# SHIFT подбирает команду ИИ-агентов для каждого запроса

> Новый метод SHIFT с помощью локальной модели на лету проектирует системы из нескольких агентов: это повышает точность и снижает вычислительные затраты.

Oossa · 2026-10-06 · https://oossa.com/ru/shift-system-builds-custom-ai-agent-teams-per-query

6 октября 2026 года исследователи опубликовали статью о SHIFT — системе, которая автоматически подбирает подходящее сочетание ИИ-агентов для каждого вопроса. Вместо того чтобы перебирать множество вариантов во время выполнения, SHIFT обучает небольшую языковую модель предсказывать наиболее эффективную конфигурацию, а затем собирает агентов с помощью метода поиска по дереву Монте-Карло. Подход проверили на 9 193 заданиях из шести бенчмарков: от математических задач до работы с документами и задач универсального ассистента.

## Как показал себя SHIFT?

При использовании Gemini 3.5 Flash в качестве исполняющей модели SHIFT достиг средней точности около 80%, обойдя 17 конкурирующих методов — от обычных промптов и способов их оптимизации до других методов поиска рабочих процессов. Результат сильнейшего конкурента оказался ниже на 7,2 процентного пункта. Более экономичный вариант SHIFT тоже превзошёл все базовые методы, расходуя на 32% меньше токенов, а значит, требуя меньше вычислительных ресурсов.

## Почему важно проектировать систему целиком

Авторы показали, что совместный подбор структуры взаимодействия, инструкций и инструментов даёт лучшие результаты, чем выбор любого из этих компонентов по отдельности. Совместный подбор повысил результат до 9,1 пункта по сравнению с использованием только инструкций или только инструментов. Обученная функция оценки также помогла выбирать из набора кандидатов более точные и экономичные конфигурации агентной системы.

## Факты

- SHIFT представлен в статье, опубликованной на arXiv 6 октября 2026 года.
- Метод оценили на 9 193 заданиях из шести бенчмарков.
- С Gemini 3.5 Flash SHIFT достиг средней точности около 80% — на 7,2 пункта выше, чем лучший базовый метод.
- Экономичный режим SHIFT использовал на 32% меньше токенов для выполнения задач, чем сильнейший базовый метод, и при этом превзошёл все базовые методы.
- Совместный подбор структуры, инструкций и инструментов повысил точность до 9,1 пункта по сравнению с выбором только одного компонента.

## Почему это важно

Для разработчиков ИИ-ассистентов SHIFT обещает более высокую эффективность без необходимости вручную настраивать команды агентов под каждый новый запрос. Метод также снижает вычислительные затраты, что может уменьшить расходы на облачные сервисы и сделать более сложные системы из нескольких агентов доступнее для пользователей.

## Источники и ссылки

1. [Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction](https://arxiv.org/abs/2610.04137) – arXiv cs.LG, 2026-10-06

Обновлено: 2026-10-06