Az ön vállalati AI ügynökei automatikusan megjegyeznék, hogy melyik modell a megfelelő melyik feladatra. A Mindstone ezt a Rebel segítségével építette ki.

AI ügynök-orchestration platformok napjainkban mint a gyomok, úgy szaporodnak, de a londoni székhelyű AI transzformációs startup, a Mindstone Rebel lehet a legígéretesebb közülük, amivel eddig találkoztam. Ennek oka, hogy a rendszer, amelyet ezen a héten indítottak el hivatalosan, egy helyi első, ügynöki AI operációs rendszer, amelyet "Fair Source" licenc alatt terjesztenek, lehetővé téve 100 fő alatti felhasználók számára, hogy szabadon elfogadják és testre szabják azt igényeiknek megfelelően, míg a több felhasználós szervezeteknek üzleti licencet kell vásárolniuk. A fő jellemzők az egyszerűsége és a széleskörű testreszabhatósága, hogy bármely adott csapat igényeihez illeszkedjen, függetlenül attól, hogy a munkafolyamatok mennyire egyediek vagy specifikusak, mindezt a közös, nyílt forráskódú standard fájlformátum, a markdown köré építve, és ennek következtében egy szervezeti memóriaréteg, amely biztosítja, hogy az ügynökök megbízhatóan használják a vállalat preferált AI modelljeit minden feladat vagy részfeladat esetén — dinamikusan váltogatva a helyi és felhőalapú megoldások között a költségek csökkentése és az adatok védelme érdekében. "A megosztott memória a legfelszabadítóbb dolog, amit egy tudásmunkás AI-val tehetsz," mondta Greg Detre, a Mindstone technológiai igazgatója a VentureBeat-nek adott legutóbbi videóinterjúban. "Úgy érezheted magad, mint egy szuperorganikus vállalat, amely folyamatosan egyre okosabbá válik." A Rebel most már elérhető macOS-ra Intel és Apple Silicon gépeken, valamint Windows-ra, Linux támogatása fejlesztés alatt áll. A Mindstone 5 millió dollárt vont be magánsorozatoktól, köztük a Pearson Ventures, Moonfire Ventures és Zanichelli Venture cégektől.

Rebel egyedi helyi első architektúrája Ami a Rebel-t megkülönbözteti, az a helyi első architektúrája. Ahelyett, hogy a fejlesztőbarát ügynöki keretek, mint például a LangGraph, CrewAI és AutoGPT, amelyeken csapatoknak adatbázisokat, felhőinfrastruktúrát és állapotkezelési logikát kell összekapcsolniuk, a Rebel alapügynök memóriája és utasításai helyi markdown (.md) szövegfájlokban élnek - vitathatatlanul a legsimább, legkönnyebb és legelterjedtebb módja az AI ügynökök irányításának, amelyet világszerte széleskörűen alkalmaztak AI fejlesztők és szakértők. A Mindstone szerint a Rebel tárolja állapotát, utasításait, feladatainak instrukcióit és memóriahierarchiáját ezekben a fájlokban, lehetővé téve a felhasználók és cégek számára, hogy könnyedén megvizsgálják, mozgassák vagy módosítsák azokat igényeiknek megfelelően. Az alapkonfigurációs fájl, az agents.md, a ügynök alap utasítási szintjeként és futási határvonalaként működik. Ez az építési választás részben a költségekről szól. A Mindstone érvelése szerint a gyakori irodai formátumok, mint például a Word dokumentumok és PDF-ek gyakran olyan formázási és metaadat-terheléssel bírnak, amely a modell token kontextusát használja, emelve az API költségeit. A markdown az információkat közelebb tartja a nyers szöveghez, lehetőséget adva arra, hogy a modell kontextusablakának több részét a tényleges feladatra fordítsák, nem pedig a dokumentum struktúrájára. A cég ezt az megközelítést a beszállítóktól való függőség elleni biztosítékként helyezi el. Ha egy vállalat ügynök utasításait, automatizálásait és memóriáit helyi szövegfájlokban tárolják, nem rekedtek egyetlen SaaS szolgáltató felületén vagy adatbázisában. Ez különösen fontos, ahogy a vállalatok egyre szélesebb hozzáférést biztosítanak az AI rendszereknek az e-mailekhez, naptárakhoz, dokumentumokhoz és belső munkafolyamatokhoz.

A Rebel lehetővé teszi a felhasználók számára, hogy megismételhető AI munkafolyamatokat hozzanak létre. A "képességek" olyan többlépéses eljárások, amelyeket egy ügynök újra felhasználhat. Az "operátorok" a feladatra vonatkozóan módosítják, hogy az ügynök hogyan viselkedik, például hogy bemutassa egy befektető szempontjából a bemutatót, vagy értékelje a munkát biztonsági szempontból. Az "automatizálások" ütemezett háttérfeladatokat hajthatnak végre, például üzenetek vagy fájlok átvizsgálása, releváns frissítések keresése, válaszok tervezése vagy munka előkészítése előtt, mielőtt egy alkalmazott megnyitná az alkalmazást.

Automatikusan kiválasztani a legjobb, vállalati preferenciákon alapuló AI modellt minden feladathoz (és részfeladathoz) Egy másik fontos jellemző a több modellből álló orchestration. A Rebel képes egy feladatot részekre bontani és különböző modellekhez irányítani a különböző lépéseket, beleértve a helyi és felhőalapú modellek közötti szétválasztást az információ érzékenysége vagy a vállalati politikák alapján. Egy erősebb modell képes a tervezés vagy összetett érvelés kezelésére; egy olcsóbb modell a rutin munka kezelésére; egy helyi modell érzékeny lépések vagy jóváhagyási ellenőrzések kezelésére. Ez fontos a vállalatok számára, amelyek rugalmasságot keresnek vagy költségkontrolt alkalmaznak: nem minden feladatot kell ugyanahhoz a drága felhő modellhez küldeni, és egyes vállalati munkafolyamatok megtiltják, hogy érzékeny vállalati adatokat hagyjanak el a helyi infrastruktúrából. "Azt akarom mondani, hogy 'Segíts nekem ezzel,' és tudja, mi személyes, mi érzékeny, és mi osztható meg az egész céggel," magyarázta Detre. Ez a modell-agnosztikus beállítás több ellenőrzést ad a cégeknek a költségek és a biztonság felett. Az adatokra nehezedő munka alacsonyabb költségű modelleken, például Llama vagy DeepSeek-en futhat. A magasabb szintű érvelést a drágább modellek számára tartják fenn. Érzékeny munkát egy helyi modellen keresztül lehet irányítani, amely a felhasználó gépén fut, megakadályozva, hogy az információ elhagyja az eszközt. Ez a megközelítés lehetőséget biztosít a vállalati csapatok számára, hogy vegyítsék a felhő és helyi inferenciát anélkül, hogy ezt az választást minden vagy semmire korlátoznák. A Mindstone a központosított, monolitikus felhőfelületekről a helyi fájl alapú architektúrára való átkapcsolásával olyan modellt vezet be, amely megmutatja, hogyan irányítják a vállalati döntéshozók az autonóm munkafolyamatokat anélkül, hogy feladnák az adatokat illető szuverenitást vagy kiszámíthatóságot.

Hogyan működik a gyakorlatban Greg Detre, a Mindstone CTO-ja úgy tervezte meg a Rebel memóriarendszerét, hogy elkerülje az AI vállalati szektorában gyakori problémát: nagy mennyiségű vállalati információt egy adatbázisba dumpolni, és remélni, hogy a keresés később a megfelelő kontextust visszahozza. A Rebel helyett egy rétegzett memória struktúrát használ. Amikor esemény történik, a rendszer megbecsüli, mennyire valószínű, hogy az információ hasznos lesz újra. A magas elvárt értékkel rendelkező információk helyi readme.md fájlba íródnak egy konkrét projekt térhez társítva. A mérsékelten elvárt értékkel rendelkező információ referencia linkké válik, amely mélyebb történeti feljegyzésekre mutat vissza. Az alacsonyabb prioritású anyag egy indexelt memória könyvtárba kerül, ahol elérhető marad, de inaktív, amíg egy releváns feladat visszahívja.

ROI irányítópult az üzleti vásárlók számára A nagyobb szervezetek számára a Mindstone Pro egy Impact Dashboardot ad hozzá, amelyet arra terveztek, hogy megmutassa, hol takarít meg időt és pénzt a Rebel az üzleti egységek között. A Mindstone szerint az irányítópult egy külön, zárt LLM-et használ a telemetria értékelésére és az üzleti hatás kiszámítására. A cég szerint a rendszer konzervatívan van kalibrálva, az alacsonyabb becsült teljesítményhaszon használatával, hogy elkerülje a megnövelt termelékenységi állításokat. Ez a funkció egy praktikus problémát céloz meg az AI vállalati vásárlók számára: értéket bizonyítani anélkül, hogy túlzottan figyelemmel kísérnék az alkalmazottakat. A Mindstone szerint az irányítópult el van izolálva az egyéni munkaterületektől, lehetővé téve az IT és az üzleti vezetők számára, hogy értékeljék a bevezetést és a megtérülést anélkül, hogy az alkalmazottak privát ügynöki tevékenységét olvasnák.

Fair Source licencelés a platformkockázat csökkentésére A Mindstone a Rebel-t Fair Source licenc alatt adja ki, egy modellt, amely a teljesen zárt SaaS és a megengedő nyílt forrás között helyezkedik el. A licenc szerint a Rebel kódja látható, auditálható, módosítható és telepíthető. Azok az egyének és szervezetek, akiknek legfeljebb 100 egyidejű felhasználójuk van, ingyenesen futtathatják. Miután egy szervezet túllépte ezt a határt, kereskedelmi Mindstone Pro licencre van szüksége. A licenc tartalmaz egy kétéves naplemente záradékot is. Huszonnégy hónappal egy adott verzió megjelenése után az a verzió automatikusan áttér az MIT nyílt forráskódú licencre. A vállalati vásárlók számára a gyakorlati érv az, hogy a Rebel csökkenti a csapdába esés kockázatát. Ha minden automatizálás, memóriafájl és ügynöki utasítás helyben markdownban van tárolva, egy cég szükség esetén áthelyezheti adatait és munkafolyamatait máshova. A termék kereskedelmi, de az alapul szolgáló munka úgy van tervezve, hogy átlátható és hordozható maradjon.

Biztonsági kérdések a helyi jóváhagyásokra és megosztott memóriára összpontosítanak A Rebel bemutatkozása a nyílt hozzáférésű technológiai termékmegosztó platformon, a Product Hunt-on, technikai kérdéseket vetett fel arról, hogyan kell egy helyi első ügynöknek kezelnie az engedélyeket, biztonsági ellenőrzéseket és a megosztott memóriát. Egy fejlesztő, Nikita Pokryschko, azt kérdezte, hogy érzékeny műveletek engedélyezési ellenőrzései teljesen helyi modellen futhatnak-e, vagy az engedélyezési logikának még mindig szüksége van egy felhőhívásra. Detre úgy válaszolt, hogy a Rebel megkülönbözteti a tervezést, végrehajtást és háttérbiztonsági logikát. Wöhle hozzátette, hogy a cégek konfigurálhatják a Rebel-t, hogy kizárólag helyi modellt használjon az engedélyezési döntésekhez. Ez a megkülönböztetés fontos a vállalati biztonsági csapatok számára. Az autonóm ügynökök gyakran széleskörű engedélyekkel rendelkeznek a fájlok olvasására, e-mailek megfogalmazására vagy belső rendszerekkel való interakcióra. Ha a végső jóváhagyási réteg egy külső felhőmodelltől függ, néhány cég ezt megfelelőségi kockázatnak tekintheti. A Mindstone érvelése az, hogy a Rebel megtarthatja ezeket az engedélyezési határokat helyben.

A második diskurzus azt vizsgálta, hogyan dönti el a Rebel, mely memória osztható meg. A termékfejlesztő Clement Morel azt kérdezte, hogy a megoszthatóságot tartalom, felhasználói beállítások vagy tanult viselkedés határozza-e meg, és mi történik, ha a rendszer téved. Detre azt mondta, hogy a Rebel a felhasználó helyi “chief-of-staff README” és meghatározott terek használatával választja el a privát, csapatszintű és céges információkat. Amikor az ügynök homályos kontextussal találkozik, a rendszer megáll és kérdezi a felhasználótól az engedélyt, mielőtt továbblépne. Ez a láthatóságra helyezett hangsúly része a Mindstone szélesebb érvelésének az átláthatatlan ügynöki rendszerek ellen. Ahogy CEO Joshua Wöhle fogalmazott LinkedIn posztjában: "Ha egy ügynök a munkaterületedben ül, emlékszik a kontextusodra, és engedélyt kér, mielőtt megváltoztatná a világot, látnod kell, hogyan működik. Nem azért, mert mindenki el fogja olvasni a kódot, hanem mert valaki megteheti.”

A Mindstone a vevői bevezetést korai bizonyítékként mutatja be A Mindstone szerint a Rebel-t már telepítették a 250 fős Epignosis ügyfél munkavállalóira, lefedve az értékesítést, a mérnökséget, a terméket, a pénzügyet és az ügyfélsiker csapatokat. "A teljes szervezet ezen a héten a Rebel-on működik," mondta Wöhle a VentureBeat-nek. A 12 hetes telepítés során a Mindstone szerint az Epignosis a nyolc teljes munkaidős szerepnek megfelelő kapacitást tudott újrahasznosítani. A cég szerint a bevezetés organikusan terjedt, miután az alkalmazottak látták, hogy kollégáik automatizálják az időigényes munkákat, amit az alkalmazottak a "krumpli effektusnak" neveztek. Az Epignosis eset központi szerepet játszik a Mindstone érvelésében, hogy az AI-t nem szabad önálló személyes eszközök halmazaként kezelni. A Rebel megosztott memória tervezése lehetővé teszi, hogy a munkafolyamatok átmozduljanak a csapatok között és javuljanak ahogy többen használják őket. "A határ a tanulás és a cselekvés között elmosódik - és ez megváltoztat mindent a skálázás módja kapcsán," mondta az Epignosis vezérigazgatója, Dimitris Tsingos a VentureBeat-nek a Mindstone által megadott nyilatkozatban.

A Mindstone háttérinformációi A Mindstone Learning Limited, amelynek központja Londonban található, 2020-ban indult Joshua Wöhle vezérigazgató vezetésével, aki korábban a digitális gyermekvédelmi cég, a SuperAwesome egyik alapítója volt. Eredetileg a fogyasztói oktatási technológiai piacon helyezkedett el, a cég egy digitális kurálási eszközt épített, amelyet "Spotify a tanulásért" -ként emlegettek, és amely összetett tanulási módszereket használt. Azonban a generatív mesterséges intelligencia platformok széles körű kereskedelmi bevezetése után 2022 és 2024 között a Mindstone átkonvertált az üzleti tevékenységet támogató területre. A vezetőség azonosította a kritikus "utolsó mérföld" akadályt: noha az AI eszközök jelentős termelékenységnövekedéseket ígértek, a hagyományos vállalati képzések nem készítették fel a munkaerőt a gyakorlatban történő integrálásra. Ma a Mindstone átfogó vállalati szoftver és képzési ökoszisztémaként működik, amelynek célja a meglévő AI licencek maximális vállalati megtérülésének biztosítása. A termék architektúrája a különböző szervezeti szinteket rendszerszinten kezeli, rendkívül kontextualizált, "élő tűz" szoftveralkalmazások segítségével, nem pedig absztrakt diavetítéseken keresztül. Pénzügyileg a Mindstone hibrid tőkestratégiát használ, amely összefonja az intézményi kockázati tőkét olyan szervezetektől, mint a Moonfire Ventures és Pearson Ventures a közösségi alapú tőkepénzgyűjtéssel olyan platformokon, mint a Seedrs és Crowdcube. A Mindstone sikeresen behatolt a vállalati piacra, kereskedelmi szerződéseket kötve olyan cégóriásokkal, mint a The Home Depot, a Hyatt Hotels Corporation, a Pearson és az Ernst & Young. Végső soron a Mindstone azt a kulcsfontosságú ellenszert képviseli a vállalati tehetetlenséggel szemben, hogy biztosítsa a szervezetek számára a szükséges belső kompetenciát a sikeres AI átalakítások végrehajtásához.

A Mindstone tippje: az AI-nak megosztott memóriára van szüksége, nem több helyre A Rebel érkezése idején a cégek próbálnak átállni az AI kísérletezésből az AI működésre. Az első vállalati alkalmazás hullám a hozzáférés köré összpontosult: a munkavállalók chatboteinek, társnak és modell előfizetéseknek a biztosítása. A Mindstone arra fogad, hogy a következő hullám a koordináción fog alapulni. Ez megosztott memóriát, újrahasználható munkafolyamatokat, helyi kontrollt, rugalmas modell irányítást és mérhető üzleti hatást jelent. Ez azt is jelenti, hogy a vállalatoknak lehetőséget kell adniuk az általuk bíznak a rendszerek ellenőrzésére. A cég kihívása most a végrehajtás. A helyi első szoftver kezelése nehezebb lehet, mint a felhő SaaS. A megosztott memória kormányzási kérdéseket vet fel. A többlépcsős irányítás bonyolultságot ad. És a vállalatoknak még mindig bizonyítékra lesz szükségük arra, hogy az ügynöki munkafolyamatok megbízható termelékenységi nyereséget hozhatnak, anélkül, hogy biztonsági vagy megfelelőségi fejfájásokat okoznának. De a Mindstone egyértelmű érvet kifejezett: az AI helyek vásárlása nem ugyanaz, mint az AI infrastruktúra építése. A Rebel próbálja meg a szétszórt alkalmazotti kísérleteket munkás réteggé alakítani.