Kiro CLI v3
Standalone Hooks — хуки в отдельных файлах
Релевантность: высокая
Усилия: средние
Что это: Хуки мигрируют из JSON-конфигов агентов в отдельные файлы .kiro/hooks/<name>.json. Новые триггеры: PostFileCreate, PostFileDelete, PreTaskExec, PostTaskExec, Manual. Два типа действий: shell-команда (может блокировать) и промпт агента (лёгкое направление). Матчеры — regex на пути файлов или имена инструментов.
Зачем Jeeves: Сейчас хуки вшиты в JSON-конфиги каждого агента (preToolUse, agentSpawn в jeeves.json). Формат v3 чище: хуки определяются один раз централизованно, применяются ко всем. Миграция: kiro-cli agent migrate. Ключевые выигрыши: (1) PostFileCreate может автоматически запускать vault-sync.sh при изменении файлов vault, (2) Manual-триггер позволяет запускать хуки из Telegram по запросу, (3) PostFileDelete ловит случайные удаления. Новый формат добавляет контроль таймаутов и включение/выключение без редактирования конфигов.
Kiro CLI — 14 июля
GPT-5.6 Sol/Terra/Luna — новые модели OpenAI
Релевантность: высокая
Усилия: малые
Что это: Модели OpenAI впервые доступны в Kiro. Sol (флагман, 80 Coding Agent Index, 2.4x кредитов), Terra (баланс, 1.2x), Luna (самая быстрая/дешёвая, 0.6x). Все с контекстом 272K. Скрытая цепочка рассуждений. Могут писать лёгкие программы для координации инструментов.
Зачем Jeeves: Luna за 0.6x кредитов — крайне релевантна для простых задач (daily-planning, evening-ping, wroclaw-events). Эти задачи сейчас используют claude-sonnet-4, но не нуждаются во frontier-рассуждениях. Luna может сэкономить ~50% на этих запусках. Sol интересен для сложных задач (monthly-career-scan, weekly-portfolio-review), где глубокое рассуждение окупается. Реализация: добавить поле 'model' в jobs.json для выбора модели per-job, обновить acp-harness.py для передачи --model.
Kiro CLI — 9 июля
Хуки на записи агентов — автосинхронизация
Релевантность: высокая
Усилия: малые
Что это: Хуки теперь срабатывают когда агент записывает файлы, а не только при пользовательском сохранении. PostFileSave и PostFileCreate триггерятся на запись агентом тоже.
Зачем Jeeves: Закрывает дыру в текущей архитектуре. vault-sync.sh сейчас зависит от явного вызова агентами. С хуками на записи агентов можно настроить PostFileSave-хук на пути vault для автоматического запуска vault-sync.sh. Убирает шаг ручной синхронизации из промпта каждого агента и предотвращает забытые коммиты. Реализация: один файл хука с матчером на /opt/jeeves/vault/.
Kiro CLI — 3 июля
Восстановление сессий при запуске
Релевантность: средняя
Усилия: малые
Что это: Сессии автоматически восстанавливаются при запуске. Потребление ресурсов в простое снижено.
Зачем Jeeves: Для интерактивных Telegram-сессий восстановление означает, что бот может подхватывать предыдущий контекст без зависимости от telegram-context.jsonl. Однако cron-задачи используют свежие сессии by design, так что это в основном полезно для интерактивного Telegram-использования. Стоит протестировать: если telegram-bot.py переиспользует session ID, восстановленная сессия даст бесплатную непрерывность контекста.
Mastra Harness — 18 июня
Режимы агента (Plan/Execute)
Релевантность: высокая
Усилия: средние
Что это: Единый harness поддерживает несколько режимов, каждый со своим агентом, моделью и инструментами. Режимы переключаются автоматически (например, plan → execute после одобрения). Сессии переносят диалог через переключения.
Зачем Jeeves: Прямо применимо к сложным задачам. Сейчас investment-analyst работает как один длинный промпт, который и планирует (что анализировать) и выполняет (запускает скрипты, генерирует отчёт). Паттерн plan→execute: (1) планирует какие данные собрать и секции написать, (2) переключается на выполнение с тяжёлыми инструментами. Это мэппится на self-verification proposal с прошлого месяца. Реализация сегодня: в промптах — «Сначала спланируй подход в секции ## Plan. Затем выполняй шаг за шагом. Наконец, верифицируй против плана.» Настоящий Harness потребует нативной поддержки от Kiro CLI.
Mastra Harness — 18 июня
Наблюдательная память (Observational Memory)
Релевантность: высокая
Усилия: средние
Что это: Вместо сжатия длинных диалогов в lossy-саммари, система памяти извлекает структурированные наблюдения. Агент-наблюдатель сжимает сообщения в наблюдения; агент-рефлектор конденсирует наблюдения, объединяя связанные. Наблюдения сохраняются между сессиями.
Зачем Jeeves: Текущая кросс-сессионная память ad-hoc: context/entries/ для статических фактов, skills/learned/ для коррекций, telegram-context.jsonl для последних сообщений. Паттерн наблюдательной памяти предлагает структурированную середину: после каждой сессии извлекать 3–5 ключевых наблюдений («Пользователь предпочитает X», «Портфель достиг milestone Y», «Метрика Z в нисходящем тренде»). Они подаются в следующую сессию как динамический контекст. Это расширяет систему continuous-learning за пределы коррекций к общим наблюдениям.
Mastra Durable Agents — 26 июня
Кэшируемые возобновляемые стримы
Релевантность: средняя
Усилия: большие
Что это: Агентские стримы переживают дисконнекты клиента. Чанки кэшируются по мере генерации. Несколько клиентов могут наблюдать один и тот же запуск. Fire-and-forget выполнение с createEventedAgent() переживает HTTP-соединения.
Зачем Jeeves: Подтверждает предложения чекпоинтинга последних 2 месяцев. Подход Mastra кэширует весь стрим на уровне инфраструктуры, а не просит агентов сохранять состояние. Для Jeeves более простой подход остаётся лучшим: чекпоинтинг на уровне промптов. Однако паттерн «fire-and-forget» релевантен: telegram-bot.py сейчас блокирует ожидая ответов. Fire-and-forget, где задача запускается и бот поллит завершение — предотвратит таймауты на длинных Telegram-запросах.
Mastra Archil — 30 июня
Персистентное файловое хранилище агентов
Релевантность: низкая
Усилия: малые
Что это: Интеграция Archil даёт агентам персистентное файловое хранилище на S3, переживающее запуск. Файлы можно читать, писать, искать и расшаривать между сессиями.
Зачем Jeeves: У Jeeves это уже есть — локальная файловая система И ЕСТЬ персистентное хранилище, с git для версионирования. Паттерн Archil валидирует, что агентам нужно персистентное workspace-хранилище — что у Jeeves есть с первого дня. Действий не требуется. ✅
OpenClaw v2026.7.1
External Harness Attachment (openclaw attach)
Релевантность: средняя
Усилия: средние
Что это: Подключение внешнего harness к существующей Gateway-сессии. Codex-стиль workflow с лёгким возобновлением и инспекцией.
Зачем Jeeves: Паттерн «подключиться к запущенной сессии» интересен для Telegram-бота. Сейчас нельзя инспектировать или направлять запущенную cron-задачу. Если Kiro CLI добавит механизм attach: (1) запустить задачу через cron, (2) подключиться из Telegram для наблюдения за прогрессом, (3) направить mid-run при необходимости. Заменит текущий слепой fire-and-wait паттерн. Мониторить Kiro CLI на подобные возможности.
OpenClaw v2026.7.1
Видимость стоимости per-agent
Релевантность: высокая
Усилия: малые
Что это: Трекинг стоимости per-agent и per-conversation. Видно в Control UI. Лимиты стоимости per-agent.
Зачем Jeeves: Jeeves трекает длительность per-job (metrics.json), но не стоимость. Кредитный трекинг Kiro CLI (/usage) можно захватывать per-job. Реализация: после каждой задачи извлечь usage info из сессии и записать в metrics.json. Даёт видимость стоимости без дополнительной инфраструктуры. В комбинации с effort levels и выбором модели позволяет реальную оптимизацию расходов.
CrewAI v1.15.0–v1.15.2
Декларативные Flow-определения (JSON-first)
Релевантность: средняя
Усилия: средние
Что это: Flows можно определять декларативно в JSON с crew-действиями, each/do циклами, условными выражениями, схемами состояний и kickoff-входами. CLI поддерживает crewai flow kickoff.
Зачем Jeeves: Задачи Jeeves определены в jobs.json, но поток выполнения целиком в промптах агентов. Декларативные flows предлагают определять multi-step workflow как структурированный JSON вместо инструкций в промптах. Для простых задач — overkill, но для сложных (investment-analyst: sync→analyze→screen→report→predict) декларативный flow был бы надёжнее и отлаживаемее. Возможная эволюция jobs.json: добавить массив 'steps' для описания пайплайна.
CrewAI v1.15.2
Inline Skill Definitions
Релевантность: низкая
Усилия: малые
Что это: Навыки можно определять inline внутри определений crew/agent вместо отдельных файлов.
Зачем Jeeves: Jeeves использует отдельные SKILL.md файлы — это чище и maintainability лучше. Inline-навыки снизили бы discoverability. Никаких действий — текущий подход лучше для растущей библиотеки навыков (69 в library.json). ✅
CrewAI v1.15.0
Cost Limits в Agent Control Plane
Релевантность: высокая
Усилия: малые
Что это: Правила лимитов стоимости в Agent Control Plane. Автоматическая остановка агентов, превысивших токен-бюджет.
Зачем Jeeves: У Jeeves нет cost guards. Зацикленный агент может жечь кредиты бесконечно. Реализация: добавить timeout и/или max-turns лимит в run-job.sh (сейчас есть --timeout, но нет token/cost cap). Флаг --effort частично решает (меньше effort = меньше токенов), но explicit budget cap безопаснее. Проверить, есть ли у Kiro CLI --max-cost или --max-turns.
LangGraph v1.2.8
Stability Release + Deep Agents
Релевантность: средняя
Усилия: малые
Что это: LangGraph v1 фокусируется на стабильности: стабильные graph API, durable execution с чекпоинтингом, streaming, human-in-the-loop. create_react_agent deprecated в пользу create_agent с middleware. Deep Agents (LangChain + NVIDIA NemoClaw blueprint).
Зачем Jeeves: Stability release подтверждает: мультиагентное пространство созревает. Ключевой паттерн: middleware в create_agent — мэппится на систему хуков Kiro CLI. Формат v3 standalone hooks приближает их к proper middleware (pre/post обработка на каждом действии). Deep Agents — enterprise-grade long-running agent patterns, но cloud-hosted — не релевантно для self-hosted Jeeves. Концепция middleware стоит внимания: хуки Jeeves и есть middleware.
Microsoft Agent Framework 1.0
Процедурная память + Foundry Skills
Релевантность: высокая
Усилия: средние
Что это: Процедурная память позволяет агентам учить и хранить процедуры для повторного использования. Foundry Skills — модульные возможности для композиции и деплоя. Память, observability и hosted agents интегрируются нативно.
Зачем Jeeves: Процедурная память MAF — ровно то, что делает continuous-learning система Jeeves с инстинктами: учит процедуры из коррекций и переиспользует. MAF валидирует паттерн. Foundry Skills мэппятся на shared skills/ Jeeves. Ключевой дифференциатор MAF: навыки имеют explicit input/output схемы для composability. Навыки Jeeves сейчас documentation-only (SKILL.md). Добавление structured schema (input format, output format, triggers) в SKILL.md улучшит надёжность при загрузке навыков по запросу.