Consensus использует GPT‑5 и Responses API для выполнения многонедельных исследований за считанные минуты23.10.2025 09:00

Каждый год публикуются миллионы новых научных работ — гораздо больше, чем один человек способен прочитать.

Для ученых проблемой является не доступ к знаниям, а титанический труд по их поиску, интерпретации и объединению. Прорывы происходят на переднем крае известного, однако исследователи тратят большую часть времени просто на поиски этого переднего края, вместо того чтобы продвигаться дальше.

Consensus⁠, научный ассистент, которым пользуются более 8 миллионов человек, был создан, чтобы изменить это. Основанная Кристианом Салемом (Christian Salem) и Эриком Олсоном (Eric Olson), платформа осуществляет поиск, чтение и синтез рецензируемой литературы по более чем 220 миллионам статей. Ее новейшая функция, Scholar Agent, представляет собой многоагентную систему на базе GPT‑5 и Responses API. Она отражает реальные методы работы исследователей, помогая им пройти путь от вопроса до выводов за считанные минуты вместо недель.

Но цель заключается не просто в ускорении исследований — это более быстрый путь к открытиям. «Наука продвигается вперед, когда она становится более доступной», — говорит Салем. «Наша задача — предоставить исследователям по всему миру возможность находить доказательства, доверять им и действовать на их основе».

Первая версия Consensus работала как специализированная поисковая система для науки: она индексировала академические статьи, извлекала релевантные результаты и генерировала резюме со ссылками на источники. Но одного поиска было недостаточно.

«Исследование — это не просто поиск статей», — говорит Салем. «Это интерпретация результатов, сравнение выводов и объединение идей. Чем больше времени ученые тратят на поиск, чтение и интерпретацию прошлых знаний в поисках нужного исследования, тем меньше времени у них остается на совершение открытий и проведение реальных научных изысканий».

Поэтому команда приступила к редизайну архитектуры Consensus вокруг новой концепции: многоагентной системы под названием «Scholar Agent», которая работает так же, как и ученый-человек.

Созданная на базе GPT‑5 и Responses API, эта система теперь управляет скоординированным рабочим процессом агентов:

• Агент планирования (Planning Agent) разбивает вопрос пользователя на части и определяет дальнейшие действия
• Поисковый агент (Search Agent) прочесывает индекс статей Consensus, личную библиотеку пользователя и граф цитирования
• Агент чтения (Reading Agent) интерпретирует статьи по отдельности или пакетами
• Агент анализа (Analysis Agent) синтезирует результаты, определяет структуру и визуальное оформление, а также формирует финальный результат

У каждого агента узкая специализация, что обеспечивает точность рассуждений и минимизирует галлюцинации. Архитектура также позволяет Consensus решать, когда не следует отвечать: если ни одно релевантное исследование не соответствует порогу качества, ассистент просто сообщает об этом.

«Разделяя рабочий процесс между агентами, мы снижаем количество ошибок и делаем систему гораздо более дисциплинированной», — говорит Салем. «Ни на одном отдельном агенте не лежит слишком большая ответственность, что в итоге оказывается ключевым фактором для надежности».

Такой подход команда называет контекстным инжинирингом (context engineering): сбор необходимых доказательств до начала генерации. Каждый ответ сопровождается «пакетом исследовательского контекста» — структурированным набором статей, метаданных и ключевых выводов, которые восходят к первоисточникам.

«Мы не хотим, чтобы исследователи тратили время на перепроверку каждого утверждения», — говорит Салем. «Если система не может подтвердить ответ реальными доказательствами, она не будет их выдумывать».

Consensus мигрировала с Chat Completions на Responses API для поддержки маршрутизации своей многоагентной системы. Этот переход повысил как надежность, так и экономическую эффективность, предоставив команде более тонкий контроль над вызовами субагентов. Учитывая возможности GPT‑5 по работе с длинным контекстом и надежный вызов инструментов (tool-calling), выбор был очевиден.

Ранние оценки подтвердили правильность ставки: GPT‑5 превзошла GPT‑4.1, Sonnet 4 и Gemini 2.5 Pro по точности вызова инструментов и стабильности планирования. Это позволило команде Consensus уделять меньше внимания акробатике с промптами и сосредоточиться на создании моделей поведения агентов, которые напрямую соответствуют исследовательским рабочим процессам.

С самого начала Consensus подошла к рынку иначе, чем ожидалось. Вместо продаж через учреждения команда сосредоточилась на людях, которые непосредственно занимаются исследованиями: студентах, преподавателях и клиницистах, которым ответы нужны прямо сейчас. Эта ориентация непосредственно на исследователя определила как дизайн продукта, так и его стремительный рост.

«Все говорили, что в академической среде нельзя работать по модели B2C, но ИИ все изменил», — говорит Салем. «Люди больше не ждут одобрения — они используют то, что работает».

Это решение сформировало тон продукта и кривую его роста. Consensus больше похожа на современное потребительское приложение, чем на традиционный академический инструмент: быстрое знакомство с интерфейсом, интуитивный дизайн, разговорный интерфейс. Распространение происходило за счет сарафанного радио в кампусах и лабораториях.

Аспиранты и соискатели ученой степени PhD стали первыми активными пользователями, за ними последовал преподавательский состав и независимые исследователи. Затем появились клиницисты, которые стали использовать Consensus для поиска свежих доказательств в своих областях.

«Мы не планировали создавать продукт для врачей», — говорит Салем. «Но им нужно то же самое, что и исследователям: быстрый доступ к надежным доказательствам».

Компания недавно подключила медицинскую библиотеку клиники Майо и только что запустила «Medical Mode» — новую функцию, разработанную для практикующих врачей, ищущих клинические доказательства.

За последний год Consensus стремительно расширилась, охватив более 8 миллионов исследователей по всему миру и увеличив выручку в 8 раз.

Этот рост не изменил приоритетов продукта. В центре внимания каждого нововведения по-прежнему находятся проверяемые ответы с низким уровнем галлюцинаций. Команда вложила значительные средства в конвейеры оценки, которые проверяют точность, отслеживаемость цитирования и стилистическую согласованность у агентов.

Архитектура Consensus намеренно сделана модульной, чтобы новые агенты могли интегрироваться по мере развития и совершенствования моделей — агенты, которые воспроизводят эксперименты, генерируют графики или выполняют статистический анализ.

«Мы создаем ассистента, который действительно необходим исследователям в стремительно меняющемся мире», — говорит Салем. «Модели продолжают совершенствоваться, система растет вместе с ними, а наука движется быстрее».

OpenAI <3 стартапа. Присоединяйтесь к нам.