Платформы для оркестрации ИИ-агентов плодятся как грибы после дождя, но лондонский стартап Mindstone со своим Rebel — пожалуй, один из самых многообещающих экземпляров, что попадались мне на глаза. Всё потому, что система, официально запущенная на этой неделе, — это локально-ориентированная агентная ИИ-операционка, распространяемая по лицензии «Fair Source». Это значит, что команды до 100 человек могут халявно её прикрутить и кастомизировать под себя, а организациям покрупнее придётся раскошелиться на enterprise-лицензию. Главные фишки — простота и дикая гибкость, позволяющая подогнать систему под любую команду, даже с самыми уникальными и специфичными воркфлоу. Всё это базируется на открытом стандарте Markdown, а в результате получается organisational memory layer — слой организационной памяти, который гарантирует, что агенты будут юзать корпоративные AI-модели для каждой конкретной задачи или даже подзадачи, динамически переключаясь между локальными и облачными моделями предсказуемо и наглядно, экономя бабло и сохраняя приватность данных где надо.
«Разделяемая память — это самая крутая штука, которую можно сделать с AI для офисных работников», — заявил в видеозвонке VentureBeat Грег Детре, технический директор Mindstone. «Чувствуешь себя частью суперорганизма, компанией, которая становится умнее и умнее».
Rebel уже доступен для macOS на Intel и Apple Silicon, а также для Windows. Версия под Linux в разработке. Mindstone привлек $5 миллионов от частных инвесторов, включая Pearson Ventures, Moonfire Ventures и Zanichelli Venture.
Архитектура с упором на локальность: всё на Markdown-файлах
Что делает Rebel особенным — так это его локально-ориентированная архитектура. В отличие от таких монстров для разработчиков, как LangGraph, CrewAI или AutoGPT, где нужно вручную сращивать базы данных, облачную инфраструктуру и логику управления состоянием, у Rebel основная память агента и инструкции живут прямо в локальных текстовых файлах Markdown (.md). А Markdown — это, пожалуй, самый простой, лёгкий и популярный способ рулить AI-агентами, который уже облюбовали разработчики и продвинутые юзеры по всему миру. Mindstone утверждает, что Rebel хранит в этих файлах своё состояние, промпты, инструкции по задачам и иерархию памяти. Это позволяет юзерам и компаниям легко инспектировать, переносить или менять их как душе угодно. Главный конфигурационный файл — agents.md — выполняет роль ядра инструкций и задаёт границы выполнения.
Такой архитектурный выбор — ещё и про экономию. Mindstone справедливо замечает, что привычные офисные форматы вроде Word и PDF тащат за собой кучу форматирования и метаданных, которые пожирают контекстное окно модели и увеличивают расходы на API. Markdown же держит информацию ближе к чистому тексту, позволяя модели тратить больше контекста на саму задачу, а не на разбор структуры документа.
Компания также позиционирует этот подход как страховку от вендор-лока. Если инструкции агента, автоматизации и память хранятся локально как текстовые файлы, вы не заперты в интерфейсе или базе данных одного SaaS-провайдера. А это становится критически важно, когда предприятия начинают давать AI-системам доступ к почте, календарям, документам и внутренним процессам.
Rebel также позволяет создавать повторяемые AI-воркфлоу. «Skills» (навыки) — это сохранённые многошаговые процедуры, которые агент может переиспользовать. «Operators» (операторы) меняют поведение агента под конкретную задачу: например, просмотреть питч-дек с точки зрения инвестора или оценить работу через призму безопасности. «Automations» (автоматизации) запускают фоновые задачи по расписанию: сканирование сообщений или файлов, поиск актуальных обновлений, наброски ответов — и всё это ещё до того, как сотрудник откроет приложение.
Умный выбор модели для каждой задачи (и подзадачи)
Ещё одна важная фича — мультимодельная оркестрация. Rebel может разбить задачу на части и отправить разные шаги на разные модели, в том числе разделяя локальные и облачные, в зависимости от чувствительности информации или корпоративных политик. Более мощная модель берёт на себя планирование и сложные рассуждения, дешёвая — рутину, локальная — чувствительные шаги или одобрения. Это критично для компаний, которые хотят гибкости и контроля над расходами: не каждую задачу нужно гнать в одну и ту же дорогую облачную модель, а некоторые корпоративные процессы запрещают отправку чувствительных данных за пределы локальной инфраструктуры.
«Я хочу просто сказать: "Помоги мне с этим", — и система уже знает, что личное, что чувствительное, а чем можно поделиться со всей компанией», — объясняет Детре. Такая архитектура, независимая от моделей, даёт компаниям больше контроля над стоимостью и безопасностью. Тяжелые данные можно гонять на дешёвых моделях вроде Llama или DeepSeek, высокоуровневые рассуждения оставить более дорогим, а чувствительную работу направить на локальную модель, чтобы данные не покидали устройство.
Этот подход также даёт командам способ смешивать облачные и локальные вычисления без необходимости выбирать что-то одно. Отходя от централизованных монолитных облачных интерфейсов к локальной файловой архитектуре, Mindstone предлагает модель того, как корпоративные технические директора могут оркестрировать автономные воркфлоу, не жертвуя контролем над данными и предсказуемостью.
Как это работает на практике
Техдир Mindstone Грег Детре спроектировал систему памяти Rebel так, чтобы избежать типичной проблемы корпоративного AI: сбросить кучу информации компании в базу данных и надеяться, что поиск потом вытащит правильный контекст.
Вместо этого Rebel использует многоуровневую структуру памяти. Когда происходит какое-то взаимодействие, система оценивает, насколько эта информация может пригодиться снова. Данные с высокой ожидаемой ценностью записываются в локальный файл readme.md, привязанный к конкретному проекту. Информация со средней ценностью превращается в ссылку на более глубокие исторические записи. Менее важные материалы отправляются в индексированную директорию памяти, где остаются доступными, но спящими, пока соответствующая задача не вызовет их.
ROI-дашборд для корпоративных покупателей
Для крупных организаций Mindstone Pro добавляет Impact Dashboard, который показывает, где Rebel экономит время и деньги в разных бизнес-юнитах. Mindstone утверждает, что дашборд использует отдельную, закрытую LLM для оценки телеметрии и расчёта бизнес-эффекта. Система откалибрована консервативно — использует нижнюю границу оценочного прироста производительности, чтобы не завышать показатели.
Эта фишка решает практическую проблему корпоративных покупателей AI: нужно доказать ценность, не устраивая тотальную слежку за сотрудниками. Дашборд изолирован от индивидуальных рабочих пространств, так что IT-директора и руководители могут оценить внедрение и возврат инвестиций, не читая приватную активность агентов сотрудников.
Лицензия Fair Source снижает риски платформы
Mindstone выпускает Rebel под лицензией Fair Source — это модель, занимающая промежуточное положение между полностью закрытым SaaS и разрешающим open source. Код Rebel можно смотреть, аудировать, модифицировать и развёртывать. Частные лица и организации с числом одновременных пользователей до 100 могут пользоваться им бесплатно. При превышении порога нужна коммерческая лицензия Mindstone Pro.
В лицензию также включена оговорка о двухлетнем закате: через 24 месяца после выхода конкретной версии она автоматически конвертируется в открытую лицензию MIT. Для корпоративных покупателей практический посыл в том, что Rebel снижает риск блокировки. Если все автоматизации, файлы памяти и инструкции агента хранятся локально в Markdown, компания в любой момент может забрать свои данные и воркфлоу. Продукт может быть коммерческим, но вся основная работа остаётся инспектируемой и переносимой.
Вопросы безопасности: локальные одобрения и общая память
На этой неделе дебют Rebel на Product Hunt вызвал технические вопросы: как локально-ориентированный агент должен обрабатывать разрешения, проверки безопасности и общую память. Разработчик Никита Покрышко спросил, могут ли проверки одобрения для чувствительных действий выполняться полностью на локальной модели, или же логика гейткинга всё ещё требует облачного вызова. Детре объяснил разделение между планированием, выполнением и фоновой логикой безопасности. Вуле (CEO) добавил, что компании могут настроить Rebel так, чтобы полагаться исключительно на локальную модель для принятия решений о доступе.
Это различие критически важно для корпоративных служб безопасности. Автономным агентам часто нужны широкие разрешения: читать файлы, писать письма, взаимодействовать с внутренними системами. Если финальный слой одобрения зависит от внешней облачной модели, некоторые компании увидят в этом комплаенс-риск. Mindstone утверждает, что Rebel может держать эти границы одобрения локальными.
Вторая дискуссия касалась того, как Rebel решает, какой памятью можно делиться. Разработчик продукта Клеман Морель спросил, определяется ли "шеринг" содержимым, настройками пользователя или обученным поведением, и что происходит, если система ошибается. Детре ответил, что использует локальный "Chief-of-staff README" пользователя и определённые пространства, чтобы разделять личную, командную и общедоступную информацию. Когда агент сталкивается с двусмысленным контекстом, система приостанавливается и запрашивает подтверждение у пользователя.
Такой акцент на прозрачность — часть общего аргумента Mindstone против непрозрачных агентных систем. Как выразился CEO Джошуа Вуле в посте на LinkedIn: «Если агент будет сидеть в вашем рабочем пространстве, помнить ваш контекст и спрашивать разрешения, прежде чем менять мир, вы должны иметь возможность видеть, как он работает. Не потому что все будут читать код, а потому что кто-то сможет».
Реальный кейс: Epignosis как раннее доказательство
Mindstone утверждает, что Rebel уже развёрнут среди 250 сотрудников компании Epignosis, охватывая отделы продаж, инженерии, продукта, финансов и клиентской поддержки. «Вся организация сейчас работает на Rebel», — сказал Вуле VentureBeat. За 12 недель развёртывания Mindstone подсчитала, что Epignosis высвободила эквивалент восьми полных рабочих позиций. Внедрение распространялось органически: сотрудники видели, как коллеги автоматизируют трудоёмкие задачи, и этот эффект внутри компании прозвали «картофельным эффектом».
Кейс Epignosis — центральный в аргументации Mindstone: корпоративный AI не должен быть набором изолированных личных инструментов. Дизайн общей памяти Rebel позволяет воркфлоу перемещаться между командами и улучшаться по мере того, как их использует больше сотрудников. «Граница между обучением и работой стирается — и это меняет всё в масштабировании», — заявил CEO Epignosis Димитрис Цингос в заявлении, предоставленном VentureBeat от Mindstone.
Немного о самой Mindstone
Mindstone Learning Limited со штаб-квартирой в Лондоне основана в 2020 году под руководством CEO Джошуа Вуле, ранее сооснователя компании по цифровой безопасности детей SuperAwesome. Изначально компания работала на потребительском рынке образовательных технологий, создав инструмент цифрового курирования, который называли "Spotify для обучения", использующий методики комплексного обучения. Однако после массовой коммерциализации генеративных AI-платформ в 2022–2024 годах Mindstone переключилась на B2B-услуги для предприятий. Руководство выявило критический барьер «последней мили»: несмотря на обещания AI-инструментами существенного роста производительности, традиционное корпоративное обучение не готовило персонал к практическому внедрению их в повседневную работу.
Сегодня Mindstone функционирует как комплексная корпоративная экосистема программного обеспечения и обучения, нацеленная на максимизацию возврата инвестиций в уже приобретённые AI-лицензии. Архитектура продукта системно прорабатывает разные уровни организации через высококонтекстные "живые" приложения, а не абстрактные слайдовые презентации. Финансово компания использует гибридную стратегию капитализации, сочетая институциональный венчурный капитал от Moonfire Ventures и Pearson Ventures с краудфандингом на платформах Seedrs и Crowdcube. Mindstone успешно вышла на корпоративный рынок, заключив контракты с голубыми фишками вроде The Home Depot, Hyatt Hotels, Pearson и Ernst & Young. Свой итоговый посыл Mindstone формулирует как противоядие от корпоративной инерции, гарантируя, что организации обретут внутреннюю компетенцию, необходимую для успешной AI-трансформации.
Ставка Mindstone: корпоративному AI нужна общая память, а не больше лицензий
Rebel выходит в тот момент, когда компании пытаются перейти от экспериментов с AI к его операционному использованию. Первая волна корпоративного внед