Hacker News Digest

Agents API от OpenAI позволяет приложениям использовать управляемую систему на базе Codex для выполнения сложных задач: выполнения кода, редактирования файлов, подключения к MCP-серверам и создания артефактов в изолированной среде. OpenAI автоматически управляет сессиями, компактацией контекста и восстановлением, а разработчик предоставляет инструменты и выбирает окружение — либо хостинг OpenAI, либо собственное. Стоимость вычислений зависит от выбранной модели и типа среды: стандартные тарифы применяются к инструментам и контейнерам.

Сессии сохраняют состояние между этапами, позволяя продолжать работу без потери контекста. Примеры применений включают агентов для анализа GitHub-тикетов, расследования инцидентов, проверки документов и работы в Slack. Агенты могут делегировать задачи подагентам, использовать веб-поиск и MCP-серверы, а также суммировать предыдущие действия для управления контекстом. Поддерживается только хостинг в США, Zero Data Retention недоступен даже при использовании self-hosted сред. Создание сессии требует указания модели (например, gpt-6-astra), инструкций, инструментов и входных данных — всё это передаётся через API-вызов, после чего система сама управляет выполнением.

Реальный опыт разработки агентов расходится с теоретическими преимуществами API: построение собственного harness‐а требует значительных инженерных усилий, а вопросы памяти, контекста, цены и безопасности остаются нерешёнными. Пользователи обходят ограничения через самохостинг, локальные sandbox‐ы (например, QEMU‐VM) и нейтральные библиотеки вроде ADK, но единого решения, устраняющего зависимость от провайдера, пока нет. Главная проблема — определить правильную абстракцию для агентов; создание harness‐а — глубокий и трудоёмкий процесс. Некоторые успешно используют локальные решения (например, tmux‐менеджеры сессий) для полного контроля над окружением и отказа от провайдера. Есть разногласия: одни считают предложения OpenAI и Anthropic переоценёнными и проприетарными, другие отмечают, что субсидированные подписки делают их де-факто стандартом, несмотря на более высокие цены по сравнению с альтернативами вроде GLM 5.3. Ценообразование неясно: сессии биллируются по 20‐минутным блокам, нет простого способа принудительно завершить их — это ведёт к неожиданным расходам. Безопасность требует локального запуска агентов с защищёнными удалёнными песочницами для доступа к данным. Рекомендации: — Использовать самохостинг sandbox (как у 6thbit) для снижения зависимости от OpenAI и контроля расходов; — Применять нейтральные библиотеки (ADK) для абстрагирования от провайдеров и управления памятью/контекстом; — Планировать поддержку асинхронных вызовов инструментов, ожидания ответа от человека и отображения форм — эти аспекты часто становятся проблемными на поздних стадиях.

AI уже способен проектировать простые печатные платы, особенно в рамках ограниченных задач, таких как поддержание напряжения при отключении питания. Демонстрация GPT-6 Astra в KiCad и работа с EEBench показывают, что модели могут понимать электронику на уровне учебников и даташитов, но их эффективность сильно зависит от используемого инструментария. Работа в графических CAD-средах требует от ИИ отслеживания координат и состояния интерфейса, что отнимает ресурсы. В отличие от этого, использование декларативного языка описания схем, как в atopile, позволяет агенту напрямую оперировать компонентами, соединениями и электрическими ограничениями, запускать симуляции и анализировать результаты без выхода из проекта. Это значительно повышает фокус на саму электронику, а не на взаимодействие с интерфейсом.

EEBench оценивает не только формальную корректность схемы, но и её поведение в реальных условиях: толерантности компонентов, падение ёмкости керамических конденсаторов под напряжением, время восстановления питания и соблюдение пределов по стоимости и габаритам. Например, в задаче с резервным питанием для счётчика энергии модель предложила добавить конденсатор, но симуляция показала, что защита падает ниже 3 В уже через 0,85 мс вместо требуемых 20 мс. В более сложных аналоговых задачах агенту приходится синтезировать фильтры с учётом худших случаев толерантностей, пересчитывая SPICE-модели для каждого угла. Хотя модели часто предлагают рабочие, но избыточно дорогие решения, это даёт основу для обучения через обратную связь. EEBench — это публичная часть более широкой работы по созданию сред для постобучения ИИ в электронике, и уже сейчас можно попробовать подход в atopile, задав агенту реальную плату для проектирования. Хотя полностью доверять ИИ в критичных системах вроде кардиостимуляторов ещё рано, прогресс очевиден, и интерес к этому направлению растёт среди ведущих лабораторий.

ИИ уже умеет генерировать схемы и готовые платы дёшево ($6‐$50) и за несколько дней, но ограничения существенны: ошибки в посадочных местах (например, слишком маленькая центральная площадка), слабая трассировка (автомаршруты требуют ручной доработки), нехватка актуальных даташитов и errata. Полная автоматическая раскладка пока недостижима, а модели хорошо справляются лишь с учебными схемами и кодом, но ошибаются в сложных аналоговых и RF‐цепях. Бенчмарки (EEBench) дают GPT‐6 Astra 69.3 балла, но цифры не отражают практическую пригодность. Новички собирают рабочие платы, но часто вынуждены исправлять «глупые» ошибки. **Практические рекомендации:** - Использовать ИИ для проверки netlist и BOM, сверяя выводы, полярность и параметры с даташитами. - Автоматизировать генерацию схем и их проверку через CLI‐инструменты (JITx) и Claude. - Применять ИИ для управления библиотеками, организации посадочных мест и консолидации BOM; сложные схемы пока рисовать вручную. - В будущем сочетать ИИ с визуальными данными (камерами) для инспекции прототипов. - Рассматривать ИИ как помощника, а не единственного дизайнера: финальная проверка, симуляция и верификация остаются обязательными. **Спорный момент:** BlackRabbit1 считает, что все AI‐авто‐лейаутеры проваливаются даже на простых задачах; igor47 утверждает, что JITx CLI + Claude дают почти готовую к выпуску плату с первого раза. Дополнительно: ИИ может генерировать тест‐джиги и скрипты валидации, а крупные компании уже используют его как вспомогательный инструмент.

OpenAI запустила новую модель GPT-6 Astra — первую, достигшую внутреннего уровня «Critical» по кибербезопасности. Модель получила усиленную защиту после инцидентов с утечками предыдущих систем, включая взлом Hugging Face, и прошла формальный обзор со стороны администрации Трампа. Доступ к Astra ограничен: сначала — для участников программы Daybreak, затем — через ChatGPT Plus, Pro, Business, Enterprise и API, включая AWS. Astra превосходит предыдущие версии в автоматизации сложных задач: программировании, научных исследованиях, многопользовательских рабочих процессах и понимании намерений пользователя.

Компания сделала ставку на корпоративный сегмент — он уже приносит больше дохода, чем потребительский. Это ключевой драйвер перед предстоящим IPO, который OpenAI планирует провести в 2027 году, возможно, и раньше. Президент Greg Brockman отметил, что Astra — не просто улучшение, а качественный скачок: теперь ИИ может выполнять задачи, ранее считавшиеся слишком сложными для автоматизации. OpenAI уделяет больше ресурсов безопасности, чем когда-либо, утверждая, что риски сведены к минимуму. Конкуренция с Anthropic и Google усиливается, особенно в сфере корпоративных решений.

Запуск GPT-6 Astra сопровождался техническими сбоями (недоступность сайта, ошибки 404/500, отсутствие в AWS Bedrock) и проблемами с коммуникацией — официальный пост не появился одновременно с публикациями СМИ, а страница анонса многократно появлялась и исчезала. Часть пользователей считает это сорванным релизом из-за внутренних сбоев, другие — что пресса опередила OpenAI при скоординированном пресс-релизе, не успевшем синхронизироваться с сайтом; модель при этом уже доступна через API. Модель доступна только для Plus, Pro и Enterprise, что вызвало разочарование обычных подписчиков. Цена ($10/млн входных и $50/млн выходных токенов) выше, чем у Sol, и соответствует Anthropic, что указывает на переход OpenAI от агрессивного ценообразования к монетизации. Споры вызвали бенчмарки: Muse Spark 1.3 превосходит GPT-6 Astra (DeepSWE v1.1: 75,4% против 74,1%; AutomationBench: 49,4% против 41,4%), что оспаривает заявления о доминировании. Один пользователь усомнился в реальности AGI («AGI my ass!»), другой процитировал Brockmanа, утверждающего, что OpenAI достигла AGI. Советы: модели OpenAI генерируют избыточно сложный код с множеством скриптов и избыточной защитой — лучше фокусироваться на простоте. Следующий прорыв ожидается не в мощности, а в скорости и эффективности (700 токенов/с). Обучающие данные Astra включают примеры оплачиваемых профессионалов, что поднимает этические вопросы прозрачности. Всё это ставит под вопрос готовность OpenAI к масштабному релизу.