Как мультимодальность влияет на развитие ИИ-агентов: баг Reasoning Lock сжигает токены и возвращает пустоту

Разработчик ИИ-агентов, работающий на платформе n8n (инструмент автоматизации без кода), опубликовал детальный разбор продакшен-бага, при котором рассуждающие модели DeepSeek V4 Pro и Qwen3.8 Flash тратят все выделенные токены (токен, единица текста, которую модель обрабатывает за один шаг) на внутренние «мысли» и возвращают клиенту пустой ответ со статусом «успех».

Случай ценен тем, что показан не в лабораторных условиях, а на живом бизнес-процессе: агент ночью принимает заявки в мессенджере, ведёт диалог, собирает анкету и создаёт сделку в CRM. Четыре клиента подряд получили тишину вместо ответа, и заказчик узнал об этом от разгневанных менеджеров, а не из логов.

Что именно происходит внутри?

• Системный промпт (системный промпт, основная инструкция, которую агент получает до начала диалога) разросся до 6 400 токенов. Каждая правка заказчика была по отдельности логичной, но суммарная плотность жёстких запретов («КАТЕГОРИЧЕСКИ ЗАПРЕЩЕНО», «Отправь СТРОГО этот текст») стала максимальной за всё время работы системы.

• Модель уходит в «мыслительный тупик». Когда пользователь пишет живую реплику, под которую в промпте нет ни скрипта, ни триггера инструмента, рассуждающая модель пытается одновременно выполнить все противоречивые ограничения. Все 88 completion-токенов уходят в блок <think>, а в поле видимого ответа (content) остаётся ноль символов.

• Система рапортует об успехе. Параметр finish_reason возвращает значение stop, как будто генерация завершилась штатно. Ни модерация, ни инфраструктура не срабатывают: CPU, память, Redis, воркер n8n чисты.

• Нода отправки сообщения падает на валидации. Коннектор мессенджера честно проверяет, что текст непустой, и выбрасывает ошибку Invalid or missing message text parameter. Но к этому моменту клиент уже получил тишину, а деньги за инференс (инференс, сам процесс, когда модель генерирует ответ) списаны.

• Баг не зависит от конкретной модели. Автор воспроизвёл его и на DeepSeek V4 Pro, и на резервной Qwen3.8 Flash. Значит, проблема в архитектуре промпта, а не в конкретной нейросети.

Как воспроизвести и проверить у себя?

1. Откройте логи выполнения вашего агента и отфильтруйте по ошибкам. Ищите записи, где нода отправки сообщения упала с пустым параметром text.
2. Для подозрительных случаев проверьте выход агентской ноды: если поле text пустое, а статус stop, проблема не в инфраструктуре, а в генерации.
3. Откройте карточку генерации в панели вашего LLM-провайдера (OpenRouter, вместе или аналог). Сравните native_tokens_completion и native_tokens_reasoning. Если они равны, 100% токенов ушло на рассуждения, а видимый ответ пуст.
4. Измерьте длину и плотность запретов в системном промпте. Автор фиксирует порог проблемы в районе 6 400 токенов при максимальной концентрации жёстких ограничений.

DeepSeek и Qwen против YandexGPT и GigaChat: есть ли разница?

Для тех, кто строит агентов на российских моделях, вопрос практический: подвержены ли YandexGPT и GigaChat тому же багу?

Если вы работаете с YandexGPT или GigaChat в агентном режиме, проверяйте ответы на пустоту перед отправкой клиенту. Это базовая защита, которая не зависит от архитектуры модели.

Что делать с этим прямо сейчас, по ролям?

Авторам Дзена и копирайтерам. Если вы используете нейросеть с длинным системным промптом для генерации контента и получаете «пустые» ответы, проблема может быть не в сервере и не в лимитах, а в том, что модель «задумалась» и не смогла выбрать между вашими ограничениями. Сократите промпт или разнесите запреты по отдельным шагам цепочки.

Маркетологам и владельцам ботов. Каждый пустой ответ это потерянный лид. Добавьте в цепочку проверку: если content пуст, отправляйте fallback-сообщение («Секунду, соединяю с менеджером») и уведомление в рабочий чат. Это дешевле, чем терять клиентов молча.

Предпринимателям в РФ и СНГ. Баг не привязан к конкретному провайдеру и проявляется на любых рассуждающих моделях. Если ваш подрядчик строит агента на DeepSeek, Qwen или другой открытой модели (открытая модель, нейросеть с публично доступным кодом или весами), попросите показать, как обрабатывается случай пустого ответа. Вопрос «а что происходит, когда модель молчит?» отсеивает половину поверхностных интеграций.

Вот как мультимодальность влияет на развитие ИИ-агентов в практическом разрезе: чем больше типов входных данных обрабатывает агент (текст, изображения, голос), тем сложнее становится системный промпт и тем выше риск столкнуться именно с таким багом. Мультимодальные агенты требуют ещё более аккуратной архитектуры промптов, чем текстовые.

Частые вопросы

Reasoning Lock это баг модели или ошибка в промпте?

По данным автора, это проблема взаимодействия: модель работает штатно (статус stop, токены списаны), но перегруженный запретами промпт не оставляет ей пространства для видимого ответа. Формально модель не сломалась, она «решила», что безопаснее промолчать, чем нарушить одно из противоречивых ограничений. Исправление на стороне промпта: снизить плотность жёстких запретов и разнести логику по шагам.

Могу ли я столкнуться с этим, если не использую DeepSeek или Qwen?

Да. Любая рассуждающая модель (reasoning model, модель, которая сначала «думает» в скрытом блоке и только потом выдаёт ответ) теоретически подвержена этому эффекту при достаточно плотном и противоречивом промпте. Автор подтвердил баг на двух разных моделях разных разработчиков, что говорит о системной природе проблемы.

Сколько стоит этот баг для бизнеса?

Прямые затраты невелики: $0.0023 за один пустой ответ. Но косвенные потери существенны: четыре клиента получили тишину вместо ответа, сделки зависли, заказчик узнал о проблеме от менеджеров, а не из мониторинга. Для ночного агента, который работает без присмотра, каждый такой случай это потерянная заявка и репутационный удар.