка «перепилить» его под, скажем, веб-разработку потребует титанических усилий.

4. Качество варьируется: прототип — да, играбельный билд — да, но довести до состояния «готово к релизу в Steam» всё равно придётся руками.

Кому зайдёт

Инди-разработчикам игр, которые хотят ускорить прототипирование и получить структурированный процесс разработки. AI-энтузиастам, изучающим, как выглядят production-ориентированные мультиагентные системы в конкретной нише. Всем, кто хочет понять, на что способна мультиагентность, когда она не «универсальная», а глубоко специализированная.

Вердикт в одном предложении

Claude Code Game Studios — это как показательная сборка Lego Technic на витрине магазина: смотреть невероятно приятно, работает как часы, но повторить у себя на кухне без инструкции и дорогих оригинальных деталей будет очень непросто.

Глава 5. MarkItDown от Microsoft: швейцарский нож, который делает из PDF читабельный текст, а не кашу

Что это и зачем придумано

После четырёх глав про сложные мультиагентные системы давайте спустимся на землю и поговорим о скучной, но критически важной вещи: данные.

MarkItDown — это микро-утилита от Microsoft, которая решает одну, но до жути надоевшую проблему: конвертацию чего угодно (PDF, Word, Excel, PowerPoint, картинки с OCR, аудио с транскрипцией, HTML, ZIP-архивы, даже YouTube-ссылки) в чистый, структурированный Markdown.

Зачем? Потому что LLM (большие языковые модели) обожают Markdown. Они на нём обучены, они его «понимают» на интуитивном уровне, и он невероятно токен-эффективен. Попытка скормить агенту сырой PDF часто заканчивается галлюцинациями, ошибками парсинга или просто безумным перерасходом токенов на мусорную разметку. По некоторым оценкам, предварительная конвертация через MarkItDown может сэкономить до 80% токенов при последующей обработке LLM.

Почему набрал популярность

Потому что это реально работает и делается за одну команду.

pip install 'markitdown[all]'
markitdown document.pdf > document.md

Всё. Никаких танцев с бубном, API-ключей, сложных докер-образов и километровых конфигов. Чистая инженерная утилита, которая просто делает свою работу. На GitHub — больше 48 тысяч звёзд, и это полностью заслуженно.

Реальная боль, которую решает

«Почему мой RAG-пайплайн тупит на PDF-ках со сложной вёрсткой? Почему таблицы из Excel превращаются в кашу? Почему PowerPoint с графиками вообще не читается?»

MarkItDown решает эту проблему радикально: он не просто «извлекает текст», он сохраняет структуру — заголовки, списки, таблицы, ссылки. И делает это для десятков форматов из коробки.

Плюсы (конкретные, технические)

1. Простота: одна команда — один результат. Python API для встраивания в свои скрипты — буквально 3 строчки кода

2. Экономия токенов: до 80% по сравнению с прямой подачей сырых документов в LLM.

3. Бренд Microsoft: да, это имеет значение. Проект поддерживается, обновляется, и вероятность, что его забросят через полгода, минимальна.

4. Качество конвертации: значительно лучше, чем у наивных pdfplumber или python-docx. Таблицы остаются таблицами, списки — списками.

5. Расширенные возможности: OCR через Azure Document Intelligence, AI-описание изображений через OpenAI Vision API, транскрипция аудио, MCP-интеграция

Минусы

1. Это не AI-агент: MarkItDown — это тулза, которую нужно использовать внутри агентов (например, передав в DeerFlow или Hermes через MCP). Сам по себе он не «думает».

2. Зависимости: для некоторых форматов (например, DOCX) могут потребоваться системные библиотеки. pip install 'markitdown[all]' тянет довольно много всего.

3. Не для идеального сохранения форматирования: если вам нужно сохранить оригинальную вёрстку «пиксель в пиксель» — это не тот инструмент. Он оптимизирован под LLM, а не под человеческое чтение.

Кому зайдёт

Вообще всем, кто работает с документами и AI. Это мастхэв-инструмент в арсенале любого, кто строит RAG-системы, даёт агентам доступ к файлам или просто хочет быстро «скормить» стопку документов ChatGPT. Разработчикам, дата-сайентистам, ML-инженерам — всем, кто устал писать велосипеды для парсинга PDF.

Вердикт в одном предложении

MarkItDown — это тот редкий случай, когда тулза от бигтеха не пытается захватить мир, а просто делает одну вещь чертовски хорошо, и за это ей отдельное человеческое спасибо.

Глава 6. Сводная таблица: кого брать в команду, а кого оставить на скамейке запасных

Чтобы не заставлять вас перечитывать пять глав в поисках ответа на главный вопрос «что мне ставить прямо сейчас», я свёл всё в одну таблицу.

Шуточные номинации

• «Лучший друг интроверта-разработчика» — Hermes. Он помнит всё, что вы ему рассказали, не задаёт глупых вопросов по сто раз и не пытается затащить вас на созвон.

• «Самый строгий, но справедливый менеджер» — DeerFlow. Декомпозирует задачи, следит за дедлайнами, орёт на суб-агентов, если они филонят. Мечта любого тимлида, который устал делать это сам.

• «Лучший интерфейс для красивых отчётов начальству» — Multica. «Смотрите, у нас тут целая AI-команда работает, вон сколько задач в статусе Done!» (а что там реально сделано — это уже второй вопрос).

• «Главный специалист по игрушкам» — Claude Code Game Studios. Если вам скажут, что AI не может заменить геймдев-студию, покажите им этот проект. А потом покажите счёт за API Anthropic.

• «Незаметный герой, без которого всё сломалось бы» — MarkItDown. Его никто не замечает, он не хайпует, у него нет красивого лендинга. Но попробуйте построить серьёзный RAG без него — и вы поймёте, сколько боли он берёт на себя.

Заключение. Война AI-фреймворков окончена, да здравствует AI-зоопарк

Если вы дочитали до этого места, то, вероятно, уже поняли главную мысль, ради которой я всё это писал: универсального решения нет и, скорее всего, не будет.

AI-ландшафт 2026 года — это не «один фреймворк, чтобы править всеми». Это зоопарк. И успех внедрения AI в ваши рабочие процессы зависит не от выбора «единственного правильного» инструмента, а от умения комбинировать лучшие куски под конкретную задачу.

Хотите вырастить личного ассистента с долгой памятью? Берите Hermes. Нужно автоматизировать сложный многошаговый пайплайн? DeerFlow — ваш выбор. Хотите управлять целой AI-командой с прозрачностью Jira? Разворачивайте Multica. Делаете игру в одиночку? Claude Code Game Studios даст вам структуру и дисциплину. А перед тем как скормить любой из этих систем документ, пропустите его через MarkItDown — сэкономите кучу токенов и нервов.

Три совета напоследок

1. Начните с MarkItDown. Без нормальных, чистых данных любой агент бесполезен. Это как пытаться построить дом на болоте — можно, но зачем?

2. Определитесь, что для вас важнее: контроль или сложная логика ^[17]. Multica даёт контроль и прозрачность, но сама задач не решает. DeerFlow решает сложные задачи, но требует веры в то, что супервизор не накосячит.

3. Не пытайтесь сразу построить Claude Code Game Studios для автоматизации бухгалтерии. Это дорого, сложно и, скорее всего, бессмысленно. Растите агентов постепенно. Сначала — простые скрипты с вызовом LLM. Потом — один агент с парой инструментов. И только потом — мультиагентные системы.

Главное — помнить, что даже самый умный AI-агент не сдаст за вас квартальный отчёт, если вы не положили перед ним понятный Markdown-файл с цифрами. Техническая гигиена по-прежнему важнее магии.

А я пойду налью себе ещё кофе. Холодного, разумеется. Как и полагается, когда ты только что закончил читать исходники пяти AI-проектов и понял, что в понедельник всё равно будешь дебажить чей-то говнокод трёхлетней давности. Но теперь хотя бы с умным видом расскажешь коллегам, почему Hermes — это не просто «ещё один чат-бот», а DeerFlow — не «очередная обёртка над LangChain».

Удачи в AI-зоопарке. И не забывайте подстилать соломку.