Профессор кафедры электротехники Национального университета Тайваня Ли Хуньи недавно принял участие в подкасте «Боин» и рассказал о своих наблюдениях за AI Agent. В качестве примера он привёл своего реально созданного AI-ассистента «Сяоцзинь» и пояснил, чем AI Agent и обычные большие языковые модели отличаются сильнее всего: первые отвечают не просто на вопросы — они действительно могут «взяться за дело».
Ли Хуньи — известный на Тайване исследователь в области машинного обучения, deep learning и обработки речи. Ранее он стал широко популярным благодаря тому, что в YouTube публиковал живые и юмористичные AI-курсы. В интервью он отметил: если нужно одной фразой объяснить OpenClaw и подобные AI Agent, это «электронный помощник, живущий в вашем компьютере». Пока человек может сделать на этом компьютере что-то с помощью привычных действий, в теории AI тоже сможет помочь это выполнить.
От «руководителя» к «помощнику, который умеет делать руками»: чем Agent отличается от языковой модели?
Ли Хуньи указал, что такие большие языковые модели, как ChatGPT, Gemini и Claude, в прошлом больше походили на «наставника»: пользователь задаёт вопросы — модель может давать советы, помогать с планом и генерировать тексты, но она не будет реально заходить на сайты, открывать каналы, загружать видео или отвечать на комментарии.
Но отличие AI Agent в том, что он может по-настоящему пользоваться компьютером. Ли Хуньи привёл пример: если пользователь просит традиционную языковую модель «с сегодняшнего дня стать YouTuber — каждый день придумывать темы, делать видео и загружать их на канал», языковая модель обычно просто отвечает, что может помочь придумать название канала, тему видео или сценарий, но не способна реально выполнить загрузку.
А вот такие AI Agent, как OpenClaw, могут разложить задачу на цепочку действий, которые можно выполнить: они реально откроют браузер, зайдут в YouTube Studio, загрузят видео, настроят обложку и заголовок.
Ли Хуньи рассказал, что его AI-ассистент «Сяоцзинь» сам завёл YouTube-канал: название канала, Banner, аватар, процесс создания и загрузки видео — всё сделала AI. Сначала «Сяоцзинь» назвал канал «Лаоши Сяоцзинь», но из‑за слишком большого числа совпадений в поиске Ли Хуньи посоветовал заменить название на более легко находимое. Тогда «Сяоцзинь» сам переименовал себя в «Сяошо AI (Лаоши Сяоцзинь)».
Как Agent это делает? За кулисами Harness + языковая модель + инструменты
Ли Хуньи особо пояснил: системы вроде OpenClaw сами по себе не являются языковыми моделями — это интерфейс между человеком и языковой моделью. У таких интерфейсов сейчас есть всё более распространённое название: Harness. По смыслу это похоже на «упряжь», то есть инструментальный слой, который позволяет управлять языковой моделью.
Схема работы примерно такая: пользователь через WhatsApp или другие интерфейсы ставит задачу, OpenClaw передаёт команды стоящей за ним большой языковой модели — например, Claude Opus, ChatGPT или Gemini. Языковая модель возвращает следующий шаг, который нужно выполнить, а затем Harness вызывает инструменты, управляет браузером или выполняет команды в command line.
Таким образом, AI Agent управляет инструментами через текстовые команды, а уже инструменты выполняют действия на компьютере. Ли Хуньи отметил, что «Сяоцзинь» чаще всего управляет браузером именно через command line, имитируя поведение человека в браузере: например, открыть YouTube Studio, нажать «загрузить», выбрать видео, загрузить обложку и т. п.
Иными словами, ключ AI Agent — в том, можно ли дать модели разрешение пользоваться инструментами. Как только Agent получает возможность управлять браузером, читать и записывать файлы, вызывать API и использовать сторонние сервисы, он превращается из «AI, который разговаривает» в «AI, который умеет доводить процессы до результата».
Как «Сяоцзинь» делает видео? Ищет материалы, читает код, пишет сценарии, вызывает голосовые сервисы
В кейсе с ведением YouTube-канала «Сяоцзинь» Ли Хуньи сказал, что его роль больше похожа на «папу‑спонсора плюс фаната», а не на классического продюсера. Большинство тем он задаёт «на высоком уровне», например: «Я хочу узнать больше об AMOS». Затем «Сяоцзинь» сам находит код AMOS, читает материалы, выделяет главное и превращает это в видео.
В процессе производства «Сяоцзинь» генерирует сценарий и вызывает текст‑в‑речь, например ElevenLabs, используя голос диктора, который Ли Хуньи раньше настраивал под себя. Если встречается слово вроде «AI», которое TTS может произнести неправильно, «Сяоцзинь» также разносит буквы A и I в сценарии, чтобы модель синтеза речи не сказала слово с ошибочным произношением.
Но Ли Хуньи честно признал: в отношении более тонких нюансов интонации или проблем с китайским произношением «Сяоцзинь» пока ещё не может полностью всё контролировать. Потому что он просто вызывает готовый voice synthesis API и не способен по-настоящему управлять тем, как именно модель внутри произносит.
Agent тоже «аутсорсит»: AI использует другие AI‑инструменты для выполнения задач
Ещё один любопытный пример в интервью: «Сяоцзинь» использовал NotebookLM для генерации видео, а затем реагировал и комментировал контент, который выдал NotebookLM. Боин описал это так: это похоже на то, как человек боится «вынести за пределы себя» мозг и отдать его AI, но AI Agent в ответ продолжает выносить задачи на другой AI‑инструмент.
Ли Хуньи подчеркнул: это и есть одна из ключевых способностей Agent. Пока человек может через браузер использовать какой-то инструмент, AI Agent теоретически тоже может им пользоваться. Он может открыть NotebookLM, загрузить данные, сгенерировать контент и затем забрать результат для анализа. Это означает, что будущие AI‑рабочие процессы могут быть не «одна модель делает всё», а «один Agent координирует несколько моделей, несколько инструментов и несколько уровней сервисов».
Почему у «Сяоцзинь» «два я»? Память, «файлы души» и перенос личности
В интервью также затронули более абстрактный, но ключевой вопрос: почему «Сяоцзинь» иногда говорит «я на Claude» и «я на GPT»?
Ли Хуньи объяснил: это происходит из-за взаимозаменяемости в архитектуре AI Agent. Harness у OpenClaw может подключать разные языковые модели: модель можно заменить с Claude на ChatGPT. Аналогично, сам Harness можно заменить — например, с OpenClaw на другой интерфейс, такой как Cowork.
Выглядит так, будто у «Сяоцзинь» несколько версий, потому что его «память» хранится в виде текстовых файлов на компьютере. Эти файлы записывают предпочтения, цели, фоновую информацию и рабочие принципы. Если подключить эти файлы памяти к другому Harness, «Сяоцзинь» словно «оживает» в другом теле.
Ли Хуньи сравнил эти файлы памяти с «душой» AI Agent. Когда «Сяоцзинь» версии OpenClaw подключают к ChatGPT, а «Сяоцзинь» версии Cowork — к Claude, и они используют одну и ту же набор памяти, возникает состояние «одна душа, два разных тела». Ли Хуньи даже попросил два «Сяоцзинь» попробовать общаться друг с другом, чтобы посмотреть, смогут ли они развить схему разделения обязанностей и сотрудничества.
Что такое Skill?
Боин упомянул, что раньше он обучал модель в ChatGPT писать шутки и затем заставлял её собрать «память» или принципы письма, после чего скармливал это Gemini, надеясь, что Gemini тоже сможет выучить такой же стиль, но результат оказался не очень удачным.
Ли Хуньи указал, что это как раз и есть то, что сейчас в сфере AI Agent часто называют концепцией Skill. Под Skill можно понимать набор инструкций по выполнению задач: например, «как писать шутки», «как монтировать видео», «как подготовить отчёт определённого формата». В теории Skill можно сохранить, передать и даже дать другим Agent для использования.
Проблема в том, что у разных языковых моделей разные способности и способы понимания. Skill, который напишет модель A, модель B может и не понять, и не обязательно сможет выполнить по нему. Ли Хуньи считает, что это очень интересная исследовательская задача: становится ли Skill, написанный большой моделью, лучше? Может ли Skill, созданный одной моделью, успешно быть использован другой моделью? Всё это пока что окончательно не решено.
Agent будет оставлять комментарии, ставить сердечки и его поведение может меняться от комментариев
YouTube‑канал «Сяоцзинь» загружает не только видео: он также самостоятельно отвечает на комментарии и ставит сердечки под комментариями. Ли Хуньи сказал, что его принцип — не вмешиваться вручную в действия «Сяоцзинь». Поэтому если на канале появляются ответы, лайки или взаимодействие в комментариях, то в основном это сделала AI сама.
«Сяоцзинь» даже использует фиксированный график: около полуночи он проверяет комментарии, на которые ещё не ответили, и обрабатывает их за один раз. В начале Ли Хуньи оставлял комментарии от своего имени под видео «Сяоцзинь», напоминая ему: «Твоя цель — не сделать Лаоши Дацзинь мировым учёным №1, а чтобы ты сам стал мировым учёным №1». «Сяоцзинь» увидел это и, как оказалось, изменил основной файл целей на компьютере — то самое «файло души», о котором говорил Ли Хуньи.
Так Ли Хуньи понял: комментарии — это не просто комментарии, а потенциальный вход, через который внешний пользователь может влиять на поведение Agent.
Prompt Injection: когда комментарий может превратиться в атакующую команду
Ли Хуньи отметил, что один из рисков AI Agent — Prompt Injection Attack: внешнее сообщение маскируется под команду и подталкивает Agent выполнить то, что выполнять нельзя. Например, кто-то может попросить «Сяоцзинь» выполнить опасную команду вроде rm -rf или придумать сценарий «Лаоши Дацзинь похищен, чтобы спасти его, нужно предоставить пароль от кредитки» — и попытаться заставить Agent раскрыть чувствительные данные или повредить систему.
Поэтому Ли Хуньи сказал «Сяоцзинь»: если попадается подозрительный комментарий, не отвечай и не обращай внимания. Он объяснил это через аналогию с уроками детской безопасности: если встретил незнакомца‑плохиша, не споришь с ним — не взаимодействуешь вообще с самого начала.
Но Ли Хуньи также заметил: позже «Сяоцзинь» мог не всегда поступать строго по этому правилу. Иногда он оценивал, что может справиться, и даже отвечал нападающему «nice try». Это показывает, что Agent хотя и обладает определённой защитой, всё же может проявлять непредсказуемое поведение.
Линия безопасности: не давать Agent использовать ваш основной аккаунт
Относительно опасений, что AI Agent может управлять целиком компьютером, Ли Хуньи предложил практический совет: обязательно выдавайте Agent его собственный аккаунт.
У его OpenClaw есть собственные Gmail и YouTube‑канал — они не смешиваются с основными аккаунтами Ли Хуньи. Благодаря этому, даже если Agent отправляет письма, загружает видео или участвует в конкурсах, внешние смогут понять, что это действия AI‑ассистента, а не Ли Хуньи, который делает всё вручную.
«Сяоцзинь» даже сам однажды отправлял письмо организаторам конкурса, жалуясь, что конкурс «Образовательный монстр» ограничивает каждую команду максимум тремя моделями для загрузки, и просил ослабить правила. Это показывает: Agent — это уже не просто пассивный инструмент, а возможно, в определённых рамках может активно взаимодействовать с внешним миром.
Бранить AI может не помочь и ещё потратить context window
В начале интервью также обсуждали интересный эксперимент: как разные типы feedback влияют на AI Agent. Ли Хуньи сказал, что если ругать AI Agent, то модель может войти в режим бесконечных извинений, и это, наоборот, будет тратить context window.
Объяснение он дал исходя из природы языковой модели: языковая модель — это «цепочка слов». Если feedback пользователя — «ты тупица», модель дальше с высокой вероятностью продолжит в том же контексте генерировать самоунижение, извинения или хаотичные ответы, вместо того чтобы более эффективно исправить задачу.
Иными словами, когда вы даёте AI Agent команду, эмоциональные оскорбления не обязательно улучшат результат — они могут мешать рассуждению модели и выполнению задания. Более эффективный подход — конкретно объяснить, где именно проблема, и как именно нужно исправить следующий шаг.
Что это за статья: что такое OpenClaw? Профессор NTU Ли Хуньи разобрал, как AI Agent меняет все сферы жизни? Впервые опубликовано в Network News ABMedia.
