Новый обзор описывает, как LLM-агенты перешли от одиночных вызовов инструментов к мультиинструментальной оркестрации, где один запуск связывает в цепочку несколько инструментов и побочных эффектов. Для команд, строящих harness, это изменение структурное: каждый дополнительный инструмент расширяет поверхность привилегий и добавляет режимы отказа, накапливающиеся в течение запуска. Обзор — полезная карта того, где именно дизайн harness, а не выбор модели, определяет, останется ли агент надёжным.
Смежные работы указывают в том же направлении. Отдельное исследование сообщает о коллаборативном мульти-LLM фреймворке с саморефлексией, а статья USI эмпирически оценивает генерацию тестов на основе спецификаций для привязки агентов к контрактам, рассматривая явные спецификации как объект тестирования. Google Research также опубликовала sleep-фреймворк для сохранения знаний в continual learning. В совокупности эти направления сосредоточены на обвязке вокруг модели: разрешениях инструментов, проверках контрактов и работе с памятью.
Практический вывод: качество оркестрации — инженерная задача с тестируемыми поверхностями. Что предоставленные материалы не устанавливают — это как любой из этих подходов работает в разных harness или нагрузках; обзор описан как карта, а не бенчмарк. Командам, оценивающим мультиинструментальных агентов, следует рассматривать ограничение привилегий, тесты на основе контрактов и сохранение знаний между запусками как отдельные проектные решения, каждое со своими режимами отказа, которые нужно измерить до релиза.