В начале октября 2026 года независимый разработчик опубликовал отчёт о попытке построить агентную систему поиска людей на открытых моделях. В качестве полигона был выбран Сбер — крупная российская компания с развитыми ИИ-продуктами и большим штатом отдела найма. Задача формулировалась просто: агент должен находить контакты HR-специалистов или сотрудников, занятых в ИИ-направлениях, с проверяемыми источниками. Автор подчёркивает, что не публикует персональные данные, а лишь делится методикой и обезличенными результатами. Эксперимент проводился с минимальным бюджетом: $10 на OpenRouter и $10 на Ollama, при этом все шесть моделей первых двух этапов работали на бесплатной квоте.

Технический стек включал несколько ключевых компонентов. Agent Hermes предоставлял инструменты для поиска, открытия страниц и записи результатов. Ollama выступал локальным провайдером моделей с бесплатным облачным тарифом. OpenRouter использовался для доступа к платным моделям и запросам к JEV — маленькой модели-судье, которая оценивала результаты по трём критериям: подтверждение роли в Сбере (от 0 до 1), категория (HR, AI/ML-специалист, другая роль, агентство) и текущее место работы (от 0 до 1). Порог принятия: подтверждённость ≥ 0,70, работа сейчас ≥ 0,55, категория должна совпадать с задачей. Оркестрация велась через Grok bot, развёрнутый в облаке, что упрощало управление агентами. Поиск шёл через прокси: сначала Яндекс через SearXNG, затем кэш Ollama, потом живой поиск Ollama (не более трёх вызовов на прогон). Запросы кэшировались и были общими для всех моделей.

Отдельного внимания заслуживает выбор поисковой системы. Изначально автор рассчитывал на Google или Bing, но столкнулся с капчей и нерелевантными результатами. Официальный API Google Custom Search закрыт для новых клиентов и будет отключён 1 января 2027 года, а партнёрский Web Search Service стоит $15 за 1000 запросов при минимальном месячном бюджете $30 000. Bing Search API закрыт с 11 августа 2025 года. Gemini Grounding недоступен в России. Яндекс же через SearXNG вернул 6 релевантных результатов на первый запрос и 15 на второй, все — с habr.com, включая блог Сбера. Автор отмечает, что для Рунета Яндекс предпочтительнее: он лучше индексирует Хабр, hh.ru, vc.ru, TAdviser, Rusprofile. Google выигрывает только в сниппетах LinkedIn, но LinkedIn всё равно не открывается агентом. Статистика публичных SearXNG-инстансов показывает, что медиана ошибок у Яндекса и Bing — 0%, у Google — 10%, у DuckDuckGo — 60%, у Brave — 85%, а Startpage, Qwant и Mojeek — почти 100%. Официальный Yandex Search API стоит 488 рублей за 1000 запросов днём, а Google можно получить через посредников вроде Serper ($1 за 1000) или XMLRiver (25 рублей за 1000), но это выходило за рамки бюджета.

Первый этап эксперимента сравнивал «голую» модель и модель со скиллами. Взяли gemma4:31b через Ollama Cloud и задачу найти людей и HR Сбера через developers.sber.ru. Эталон — 10 конкретных имён, которые точно там есть. Результаты показали, что без дополнительных инструментов модель не справляется с задачей: она либо выдумывает ссылки, либо не может подтвердить источник. С подключением скиллов (поиск, открытие страниц, запись) точность выросла, но всё равно оставалась нестабильной. Автор подчёркивает, что бенчмарков по агентному поиску крайне мало, в отличие от кодинга или агентских цепочек. В крупных вендорах анализ рынка и конкурентов стоит остро, поэтому эксперимент имеет практическую ценность. Основные проблемы: зависимость от поисковых API, капчи, ограничения на серверные IP. Google в 2026 году ломал обходы в SearXNG минимум пять раз, а с августа проверяет TLS-отпечаток клиента. Резидентные прокси могут ухудшить ситуацию из-за несоответствия IP и отпечатка.

Для российского рынка результаты особенно актуальны. Яндекс остаётся основным поисковиком, а его API доступен по цене 488 рублей за 1000 запросов. Это делает автоматизацию поиска более реальной для отечественных компаний, чем использование западных сервисов. Однако даже с Яндексом агент сталкивается с ограничениями: не все страницы открываются, некоторые источники требуют авторизации. Автор отмечает, что эксперимент не претендует на промышленное решение, но демонстрирует принципиальную возможность построения агентного поиска на открытых моделях с минимальным бюджетом. В отрасли наблюдается рост интереса к подобным системам: они позволяют автоматизировать сбор информации о конкурентах, поиск кандидатов, анализ рынка. Но без надёжного поискового бэкенда и инструментов обхода защит такие агенты остаются игрушкой.

Сравнение с альтернативами показывает, что коммерческие решения на базе проприетарных моделей (например, от OpenAI или Anthropic) обеспечивают более высокую точность, но требуют значительных затрат и не всегда доступны в России. Открытые модели, такие как gemma4:31b, демонстрируют приемлемые результаты при правильной обвязке, но уступают в стабильности. Автор использовал JEV как судью, что позволило отсеивать ложные срабатывания. Пороги подтверждённости и актуальности работы оказались эффективными: они снижали количество ошибок, но не исключали их полностью. В будущем планируется протестировать платные поисковые API (Serper, XMLRiver) и другие модели, чтобы оценить их влияние на точность. Также остаётся открытым вопрос: как масштабировать решение на другие компании и отрасли, не увеличивая бюджет? Пока эксперимент показал, что минимальный стек возможен, но для продакшена потребуются более серьёзные вложения в инфраструктуру и, возможно, гибридные схемы с использованием нескольких поисковиков. Главный вывод: агентный поиск на открытых моделях уже сегодня может решать узкие задачи, но его надёжность напрямую зависит от доступности поисковых API и способности обходить защитные механизмы.