Почему один инструмент run() с командами Unix превосходит вызов функций для AI-агентов

Разработчик с двухлетним опытом создания ИИ-агентов — сначала в качестве ведущего backend-специалиста в Manus, затем в open-source проектах Pinix и agent-clip — пришёл к выводу, что единый инструмент run(command="...") с командами в стиле Unix работает лучше, чем традиционные подходы с вызовом функций.

Конвергенция Unix и LLM

Ключевая идея заключается в том, что 50-летнее дизайнерское решение Unix — всё является текстовым потоком — идеально соответствует текстовой природе LLM. Программы Unix общаются через текстовые конвейеры, используют --help для самодокументирования, сообщают об успехе/неудаче с помощью кодов завершения и передают ошибки через stderr. LLM аналогично понимают только текстовые токены. Это делает текстовый интерфейс Unix естественным выбором для LLM, которые по сути функционируют как операторы терминала с обширным знакомством с командами оболочки в их обучающих данных.

Подход с единым инструментом

Большинство фреймворков для агентов предоставляют LLM каталог независимых инструментов, таких как [search_web, read_file, write_file, run_code, send_email, ...], требуя от LLM принимать решения о выборе инструмента перед каждым вызовом. По мере добавления большего количества инструментов точность выбора снижается, поскольку когнитивная нагрузка смещается с вопроса «что мне нужно сделать?» на вопрос «какой инструмент?».

Альтернативный подход использует один инструмент run(command="..."), который предоставляет все возможности в виде CLI-команд:

run(command="cat notes.md")
run(command="cat log.txt | grep ERROR | wc -l")
run(command="see screenshot.png")
run(command="memory search 'deployment issue'")
run(command="clip sandbox bash 'python3 analyze.py'")

Выбор команды становится композицией строк в едином пространстве имён, а не переключением контекста между несвязанными API.

Почему CLI-команды работают лучше

CLI-команды — это самый плотный паттерн использования инструментов в обучающих данных LLM, встречающийся в миллиардах строк на GitHub (инструкции по установке в README, скрипты сборки CI/CD, решения на Stack Overflow). Разработчик отмечает: «Мне не нужно учить LLM, как использовать CLI — она уже знает».

Сравните подходы для одной и той же задачи:

Задача: Прочитать файл лога, подсчитать строки с ошибками

Подход с вызовом функций (3 вызова инструмента):
1. read_file(path="/var/log/app.log") → возвращает весь файл
2. search_text(text=<весь файл>, pattern="ERROR") → возвращает совпадающие строки
3. count_lines(text=<совпадающие строки>) → возвращает число

CLI-подход (1 вызов инструмента):
run(command="cat /var/log/app.log | grep ERROR | wc -l") → "42"

Один вызов заменяет три, потому что конвейеры Unix изначально поддерживают композицию. Разработчик подчёркивает, что это не специальная оптимизация, а использование существующего дизайна Unix.