דיג'סט LinkedIn: מתחרים תורמים ארבעה פרויקטי סוכנים, ביקורת על כרטיס בנצ'מרקים, ואיך ארגזי החול של סוכני קוד באמת עובדים
קרן Agentic AI Foundation מוסיפה את Agent Skills, Open Responses, OpenEnv ו-OpenSandbox. מריה סוחרבה מבקרת את טבלת הבנצ'מרקים של Meta שורה שורה. פול יוסטין מסביר את שלוש שכבות ארגז החול מתחת לסוכני קוד. אומת מול מקורות ראשוניים פומביים.
שלושה פוסטים ציבוריים בלינקדאין מהיומיים האחרונים, נושא אחד: התשתית המשעממת שמחליטה אם סוכנים באמת עובדים. ארבע מעבדות מתחרות תרמו את אינסטלציית הסוכנים שלהן לקרן ניטרלית, ותיקת הספקנות כלפי בנצ'מרקים הניחה סכין על כרטיס המודל החדש של Meta, ומהנדס שבונה סוכני קוד הסביר איך ארגז החול מתחתיהם באמת עובד. ציטוטים קצרים, קישורים ומה שאני חושב. שום דבר כאן לא מפיד פרטי של אף אחד.
הגרסה הקצרה
קרן Agentic AI Foundation הכריזה על ארבעה פרויקטים מתארחים חדשים ב-AGNTCon + MCPCon בסן חוזה: Agent Skills (מ-Anthropic), Open Responses (מ-OpenAI), OpenEnv (מ-Hugging Face) ו-OpenSandbox (מ-Alibaba), ומגיעה ל-10 פרויקטים בשנתה הראשונה - אימתתי הכל מול ההכרזה של הקרן עצמה. הפירוק של מריה סוחרבה של טבלת הבנצ'מרקים של Meta מונה מקורות מעורבים, הַרנָסים מעורבים, נסיונות-חזרה וטיימ-אאוטים לא מדווחים והיעדר רווחי סמך, כשהמדד העצמאי היחיד מציב את Opus 5.5 של Anthropic ראשון, 58 מול 56; הציטוטים הספציפיים שלה מפוסט הציבורי שלה שקראתי, ולא בדקתי מחדש את המספרים של Meta באופן עצמאי. ההסבר של פול יוסטין מציג את שלוש הרמות האמיתיות של ארגזי חול לסוכני קוד: ברמת מערכת ההפעלה (Seatbelt, Bubblewrap), בידוד ליבה במרחב המשתמש (gVisor), ומיקרו-VM (Firecracker, Cloud Hypervisor). קראתי את שלושת הפוסטים ב-23 באוקטובר 2026.
Agentic AI Foundation: ארבע מעבדות, ארבע שכבות של מחסנית הסוכנים, בית ניטרלי אחד
ההכרזה של הקרן עצמה, מתאריך 22 באוקטובר מ-AGNTCon + MCPCon North America בסן חוזה, אומרת ש-AAIF מארחת כעת 10 פרויקטים, מעלה משלושת פרויקטי ההשקה בדצמבר 2025. ארבעת החדשים משתלבים נקי במחסנית. Agent Skills, בתרומת Anthropic, הוא פורמט פתוח להענקת יכולות חדשות לסוכנים - אריזת הוראות, סקריפטים ומשאבים כך שידע מומחה יהיה נייד בין מוצרי סוכנים; Anthropic אומרת שהשיקה את הפורמט לפני שנה ותורמת אותו כדי שכל מי שבונה עם מיומנויות יעצב את הבאים. Open Responses, מ-OpenAI, הוא מפרט פתוח לממשקי LLM רב-ספקיים המבוסס על OpenAI Responses API: סכימה משותפת, אירועי סטרימינג עקביים וכלים ניתנים להרחבה, כך שבקשה שנכתבת פעם אחת רצה אצל ספקים שונים עם תרגום מינימלי. OpenEnv, מ-Hugging Face, הוא פריימוורק ומרכז קהילתי לסביבות למידת חיזוק - שירות מכולה שחושף ממשק סוכן, MCP ופרוטוקול האימון Gym - עם ועדה שמונה בין משתמשיה את Hugging Face, Microsoft, Reflection, Meta-PyTorch, Fleet, Mercor, RadixArk, Modal ו-Prime Intellect. OpenSandbox, מ-Alibaba, היא פלטפורמת ארגז חול כללית עם SDK רב-לשוניים, ממשקים מאוחדים וסביבות ריצה של Docker ו-Kubernetes לסוכני קוד, סוכני GUI, הערכה ואימון RL. הם מצטרפים ל-MCP, goose, AGENTS.md, Agent2Agent, Agent Router ו-agentgateway תחת מה שה-CTO של AAIF מאניק סורטאני מכנה ממשל פתוח וניטרלי לספקים. דעתי: לפני שנה סיפור האינטרופרביליות של סוכנים היה בעיקר MCP; החל מהשבוע השכבה הניטרלית מכסה גם מיומנויות, ממשקים, סביבות אימון וארגזי חול להרצה, והתורמים הם אותן מעבדות שמתחרות הכי קשה זו בזו. ככה אינסטלציה מתוקננת.
מריה סוחרבה (דרך אריק פרייזר): ביקורת של טבלת הבנצ'מרקים של Meta מקור אחר מקור
מריה סוחרבה, שביקורות הבנצ'מרקים נגד ההייפ שלה הן ז'אנר בפני עצמו, עברה על התיעוד מאחורי כרטיס המודל החדש של Meta - 13 עמודי טבלאות, לדבריה - ופרסמה את ממצאיה, עם הגברה של ה-CTO בחוזה אריק פרייזר. הרשימה שלה, בציטוט מהפוסט: מקורות מעורבים, חלק מהשורות מ-Artificial Analysis, Vals, Surge, Datacurve או Abundant AI, חלק מהרצות "מאמץ-מרבי" של Meta עצמה על מודלים מתחרים, וחלק ממספרי Claude שנלקחו מכרטיסי המערכת של Anthropic. הֶרְנֵסים מעורבים: ב-SWE-Marathon, GPT-6 Astra רצה ב-Codex ו-Fable 5.1 ב-Claude Code - שורה ש-Meta עצמה מסמנת כלא מבוקרת - בעוד DeepSWE מערבב מדווחים בלי שום סימון. ב-OSWorld, Meta הריצה את רוב המודלים בפריימוורק שלה בעוד ציון Opus 5.5 הוא מדווח-Anthropic, עם גרסת OSWorld לא מפורטת. Artificial Analysis מריץ את Opus 5.5 עם נסיגה ברירת-מחדל למודל Claude ישן יותר, ותדירות ההפעלה שלה לא מדווחת. נסיונות-חזרה וטיימ-אאוטים לא מדווחים לאף שורה, מה שחשוב במשימות סוכנתיות ארוכות. אין רווחי סמך ואין מספרי ניסיונות, כשכמה פערים מתחת לנקודה. שתי שורות הן של Meta עצמה: MemoryBench פנימי, ו-PSI הוא מדד שהרכיבה Meta בלי שקלול מפורסם. והמכה שלה: המדד העצמאי היחיד בטבלה, Artificial Analysis Index, מציב את Opus 5.5 ראשון, 58 מול 56. המסקנה שלה חדה: "לא למדתי דבר על איך המודל יתפקד על המשימות שלי בהשוואה למודלים אחרים". המסגור של פרייזר חד עוד יותר. דעתי: אף אחת מהתלונות האלה לא חדשה, וזו בדיוק הנקודה - תקני הדיווח אצל כמעט כל הספקים לא זזו, אז ביקורת ציבורית, ספציפית, שורה-שורה, עם הציטוטים בפועל, היא סוג הביקורת העמיתים השימושית ביותר שטבלת בנצ'מרקים יכולה לקבל. הסתייגות ממני: קראתי את הפוסט שלה אבל לא גזרתי מחדש מספרים מכרטיס Meta, אז יש להתייחס לכל טענה ספציפית כציטוט שלה, לא כמדידה שלי.
פול יוסטין: שלוש רמות של ארגז חול לסוכני קוד
פול יוסטין, שכותב עבור Manning ובנה סוכן קוד משלו בשם Decode, פרסם הסבר קומפקטי על מה שבאמת מונע מסוכן לגעת בקבצים מחוץ לפרויקט שלך. שלוש רמות מהפוסט שלו: ארגז חול ברמת מערכת ההפעלה - Seatbelt ב-macOS ו-Bubblewrap בלינוקס - מגביל גישה למשאבים תוך שיתוף ליבת המארח. בידוד ליבה במרחב המשתמש - gVisor - מיירט קריאות מערכת ומוסיף בידוד בין הסוכן לליבת המארח. ומיקרו-VM - Firecracker ו-Cloud Hypervisor - נותנים ליבת אורח נפרדת, האופציה הקרובה ביותר ל-VM מסורתי. ההערה המעשית שלו היא החלק שאנשים טועים בו: לא שמים את כל הסוכן בארגז חול. ההרנס נשאר מקומי, והכלים של הסוכן - Bash, Read, Write, Edit - מורצים בתוך ארגז חול אחד משותף כך שכל כלי רואה את אותה מערכת קבצים. ב-Decode הוא סיים עם ממשק מבצע אחד מאחורי הרצה מקומית, Docker וארגזי חול מרוחקים של Modal, כך שכל סשן מקבל סביבה מבודדת משלו. דעתי: הפיצול הרנס-מקומי, כלים-בארגז-חול תואם את איך שסוכני הקוד הרציניים באמת בנויים, וזה המודל המנטלי הנכון לכל מי שמחבר אחד כזה בסוף השבוע - המוח של הסוכן משוטט חופשי, הידיים שלו עובדות בתא כפפות.