nanobot: 4000 redaka Python-a i agenti bez marketinške buke

Iza još jednog ‘agent frameworka’ koji ne koristi riječ revolucionaran u opisu krije se nanobot — 4000 redaka Python-a iz laboratorija HKUDS koji čine ono što većina ne radi: umjesto da sakriju složenost iza API-ja, nude razmontirani set za samostalno sastavljanje. To nije još jedan LLM wrapper s pretencioznim imenom, nego stvarni pokušaj da se agenti svode na modularne komponente: alati koji zapravo komuniciraju s vanjskim sustavima, memorija koja nije samo cache već kontekstualni graf, i podagenti koji nisu marketing term nego konkretne Python klase.

Tutorial na MarkTechPost ide korak dalje od uobičajenog ‘instaliraj i pokreni’ — umjesto toga, korisnika vodi kroz ručno spajanje svake komponente, od cron schedulinga do dinamičkog dodjeljivanja zadataka između subagenta. To je rijetka transparentnost u svijetu gdje većina frameworka prodaje ‘magiju’ umjesto koda.

Ali tu dolazimo do ključnog pitanja: ako je sve tako modularno i jednostavno, zašto onda većina timova i dalje koristi LangChain ili CrewAI? Odgovor nije u tehnologiji, nego u trošku održavanja — 4000 redaka može biti dovoljno za demo, ali koliko će ih biti potrebno kada agenti krenu raditi stvarne poslove?

Čini se da HKUDS ovdje cilja na specifičnu pukotinu na tržištu: razvojne timove koji ne žele black-box rješenja, ali im i nije do beskončnih YAML konfiguracija. Nanobotov pristup podsjeća na ranu fazu FastAPI-ja — minimalističan, ali s jasnom putanjom za proširenje. No, za razliku od web frameworka, ovdje ne postoji killer feature koji bi privukao mase.

Umjesto toga, ponuđeno je nešto rijeđe: kontrola. Realnost je, naravno, da većina tvrtki neće imati resurse (ni volju) da ručno sastavlja agente kao Lego. Ali upravo tu leži strategijska prednost nanobot-a: on ne pokušava biti sve za svega, nego cilja na one koji moraju znati što se događa ispod haube.

To uključuje startupe u reguliranim industriama (npr. fintech ili zdravstvo), gdje ‘crna kutija’ nije opcija, ili akademske timove koji trebaju reproducibilnost umjesto performansi. Zanimljivo je da GitHub aktivnost još uvijek nije eksplodirala — što ili znači da je community skeptičan, ili da je dokumentacija previše ‘za inženjere’. Rani signali sugeriraju da su upravo iskusni developeri oni koji se zanima: oni koji su već probali Autogen ili LlamaIndex i traže nešto s manjim overheadom.

Ali tu je i opasnost: ako se framework ne usvoji dovoljno brzo, riskira da postane ‘zanimljiv eksperiment’ umjesto alata — sudbina mnogih dobrih, ali preuranjenih ideja u AI svijetu. Najveće pitanje ostaje skalabilnost. 4000 redaka je impresivno malo za puni agent pipeline, ali koliko će toga biti kada se dodaju stvarni integraciji — npr. s Weaviate za vektorsko pretraživanje ili Apache Airflow za orchestraciju? Tutorial to ne pokriva, a to je upravo granica između ‘zanimljivog’ i ‘korisnog’.