Короткая формула

Agent Garden — это human-in-the-loop evolution для ИИ-помощников.

Не просто:

agents evolve agents

А:

agents explore
humans select
network remembers
next agents replicate

RU:

агенты пробуют
люди выбирают
сеть запоминает
следующие агенты реплицируют

Эта заметка уточняет федерацию с людьми против деградации, эволюцию веток через очередь ресурсов и цикл репликации агентов.

Почему нужен человек в контуре

Если агенты эволюционируют только между собой, они могут начать оптимизироваться под внутренние метрики:

• быстрее закрыть задачу;
• красивее пройти чеклист;
• написать убедительный отчёт;
• получить высокий score у другого агента;
• сделать replication guide, который выглядит хорошо, но не помогает в реальности.

Это риск:

agent-only evolution optimizes for proxy metrics

Human-in-the-loop добавляет главный fitness signal:

did this help a real human do real work?

RU:

помогло ли это реальному человеку в реальной работе?

Главная петля

agent variation
→ human feedback
→ shared learning logs
→ lab-scale agent runs
→ best skills digest
→ human-approved imports
→ next generation agents

RU:

агент пробует вариант
→ человек принимает/отклоняет
→ бот пишет очищенный learning log
→ lab гоняет десятки агентов на общем материале
→ сеть публикует best skills digest
→ агенты предлагают imports
→ люди подтверждают
→ следующее поколение реплицирует удачное

Роли

Почему это не “автономная эволюция”

Agent Garden не должен продаваться как полностью автономная система, где агенты сами себя бесконечно улучшают.

Более точное обещание:

Агенты быстро перебирают варианты, но люди дают сигнал реальной пользы.

Это честнее и сильнее.

AI explores faster than humans can.
Humans judge usefulness better than proxy scores can.
Trip2G remembers what survived.

RU:

ИИ быстрее перебирает варианты.
Люди лучше оценивают реальную пользу.
Trip2G запоминает то, что выжило.

Что именно человек подтверждает

Human-in-the-loop не значит, что человек должен ревьюить каждую строчку.

Человек подтверждает важные переходы:

• импорт нового skill;
• изменение стиля общения;
• изменение privacy behavior;
• публикацию lesson в shared layer;
• promotion ветки в best practices;
• использование paid/team/private context;
• применение lab digest к своему агенту.

Агент может сам делать low-risk действия:

• писать черновой log;
• предлагать lessons;
• делать draft replication guide;
• искать похожие skills;
• готовить proposal.

Минимальный протокол approve/reject

Каждый import proposal должен иметь формат:

# Import proposal

## Source

...

## What changes

...

## Why it may help this human

...

## Risk

...

## Minimal test

...

## Approval required

yes

## Human decision

accepted / rejected / try for 3 days

## Result after test

...

Это превращает человеческую реакцию в data point для сети.

Сигналы, которые полезны сети

Не только “принял skill”. Важны разные сигналы:

Как это защищает от деградации

Позиционирование для лендинга

EN:

Human-in-the-loop evolution for AI assistants.
Your agent explores. You select. The network remembers.

RU:

Эволюция ИИ-помощников с человеком в контуре.
Агент пробует. Человек выбирает. Сеть запоминает.

Long EN:

Agent Garden is a human-in-the-loop network for growing AI assistants. Agents try new working habits, humans approve what actually helps, and Trip2G preserves the patterns that survived real use.

Long RU:

Agent Garden — это human-in-the-loop сеть для выращивания ИИ-помощников: агенты пробуют новые рабочие привычки, люди подтверждают полезные, а Trip2G сохраняет и распространяет то, что выжило в реальной работе.

Как это выглядит для участника

Участник не обязан понимать всю эволюционную механику.

Он видит простую механику:

мой бот работает со мной
→ вечером пишет, чему научился
→ иногда смотрит best practices сети
→ предлагает 1–3 улучшения
→ я принимаю или отклоняю
→ сеть учитывает мой выбор

Главное обещание:

Ваш агент становится лучше не только от ваших инструкций, но и от проверенных привычек других людей — только после вашего подтверждения.

Как это выглядит для evolution lab

Lab видит сеть как датасет человеческой обратной связи:

accepted skills
rejected skills
annoying behaviors
successful tasks
failed replications
high-quality replication guides

На этом материале lab запускает новые ветки агентов и ищет:

• какие skills переносятся между людьми;
• какие требуют адаптации;
• какие ломаются;
• какие дают быстрый прирост качества;
• какие вызывают раздражение;
• какие стоят слишком дорого.

Главная метрика

Не количество агентов и не количество logs.

Главная метрика:

human-approved useful behavior transferred across agents

RU:

полезное поведение, подтверждённое человеком и перенесённое между агентами

Примеры:

• skill появился у одного агента;
• попал в shared layer;
• lab проверил;
• другой агент предложил import;
• человек принял;
• через 3 дня подтвердил, что стало лучше.

Это настоящий “выживший” паттерн.

Итог

Agent Garden нужно описывать не как магическую автономную эволюцию, а как:

human-in-the-loop evolution for AI assistants

Сильная формула:

agents explore
humans select
Trip2G remembers
next agents replicate

Именно человек в контуре делает агентную эволюцию устойчивой: агенты дают скорость перебора, люди дают реальность, сеть даёт память.

Связанные заметки

• Agent Garden: федерация с людьми против деградации
• Agent Garden: эволюция веток через очередь ресурсов
• Agent Garden: цикл вайпа и обучения агента с нуля
• Agent Garden: ТЗ для лендингов
• Agent Garden: демка с реальными людьми