Технический контекст
Я бы пока не называл это подтвержденным багом платформы на уровне документации, но кейс слишком неприятный, чтобы его игнорировать. Пользователь отдал Sol длинную задачу на сбор отчета, ждал около двух часов, получил просьбу переключиться на более простую модель, отказался, и после этого весь прогресс исчез.
Вот место, где я сразу думаю не про драму, а про AI implementation. Если агент ведет длинную работу внутри одной сессии и не пишет промежуточное состояние наружу, любая попытка downgrade или reset превращает два часа вычислений в ноль. Лимит при этом, судя по описанию, уже потрачен.
Официального подтверждения именно такого поведения Sol у меня нет. В публичных материалах про Sol сейчас в основном говорят о возможностях, партнерском доступе и агентных сценариях, а не о том, как он ведет себя при отказе от смены модели. Но сам паттерн мне знаком: длинный агентный прогон, внутренние сабтаски, перепаковка контекста, потом сброс состояния.
Технически это может выглядеть так: агент упирается в контекст, стоимость или ограничение инструмента, предлагает downgrade, а при отказе не умеет корректно удержать рабочее состояние. В итоге память сессии откатывается, черновые артефакты не сохранены, а биллинг или task limit уже закрыли попытку как выполненную. И да, это как раз тот случай, где “почти закончил” ничего не значит.
Я бы считал это не единичной странностью, а предупреждением для всех, кто строит automation with AI на длинных асинхронных задачах. Если результат ценен, он должен сохраняться по шагам: summary, checkpoints, внешнее хранилище, артефакты по этапам, а не только финальный ответ в чате.
Влияние на бизнес и автоматизацию
Проигрывают те, кто отдает агенту длинные отчеты, ресерч или multi-step pipeline без контрольных точек. Выигрывают те, у кого AI integration сделана как инженерная система, а не как надежда на один удачный прогон.
Практический вывод у меня простой. Первое: не держать критичный прогресс только внутри Sol-сессии. Второе: перед рискованными шагами принудительно просить краткое резюме сделанного и сохранять его вне чата. Третье: дробить задачу на этапы с отдельной фиксацией результата, даже если интерфейс обещает “автономность”.
С клиентами в Nahornyi AI Lab мы именно такие места и закрываем: выносим состояние наружу, проектируем checkpoint-логику и собираем AI automation так, чтобы сбой модели не сжигал часы работы команды. Если у вас похожие длинные процессы уже трещат по швам, я могу вместе с вами пересобрать архитектуру так, чтобы агент помогал бизнесу, а не устраивал дорогую лотерею.