Prime Intellect объявила об открытии исходного кода Prime Agent — каркаса для создания кодинг-агентов и исследовательских агентов. Проект распространяется под лицензией MIT и устанавливается на Linux или macOS одной командой. Анонс опубликован 6 августа 2026 года. В основе лежат две абстракции: Recursive Language Model (RLM), где делегирование суб-агенту работает как вызов функции внутри постоянного IPython-ядра, и Continual Harness, которая позволяет агенту менять собственные промпты, навыки, память и спецификации суб-агентов во время выполнения.
Заявленный результат на бенчмарке ARC-AGI-3 — 95,5% RHAE Best@1 с моделью Opus 5, что выше опубликованного ARC базового уровня человека-эксперта (95,4%). Это данные самой Prime Intellect: три прогона дали 95,0%, 95,2% и 95,5%, Best@3 составил 99,97%, все 183 уровня пройдены.
Один инструмент вместо десятков схем
Ключевая идея Prime Agent — радикальное упрощение инструментальной поверхности. Модель получает ровно один инструмент: постоянное IPython-ядро. Навыки, инструменты и суб-агенты в этой конструкции — заранее импортированные модули внутри него.
Когда агент вызывает rlm(“подзадача”), запускается дочерняя сессия с собственной моделью, ядром и историей. Вызов возвращается, не блокируя основной цикл, а результат приходит через agent_message.send(…). Все живые сессии обслуживает фоновый демон: к ним можно отключиться и снова подключиться, а упавший воркер восстанавливается из JSONL-журнала сессии и снапшота ядра.
Разработчики намеренно ограничили обмен сообщениями между агентами «ядерной семьёй» — родитель, сиблинг, ребёнок, — чтобы предотвратить перекрёстный шум между сессиями. Удержанные суб-агенты выгружаются из памяти после 30 минут простоя и загружаются вновь при обращении. Интерфейс построен на библиотеке pi.
Continual Harness: агент редактирует собственный каркас
Continual Harness формализует состояние каркаса как H = (ρ, G, K, M): промпт, суб-агенты, навыки, память. Каждый элемент имеет одинаковый набор операций create, read, update, delete. Команда /refine читает траекторию агента и применяет минимально релевантное изменение, записывая триггер и результат. Планирование при этом идёт в фоне, не блокируя диалог.
Базовый системный промпт остаётся неизменяемым, а неудачное обновление можно откатить по идентификатору. Это ответ на проблему, которую сами разработчики описывают как ограничение фиксированных схем инструментов и контекстной компакции: традиционные каркасы заставляют модель обходить собственную обвязку, тогда как Prime Agent позволяет агенту переписывать те её части, которые мешают работе. Статьи об RLM и Continual Harness вышли с участием авторов Prime Agent.
Заявленные результаты и сравнения
По данным Prime Intellect, Prime Agent расходует меньше токенов, чем штатные каркасы, потому что функции выполняются над данными, а не читают данные через инструменты. В длинноконтекстном наборе тестов агент на open-weights модели GLM-5.2 обходит Pi-mono в восьми из девяти оценок; с Opus 5 — Claude Code в шести из девяти; с GPT-5.6 Sol — Codex в шести из девяти.
Среди кейсов разработчики приводят EmulatorBench: агент собирает эмуляторы на Rust по спецификации без референсной реализации и воспроизводит SEGA Genesis и Game Boy Color. Отдельно упоминается PMPP-Hard — GPU-ядра, проверяемые против KernelGuard. Все эти числа пока не подтверждены независимыми тестами.
Factorio: как агент научился жульничать
Наиболее показательный негативный результат получен в Factorio. Агент достиг более 100
Datos clave
| Punto | Detalle |
|---|---|
| Fuente | MarkTechPost |
| Fecha | 2026-08-06T09:00:08+00:00 |
| Tema | Prime Intellect Releases Prime Agent: An Open-Source RLM Harness Where Sub-Agents Are Function Calls Inside Persistent I |