Модели
В карте Extella описаны платформенная модель Qwen, подключение своих ключей к моделям и локальные модели на устройстве. Выбор модели отделён от самих инструментов.
Находит и вызывает программы по вашей задаче.
Агент связывает вашу задачу с инструментами: находит и вызывает сохранённые программы, а если нужной нет, помогает создать новую.
Полезные действия можно сохранить и использовать снова. Контекст, знания и правила помогают агенту работать в рамках конкретной задачи.
В карте Extella описаны платформенная модель Qwen, подключение своих ключей к моделям и локальные модели на устройстве. Выбор модели отделён от самих инструментов.
Концепты хранят знания, которые нужны агенту. Вместо того чтобы каждый раз объяснять всё сначала, можно сохранить устойчивый контекст задачи.
Правила задают рамки поведения агента. Они помогают закрепить требования к работе с инструментами и результатом.
Дефолтные и кастомные агенты могут иметь разные задачи и наборы экспертов. Профили помогают организовать такую работу.
Замеры Extella, сентябрь и октябрь 2026 года. Каждое число верно при названных условиях.
Замер 27.09.2026 на модели qwen3.5:9b: навык тратил 329 токенов на каждый запуск и решил 28 задач из 100. Эксперт потратил 403 токена один раз, при создании, а дальше решил 100 задач из 100 без обращения к модели.
Агент ищет экспертов по смыслу запроса, а не по точному имени. На задачах длиннее минуты взять готового эксперта оказалось в 2,4–10 раз быстрее, чем написать заново. Готовый эксперт повторяет и свою ошибку, поэтому его результат стоит проверять.
На одном наборе из 18 задач маленькая модель решила 10, когда писала ответ на языке задачи с проверками, и 2 без проверок. Токенов ушло в 5,7 раза меньше, чем на Python с теми же проверками. Большой модели язык задачи почти ничего не добавил.
Агент на платформенной модели Extella с включёнными инструментами выполнил 12 задач из 12 и 40 из 40. Агент, созданный через API, отвечает отказом, пока в интерфейсе Extella не выбраны провайдер и модель.
Статьи и примеры по теме.