Когда сложная инженерная разработка ведётся несколькими ИИ-моделями одновременно, возникает «проблема Вавилонской башни». Для широкого архитектурного обзора и работы с большими файлами идеально подходит Google Antigravity (Gemini), а для строгого код-ревью и пошагового исполнения — OpenAI Codex (GPT).

Однако передать диалог из одной среды в другую без потерь практически невозможно: проприетарные схемы JSONL, тонны мусорных токенов (сырые diffs, выводы терминала, CoT reasoning) и системные XML-обвязки приводят к галлюцинациям целевой модели и перерасходу бюджета.

Задача моста состояла не в том, чтобы сделать слепой дамп терминала. Нужно было создать детерминированный протокол, передающий только мысли, решения и каталог ссылок на проектные артефакты.

С какими барьерами мы столкнулись

При анализе живых логов обеих платформ выявились три фундаментальные проблемы:

  • Несовместимость структур: Antigravity структурирует шаги через USER_INPUT и PLANNER_RESPONSE, а Codex использует стрим-события response_item, world_state и item_completed.
  • Токсичный контекстный шум: до 85% объёма сырого лога занимают технические вызовы утилит и diffs, не несущие смысловой ценности для следующего агента.
  • Потеря артефактов: при ручной передаче текста теряются прямые ссылки на планы реализации (implementation_plan.md) и зафиксированные результаты.

Архитектура Unified Agent Bridge (H-090)

Мы разработали универсальный мост на Python, реализующий слой абстракции над сырыми логами:

Компонент Что делает Эффект
AntigravityAdapter Парсит transcript_full.jsonl, изолирует теги инициализации Чистая нить рассуждений Gemini
CodexAdapter Устраняет псевдоходы инициализации, склеивает составные ответы Детерминированный диалог GPT
UnifiedSession Нормализует таймстемпы, порядок ходов и извлекает ссылки на файлы Единый контракт для любых LLM
Режим clean Генерирует Markdown/JSON полного диалога без технического шума 100% сохранение сути разговора
Режим handoff Формирует компактный пакет последних 3 ходов для быстрой эстафеты Экономия до 85% токенов контекста
Подтверждённый Evidence В боевом тесте агент среды Antigravity по одной нативной команде вызвал мост, прочитал сессию Codex из 15 ходов (сотни внутренних событий), выделил суть и дал структурированное саммари за 1.8 секунды.

Честная инженерная ретроспектива

В первой итерации мы совершили типичную ошибку оверинжиниринга: попытались создать «100% forensic-парсер», сохраняющий абсолютно все технические вызовы. В результате код стал хрупким, а файлы — перегруженными.

Мы сделали осознанный Pivot (поворот): задача моста диалогов — передавать контекст мышления человека и ИИ, а не служить файловым архиватором. Сфокусировавшись на чистом тексте и каталоге ссылок на артефакты, мы сократили кодовую базу на 60% и добились абсолютной стабильности.

Что это даёт для бизнеса и команд

Подход с единым межсистемным мостом решает ключевые боли при внедрении ИИ в процессы компании:

  • Мульти-агентные пайплайны: возможность объединять сильнейшие стороны разных моделей в единый конвейер без ручного копирования.
  • Контроль и аудит: прозрачное извлечение истории решений из закрытых каталогов сред разработки для тимлида или заказчика.
  • Экономия бюджетов: уменьшение передаваемого контекста в 5–7 раз напрямую снижает затраты на токены LLM API.

Хотите объединить разные ИИ-модели в единую систему?

Мы проектируем мульти-агентные архитектуры, мосты данных и надежные harness-контуры для бизнеса.

Обсудить проект с Дмитрием →