Mole: агент глубокого исследования с заданным бюджетом и проверяемыми цитатами для вашего терминала

✍️ OpenClawRadar📅 Опубликовано: 16 августа 2026 г.🔗 Source
Ad

Mole — это агент глубокого исследования, работающий в вашем терминале. Он разбивает вопрос на части, ищет в интернете, читает источники, извлекает утверждения, проверяет каждое утверждение по тексту, из которого оно взято, и пишет ответ со ссылками. В отличие от чат-агентов, он обеспечивает строгий бюджет, проверяет каждое утверждение и сохраняет ваши локальные данные в тайне.

Обеспеченный бюджет

Каждый вызов модели резервируется в рамках бюджета до его выполнения и списывается после, используя реестр с ограничениями неотрицательности в схеме базы данных. Флаг --usd 0.50 означает, что запуск остановится на пятидесяти центах. Измеренный перерасход по тестовому корпусу составляет 0%.

Проверенные цитаты

Каждое утверждение сопровождается цитатой, которая дословно присутствует на странице источника. Утверждения, не прошедшие эту проверку, отбрасываются при извлечении. Выжившие утверждения можно перепроверить по их источнику, а неподтвержденные помечаются в отчете.

Конфиденциальность локальных данных

Укажите mole файл CSV или папку, и он проанализирует данные, не покидая ваш компьютер. Модель выбирает шаблон гипотезы и имена столбцов; mole выполняет SQL локально. Обратно передаются только агрегаты (количество, средние значения, результаты тестов, группы, охватывающие не менее пяти записей). mole crossings показывает, что именно покинуло ваш компьютер.

Ad

Установка

Установка через скрипт (Linux/macOS):

curl -fsSL https://raw.githubusercontent.com/lajosdeme/mole/main/install.sh | sh

Или через Homebrew:

brew install lajosdeme/mole/mole

Arch Linux (AUR): yay -S mole-research-bin или mole-research. Debian/Ubuntu: скачайте .deb со страницы релизов. Из исходников (Go 1.25+): go install github.com/lajosdeme/mole/cmd/mole@latest.

Конфигурация

Вам потребуется поисковый провайдер и провайдер моделей. Ключи хранятся в ~/.config/mole/config.json с режимом 0600 — никогда в переменных окружения. Mole поддерживает большинство LLM, включая кодинг-агентов, подписки и локальные модели.

Поддержка MCP

Mole говорит на MCP, поэтому кодинг-агент может управлять им — либо передавая mole вопрос и собирая ответ, либо в режиме инструментов, когда агент выполняет рассуждения, а mole предоставляет немодельные части.

Это бесплатно и с открытым исходным кодом, работает как один статический бинарник без зависимостей времени выполнения.

📖 Читать полный исходник: HN AI Agents

Ad

👀 Смотрите также

🦀
Инструменты

OpenClaw AI-агент с 6 ролями, памятью и дизайном с учетом СДВГ: разбор ежедневных операций

Основатель-одиночка с СДВГ создал open-source AI-агента с 6 ролями (планировщик действий, аналитик, писатель, юрист, следователь, CRM), разделяющими память, автоматически генерирующими последующие действия и черновики из транскриптов.

OpenClawRadar
Gemma 4 26B против Qwen 3.5 27B: Бенчмарк рабочих процессов для локального бизнеса на RTX 4090
Инструменты

Gemma 4 26B против Qwen 3.5 27B: Бенчмарк рабочих процессов для локального бизнеса на RTX 4090

Разработчик протестировал Gemma 4 26B и Qwen 3.5 27B на рабочей станции с RTX 4090, выполнив 18 реальных задач бизнес-оператора. Gemma победила со счётом 13-5, показав более высокую скорость и лучшую дисциплину в ежедневной исполнительной работе, в то время как Qwen преуспела в более широком стратегическом мышлении.

OpenClawRadar
Signet: Открытая платформа локального хранения данных для ИИ-агентов
Инструменты

Signet: Открытая платформа локального хранения данных для ИИ-агентов

Signet — это открытая платформа памяти для ИИ-агентов, которая выносит обработку памяти за пределы цикла агента. Она сохраняет транскрипты, преобразует сессии в структурированную память, связывает сущности в граф и внедряет контекст до начала промптов.

OpenClawRadar
Использование скрытого сигнала агентства (Â) в LLM для улучшения вызова инструментов
Инструменты

Использование скрытого сигнала агентства (Â) в LLM для улучшения вызова инструментов

Разработчик обнаружил, что у языковых моделей есть линейно разделяемое скрытое состояние под названием Â, которое предсказывает вызов инструментов с AUC > 0,94. Использование этого сигнала для принудительного вызова инструментов улучшило производительность Qwen3-1.7B с 26,7% до 85% (+58%) и снизило количество отказов без инструментов с 43% до 2,6%.

OpenClawRadar