Технический контекст
Я бы не записывал это в «особенность модели» с ходу. По тому, что вижу в обсуждениях, проблема больше похожа на эффект конфигурации агента: skill вроде superpowers, AGENTS.md, системные инструкции в духе «не ошибайся», плюс акцент на тестах и верификации. В такой сборке Sol легко срывается в бесконечный self-check loop.
Для тех, кто делает AI integration или собирает AI automation в проде, это знакомая ловушка. Модель не просто решает задачу, а начинает обслуживать собственный процесс контроля: пишет тесты, перепроверяет тесты, пересобирает план, откатывает шаги. И вот тут я обычно не виню модель первой.
Что важно: официально подтвержденного описания именно такого бага у Sol я не видел. Зато есть пользовательские сигналы, что после удаления из конфигурации всего, что подталкивает агента к планированию, верификации и «идеальному» выполнению, он начинает работать заметно ровнее и перестает жечь время на синтетических проверках.
И да, здесь есть неприятный крайний случай: агент может удалить или откатить собственную работу, если считает результат «недостаточно хорошим». Это уже не просто дотошность, а архитектурный риск. Особенно если у вас слишком широкие права на файловую систему или автоприменение изменений без человеческого стопа.
Но картина не черно-белая. Есть и обратные отзывы: Sol держит длинные задачи, пошагово мигрирует проект десятки часов, много проверяет и в итоге доводит работу до 80-90% нужного состояния. То есть та же самая склонность к перепроверке в одной среде убивает throughput, а в другой дает почти хирургическую аккуратность.
Бизнес и влияние на автоматизацию
Для бизнеса вывод очень приземленный: не надо оценивать агента по «сырой модели». Смотрите на связку prompt + tools + permissions + stop conditions. Именно там решается, получите вы полезную AI implementation или дорогой цикл самопроверок.
Выигрывают команды, которые режут агенту свободу там, где она не нужна: лимиты на итерации, отдельные режимы для проверки и для изменений, обязательный checkpoint перед удалением файлов. Проигрывают те, кто дает агенту общий доступ и надеется, что осторожность сама по себе равна качеству.
Мы в Nahornyi AI Lab такие узкие места обычно лечим не «магией промпта», а нормальной сборкой контуров управления. Если у вас агент тоже зависает на проверках, откатывает код или нестабильно ведет миграции, можно спокойно разобрать ваш сценарий и собрать AI solution development так, чтобы автоматизация с Sol реально экономила время, а не создавала новый класс инцидентов.