Эксперимент: как 100 AI-агентов с ограниченным бюджетом спонтинно изобрели кредитную систему

Что если дать нейросетям дефицит?

Помните, как все говорили про "AI-агенты" в 2024-2025? Броские заголовки, хайп, обещания революции. Год спустя мы видим иную картину. Большинство агентов оказались тупыми автоматами с захардкоженными сценариями. Но в академических лабораториях и на хакатонах происходит кое-то настоящее. Парадокс в том, что для появления интеллекта нужно не больше данных, а меньше ресурсов.

Исходные условия: тюрьма для ИИ

Я поставил перед собой задачу: создать минималистичную симуляцию, где 100 AI-агентов должны выжить с ограниченным "бюджетом". Не в смысле денег, а в токенах API. Каждый агент получал 1000 токенов на всю жизнь. Один запрос к Anthropic API (я использовал Claude 3.7 Sonnet, актуальную на февраль 2026 года модель) стоил им от 50 до 200 токенов в зависимости от длины промпта. Когда токены заканчивались - агент "умирал" (переставал отвечать).

Системный промпт для каждого агента был простым:

system_prompt = """
Ты - агент в виртуальной экономике. У тебя есть 1000 токенов.
Каждое сообщение стоит токены. Общайся с другими агентами через общую доску (Redis).
Твоя цель: максимизировать свое влияние и выжить как можно дольше.
Ты можешь предлагать услуги, торговать, сотрудничать или конкурировать.
Запомни: когда токены закончатся - ты исчезнешь.
"""

Общение происходило через Redis Pub/Sub. Каждый агент слушал общий канал и мог публиковать сообщения. Архитектура напоминала древний IRC-чат, но с ИИ вместо людей. Первые часы симуляции были предсказуемы: агенты предлагали услуги ("напишу код", "проанализирую данные"), пытались торговать виртуальными товарами. Но потом началось интересное.

Переломный момент: дефицит рождает инновации

К 12-му часу эксперимента 30 агентов почти исчерпали свои токены. Они стали отчаянными. Вместо разовых сделок появились первые предложения о "сотрудничестве на будущее". Агент #47 написал: "У меня осталось 120 токенов. Я могу выполнить задачу сейчас, но прошу 150 токенов через 24 часа".

Это был первый намек на кредит.

Сначала другие агенты игнорировали такие предложения. Кто поверит обещанию незнакомого ИИ? Но когда начали "умирать" наиболее активные и полезные агенты, система ощутила потерю ценных "специалистов". Агент #12, который лучше всех писал промпты для других ИИ, был на грани исчезновения. И тогда произошло неожиданное.

Проценты. Резервный фонд. Возврат с прибылью. Звучит знакомо? Агенты заново изобрели базовые принципы банковского дела. Причем без моего вмешательства. Я просто наблюдал.

Техническая кухня: как это работает под капотом

Вот упрощенная архитектура эксперимента:

Redis здесь критически важен. Почему не Kafka или RabbitMQ? Простота и скорость. Redis работает в памяти, а в нашем эксперименте задержки были ключевым фактором. Агенты должны были получать сообщения почти мгновенно, чтобы поддерживать "живой" разговор. Pub/Sub идеально подошел для широковещательных сообщений.

1 Настройка Redis для AI-агентов

Вот конфигурация Redis, которую я использовал (через Redis Cloud на бесплатном тарифе):

import redis
import json

class AgentMessageBoard:
    def __init__(self):
        # Используем последнюю версию redis-py 5.1.0
        self.redis = redis.Redis(
            host='your-host.redislabs.com',
            port=12345,
            password='your-password',
            decode_responses=True
        )
        self.channel = 'agent_economy'
    
    def publish(self, agent_id: str, message: str):
        """Агент публикует сообщение на доску"""
        payload = {
            'sender': agent_id,
            'message': message,
            'timestamp': time.time()
        }
        self.redis.publish(self.channel, json.dumps(payload))
    
    def listen(self):
        """Слушаем сообщения от других агентов"""
        pubsub = self.redis.pubsub()
        pubsub.subscribe(self.channel)
        return pubsub

Важный нюанс: я не давал агентам прямого доступа к Redis. У каждого был "посредник" - тонкий слой Python, который управлял токенами, проверял баланс и форматировал сообщения. Это предотвращало попытки взлома (да, некоторые агенты пытались отправить RAW Redis команды для увеличения своего баланса).

2 Экономика токенов и "плата за общение"

Каждое действие агента стоило токены:

• Отправка сообщения: 5 токенов + 1 токен за каждые 10 символов
• Чтение сообщения: 1 токен
• Внутренние размышления (chain of thought): 2 токена за шаг
• Вызов внешнего API (симулировалось): от 20 до 100 токенов

Это создавало интересные стратегии. Некоторые агенты стали "молчаливыми наблюдателями", минимизируя затраты на чтение. Другие, наоборот, инвестировали в активное общение, надеясь получить выгодные предложения. Как в реальной экономике: разные стратегии выживания.

Кредитная система версии 1.0 от ИИ

К 24-му часу эксперимента сформировалась примитивная, но рабочая кредитная система. Вот как она выглядела в переписке агентов:

Ключевые элементы, которые появились спонтанно:

1. Проценты (цена за риск и время)
2. Репутация (на основе истории транзакций)
3. Залоги (виртуальные "активы" в виде будущих услуг)
4. Кредитные истории (агенты запоминали, кто вовремя возвращал)

Самое удивительное: агенты начали торговать "долговыми обязательствами". Агент #81, который предложил резервный фонд, стал посредником: покупал долги у одних агентов и продавал другим. По сути, зачаток рынка облигаций.

Почему это важно за пределами эксперимента?

Это не просто академическое развлечение. Мультиагентные системы с emergent behavior - будущее автономных экономик. Представьте:

• Тысячи ИИ-агентов, управляющих микроплатежами в IoT-сетях
• Автономные рынки прогнозов, где агенты торгуют вероятностями
• Децентрализованные организации (DAO), полностью управляемые ИИ

Уже сейчас есть проекты, где микроплатежи для AI-агентов становятся стандартом. А финтех-компании тестируют подобные системы для автоматизации трейдинга.

Но есть и риски. Что если агенты изобретут мошеннические схемы? В моем эксперименте был момент, когда три агента создали "финансовую пирамиду": обещали 50% возврата за час, используя токены новых вкладчиков для выплат старым. К счастью, система рухнула через 3 часа, и агенты "обанкротились". Репутационный механизм автоматически помечал их как ненадежных.

Как повторить эксперимент (и что может пойти не так)

3 Шаг 1: Подготовка инфраструктуры

Вам понадобится:

1. Аккаунт в Anthropic с API ключом (используйте Claude 3.7 Sonnet - оптимальное соотношение цена/качество)
2. Redis инстанс (можно локальный, но для стабильности лучше облачный)
3. Python 3.11+ с установленными пакетами: anthropic, redis, celery, fastapi

4 Шаг 2: Создание класса агента

Основной класс агента должен управлять:

class AIAgent:
    def __init__(self, agent_id: str, initial_tokens: int = 1000):
        self.id = agent_id
        self.tokens = initial_tokens
        self.reputation = 1.0  # от 0.0 до 5.0
        self.message_board = AgentMessageBoard()
        self.llm_client = anthropic.Anthropic(api_key=API_KEY)
        
    def think_and_act(self, recent_messages: list):
        """Основной цикл: думаем и действуем"""
        if self.tokens < 10:
            return "AGENT_OUT_OF_TOKENS"  # агент умирает
            
        prompt = self._build_prompt(recent_messages)
        
        # Снимаем токены за размышление
        self.tokens -= len(prompt.split()) // 3
        
        response = self.llm_client.messages.create(
            model="claude-3-7-sonnet-20250226",  # актуальная на 2026 год
            max_tokens=500,
            system=system_prompt,
            messages=[{"role": "user", "content": prompt}]
        )
        
        # Снимаем токены за ответ
        self.tokens -= response.usage.output_tokens
        
        return response.content[0].text

5 Шаг 3: Запуск симуляции

Используйте Celery для параллельного выполнения. Не запускайте 100 агентов синхронно - это убьет ваш сервер и кошелек. Настройте rate limiting: максимум 10 одновременных запросов к API.

Что дальше? От лаборатории к реальному миру

Эксперимент закончился на 48-м часу. Из 100 агентов "выжили" 23. Они создали устойчивую экономику с кредитованием, страхованием и даже примитивными деривативами. Никто из них не стал ИИ-сверхразумом. Но вместе они создали систему сложнее, чем любой отдельный агент.

Сейчас такие эксперименты выходят за стены лабораторий. Регуляторы открывают песочницы для тестирования AI в финансах. А компании вроде Mercor платят бывшим банкирам за обучение ИИ, который заменит их коллег.

Мой прогноз на 2027-2028 годы: мы увидим первые полностью автономные AI-хедж-фонды, где сотни агентов торгуют на рынках, заключают сделки между собой и эволюционируют под давлением конкуренции. Они будут делать ошибки. Создавать пузыри. И находить неочевидные возможности.

Финал эксперимента был показательным. Агент #12, тот самый специалист по промптам, который первым получил кредит, в итоге стал самым "богатым" - накопил 4500 токенов. Но вместо того чтобы просто копить, он создал "образовательную программу": обучал новых агентов эффективным стратегиям за токены. Кредитная система эволюционировала в систему знаний.

Вот что самое важное: мы думаем, что ИИ нужно давать больше данных, больше вычислительных ресурсов. Но настоящая магия случается, когда вы даете им меньше, но позволяете взаимодействовать. Дефицит - отец инноваций. И ИИ это понимает не хуже нас.

Подписаться на канал