Το Super Agent της Genspark κρύβει εννέα μοντέλα και 80 εργαλεία πίσω από ένα πεδίο κειμένου

Το frontend είναι μια εντολή, και όλο το υπόλοιπο είναι ζήτημα δρομολόγησης

Το Super Agent της Genspark ενορχηστρώνει εννέα εξειδικευμένα μεγάλα γλωσσικά μοντέλα και πάνω από 80 ενσωματωμένα εργαλεία, αναθέτοντας δυναμικά κάθε εργασία στο πιο κατάλληλο στοιχείο. Πρόκειται για ένα σημαντικό backend. Το frontend είναι ένα πεδίο κειμένου.

Το σχεδιαστικό στοίχημα εδώ διατυπώνεται ρητά στην πηγή: «Επειδή το σύστημα είναι πλήρως χωρίς κώδικα, οι χρήστες δεν χρειάζεται να σκέφτονται τίποτα από όλα αυτά». Ένας χρήστης πληκτρολογεί «κάλεσε τον οδοντίατρό μου», «κάνε περίληψη αυτής της αναφοράς» ή «φτιάξε μου μια παρουσίαση», και η λογική επιλογής μοντέλου, η κατανομή εργαλείων και η συναρμολόγηση της μορφής γίνονται εκτός οπτικού πεδίου. Η επιφάνεια του περιβάλλοντος χρήσης είναι σκόπιμα πιο λιτή από τον μηχανισμό που κρύβεται από πίσω.

Πρόκειται για μια συγκεκριμένη φιλοσοφία προϊόντος, όχι μια γενική. Η Genspark λειτουργούσε παλαιότερα μια μηχανή αναζήτησης με ΤΝ όπου το αποτέλεσμα ήταν δομημένη πληροφορία. Μέχρι τα τέλη του 2024, παρατήρησαν ότι οι χρήστες ζητούσαν αποτελέσματα —παρουσιάσεις, σεναρίδεια βίντεο, emails παρακολούθησης— και όχι απαντήσεις. Το frontend δεν έγινε πιο περίπλοκο για να εξυπηρετήσει αυτά τα αποτελέσματα· έγινε πιο απλό, και η πολυπλοκότητα μετακινήθηκε παρακάτω στη ροή.

Πού εμφανίζονται στην πραγματικότητα οι επιλογές υποδομής για τον χρήστη

Αρκετές από τις δυνατότητες της OpenAI που αναφέρει η Genspark αντιστοιχούν άμεσα σε συμπεριφορές που βλέπει ο χρήστης, παρότι αυτός δεν βλέπει ποτέ τον μηχανισμό. Το παράθυρο περιεχομένου του 1 εκατομμυρίου tokens του GPT-4.1 επιτρέπει στους agents να επεξεργάζονται μεγάλα έγγραφα «πλήρως, χωρίς περικοπή», ώστε ένας χρήστης που επικολλά μια εκτενή αναφορά να μην χρειάζεται να τη χωρίσει σε τμήματα. Η αυστηρή έξοδος σε μορφή JSON τροφοδοτεί αξιόπιστα τα επόμενα εργαλεία, κάτι που εμποδίζει ένα αίτημα δημιουργίας παρουσίασης να «σπάσει» ανάμεσα στο στάδιο σύνταξης και στο στάδιο συναρμολόγησης.

Η αυτόματη προσωρινή αποθήκευση εντολών (prompt caching) περιγράφεται ότι μειώνει την καθυστέρηση και το κόστος API, «κάτι ιδιαίτερα χρήσιμο σε πολυβηματικές ροές εργασίας». Σε ένα σύστημα όπου μία μόνο εντολή διαχέεται σε πολλές κλήσεις μοντέλων, αυτή η προσωρινή αποθήκευση είναι που εμποδίζει ένα αίτημα χωρίς κώδικα να φαίνεται αργό. Η απλότητα του frontend διατηρείται μόνο εάν η καθυστέρηση στο backend παραμένει αρκετά χαμηλή, ώστε οι χρήστες να μην αντιλαμβάνονται την ενορχήστρωση.

Το Call For Me και ο σχεδιασμός φωνής δύο επιπέδων

Η πιο συγκεκριμένη τεχνική λεπτομέρεια στην ανακοίνωση είναι η λειτουργία φωνής. Το Call For Me πραγματοποιεί πραγματικές τηλεφωνικές κλήσεις και διατηρεί μια συζήτηση χρησιμοποιώντας το OpenAI Realtime API και δυνατότητες speech-to-speech. Το σύστημα είναι διπλού επιπέδου: το Realtime API διαχειρίζεται τον ζωντανό διάλογο, ενώ ένα «σκιώδες» μοντέλο παρακολουθεί και καθοδηγεί την αλληλεπίδραση μέσω ουράς μηνυμάτων.

Αυτό το σκιώδες μοντέλο είναι το ενδιαφέρον σημείο. Η ζωντανή speech-to-speech λειτουργία από μόνη της διαχειρίζεται τη ροή του λόγου· το δεύτερο επίπεδο διαχειρίζεται τη συνοχή όταν η κλήση περιλαμβάνει μουσική αναμονής ή ασαφείς ανθρώπινες απαντήσεις. Είναι ένα μοτίβο επίβλεψης πάνω σε ένα μοντέλο πραγματικού χρόνου, που διατηρεί μια αυτόνομη συζήτηση σε τροχιά — το είδος της υποδομής αξιοπιστίας που καθορίζει αν μια επίδειξη θα γίνει τελικά λειτουργία σε παραγωγή.

Η πηγή αναφέρει μια viral περίπτωση χρήσης στην Ιαπωνία: χρήστες που ζήτησαν από τον agent να κάνει κλήσεις παραίτησης στους εργοδότες τους. Αυτή η λεπτομέρεια έχει μικρότερη σημασία ως πρωτοτυπία και μεγαλύτερη ως απόδειξη ότι οι άνθρωποι εμπιστεύτηκαν το επίπεδο φωνής για μια αλληλεπίδραση υψηλού διακυβεύματος και έντονου συναισθηματικού φορτίου — το πιο δύσκολο είδος για να προσομοιωθεί επιτυχώς.

Τι δηλώνει για την ταχύτητα ανάπτυξης μια κυκλοφορία από ομάδα 20 ατόμων χωρίς διαφήμιση

Η Genspark αναφέρει 36 εκατ. δολ. ετήσιων εσόδων (ARR) σε 45 ημέρες και οκτώ σημαντικές λειτουργίες agent που κυκλοφόρησαν σε 70 ημέρες, με ομάδα 20 ατόμων και καθόλου πληρωμένη διαφήμιση, χαρακτηρίζοντας την ανάπτυξη ως εξ ολοκλήρου οργανική και βασισμένη στην ιδιότητα του προϊόντος να διαδίδεται από μόνο του.

Επιλέξαμε το OpenAI όχι μόνο για την απόδοση των μοντέλων σε διάφορες μορφές δεδομένων, αλλά και για την εμπειρία ανάπτυξης λογισμικού. Ο σχεδιασμός του API της OpenAI μας βοήθησε να κινηθούμε γρήγορα, κάνοντας κυκλοφορία, εντοπισμό σφαλμάτων και κλιμάκωση χωρίς εμπόδια.Montana Labs

Η έμφαση του CTO Kay Zhu στην εμπειρία ανάπτυξης λογισμικού, περισσότερο από την καθαρή απόδοση, είναι το κλειδί. Μια ομάδα 20 ατόμων μετέτρεψε ολόκληρο το προϊόν της από αναζήτηση σε agents τον Απρίλιο του 2025 και κυκλοφόρησε λειτουργίες φωνής, παρουσιάσεων και βίντεο μέσα σε λίγες εβδομάδες. Αυτός ο ρυθμός είναι εφικτός μόνο αν η ομάδα frontend δεν χρειάζεται να ξαναχτίζει την υποδομή ενορχήστρωσης για κάθε νέα λειτουργία — τα API των μοντέλων κάνουν τη βαριά δουλειά της ενσωμάτωσης.

Η συνέπεια: οι agents χωρίς κώδικα μεταφέρουν το ρίσκο του προϊόντος από το περιβάλλον χρήσης στον δρομολογητή

Το ιδιαίτερο επίτευγμα της Genspark δεν είναι η ποιότητα των μοντέλων που νοικιάζει —τα GPT-4.1, GPT-image-1 και το Realtime API είναι διαθέσιμα σε οποιονδήποτε. Είναι η απόφαση να μην εκθέσουν τίποτα από αυτά στον χρήστη και να απορροφήσουν εσωτερικά όλη την πολυπλοκότητα δρομολόγησης. Αυτό σημαίνει ότι η αξιοπιστία του προϊόντος βρίσκεται εξ ολοκλήρου στο επίπεδο κατανομής που επιλέγει ανάμεσα σε εννέα μοντέλα και 80 εργαλεία, καθώς και στα μοτίβα επίβλεψης όπως το σκιώδες μοντέλο φωνής.

Για ομάδες που χτίζουν πάνω στα ίδια API, το μάθημα από αυτή την κυκλοφορία είναι ότι ένα frontend χωρίς κώδικα δεν μειώνει την τεχνική επιφάνεια —την μετατοπίζει. Κάθε ασαφής εντολή που πληκτρολογεί ένας χρήστης πρέπει να επιλύεται σιωπηλά, σωστά και αρκετά ταχεία, ώστε ο χρήστης να μην αντιληφθεί ποτέ ότι υπήρχε μια επιλογή να γίνει. Η ανάπτυξη της Genspark δείχνει ότι όταν η δρομολόγηση λειτουργεί, η λιτή διεπαφή είναι ακριβώς αυτό που οδηγεί στη διάδοση· όταν δεν λειτουργεί, δεν υπάρχει οθόνη ρυθμίσεων στην οποία να στραφεί ο χρήστης.