Методология ICM: структура директорий как архитектура ИИ-агентов

⚡ Главное за 5 секунд - Суть: Interpretable Context Methodology (ICM) заменяет оркестрацию на уровне фреймворка оркестрацией через структуру файловой системы: Markdown-файлы содержат промпты и контекст для каждого шага пайплайна. - Где доступно: выжимка из оригинальной статьи Jake Van Clief и David McDermott опубликована на Habr автором artem_dobrovinskiy 4 октября. - Ограничение: подход рассчитан на последовательные процессы с проверкой человеком; для сложных многозадачных систем лучше подходят классические фреймворки вроде CrewAI, LangChain, AutoGen. ### 🔍 Что обнаружено ICM строится на пяти принципах: один этап — одна задача; текст как интерфейс (этапы общаются через markdown и json); загрузка контекста слоями; артефакт этапа может быть отредактирован человеком; настройка фабрики, а не продукта (конфигурация переиспользуется между запусками). Архитектура рабочего пространства — контекстная иерархия из 5 слоёв: слой 0 (AGENTS.md, ~800 токенов) отвечает на вопрос «где я?», слой 1 (CONTEXT.md, ~300 токенов) — «куда мне пойти?», слой 2 (CONTEXT.md текущего этапа, 200–500 токенов) — «что мне делать?», слой 3 (эталон, 500–2000 токенов) — «каким правилам следовать?», слой 4 — артефакты работы, с которыми агент работает. Пример рабочего пространства: директория workspace/ со AGENTS.md, CONTEXT.md, папками stages/ (например, 01_research, 02_script, 03_production), каждая из которых содержит свой CONTEXT.md, references/ и output/. /output предыдущего шага становится входными данными следующего. Отредактированный пользователем артефакт используется как есть. Файлы слоёв 2 и 3 задают контракты и ограничения, чтобы агент не загружал все файлы в контекст и не решал самостоятельно, что важно. ### 💡 Почему это важно Ключевой практический эффект — сокращение контекстного окна. По утверждению автора, при реализации подхода каждый этап пайплайна загружает не более ~5.6k токенов для задачи, которая в монолитном решении потребовала бы 42k токенов. Поскольку длинный контекст неизбежно деградирует в точности, такой контроль релевантности напрямую улучшает качество работы модели. Плюс — каждый шаг читаем, проверяем и редактируем человеком, что реализует принципы mixed-initiative и прямого манипулирования. ### 🧩 Контекст Автор выжимки отмечает, что текущий подход к оркестрации AI-агентов обычно строится на фреймворках (CrewAI, LangChain, AutoGen), которые руководят передачей контекста, памятью, обработкой ошибок и координацией шагов. Для сложных многозадачных систем это оправдано, но для последовательных процессов с контролем человека такие фреймворки добавляют огромный инженерный overhead. ICM берёт за основу идею Unix-pipeline и дийкстровское разделение зависимостей: модули скрывают друг от друга детали, каждый отвечает за единственную задачу, разработчику остаётся лишь определить порядок выполнения.

🔗 Читать на habr.com