Kimi K2.6 zvanično objavljen kao open source — Agent swarm je zaista snažan.

Kimi K2.6 je objavljen; sposobnosti kodiranja, dugih zadataka i Agent swarm-a su se popela na novi nivo.

Gotovo da može da parira zatvorenim modelima poput GPT-5.4, Claude Opus 4.6 i Gemini 3.1 Pro.

Da bih to proverio, odmah sam priključio Kimi 2.6 u IntelliJ IDEA i naterao ga da završi razvoj RAG-a iz četvrte epizode projekta PaiCLI Agent.

Iskreno — ja sam intenzivni korisnik Claude Code-a i Codex-a; svakodnevno ih koristim u visokom intenzitetu za programiranje i veoma sam osetljiv na sposobnosti modela koji stoji iza njih.

Kodiranje dugih zadataka i Agent swarm koje Kimi 2.6 ovog puta ističe su dva pravca koja me najviše zanimaju.

Zato sam odlučio da testiram oba istovremeno.

Prvi slučaj: u IntelliJ IDEA priključiti Kimi K2.6 i naterati ga da razvije četvrtu epizodu PaiCLI-ja (RAG pretraga + razumevanje baze koda) — to je scenario dugog kodiranja sa 10 podzadataka.

Drugi slučaj: dok Kimi 2.6 radi, iskoristio sam njegovu sposobnost Agent swarm-a da mi odradi konkurentnu analizu četiri AI programerska alata.

Jednom rukom gledam sposobnost kodiranja, drugom saradnju swarm-a. Obje ruke moraju biti jake — da vidimo da li K2.6 zaista može.

Tekst je opsežan; zavežite pojaseve, krećemo.

01. Šta je unapređeno u K2.6?

Serija Kimi K2 koristi MoE arhitekturu; ukupan broj parametara je bilion, ali po jednom tokenu aktivira samo 32B parametara — od 384 eksperata bira 8 da rade.

Prostije rečeno — MoE je kao velika kompanija sa 384 eksperata, ali se na svaki sastanak pozove samo 8 najrelevantnijih.

Pitate za frontend — neće uključiti one koji se bave kernelom ili bazom podataka i tako trošiti resurse.

Od K2.5 do K2.6, jezgro unapređenja je u tri pravca.

Agent swarm proširen je na 300 pod-Agenta. Još važnije, K2.6 je poboljšao orkestrator, tako da paralelno izvršavanje ne degradira u sekvencijalnu obradu.

Sposobnost dugog kodiranja je maksimalna. Podržava neprekidno kodiranje od 13 sati; jedna precizna izmena može da prelazi 4000 redova koda.

Open source. K2.6 je prvi model koji je u programerskoj sposobnosti dostigao prvu ligu i pritom ostao open source.

02. IDEA priključuje Kimi K2.6

Kimi Code podržava integraciju sa IntelliJ IDEA; proces povezivanja je veoma glatak.

Otvorite IntelliJ IDEA, pod[Alati]→[AI Assistant]→[Agent]pronađite Kimi CLI i kliknite na[Instaliraj].

Vratite se u AI prozor za razgovor, unesite bilo kakav prompt; pri prvom korišćenju pojaviće se zahtev za prijavu na Kimi nalog.

Kliknite na[Login with Kimi account]; pretraživač prelazi na Kimi Code konzolu, a ako ste već prijavljeni na Kimi nalog, ovlašćenje se automatski odobrava.

03. Razvoj RAG-a sa 10 podzadataka

Nakon povezivanja, idemo da podignemo nivo.

Prompt: Kod treće epizode PaiCLI-ja je završen; sada želim da implementiram kod četvrte epizode, uglavnom RAG pretragu i razumevanje baze koda.

Ovaj prompt sam napisao vrlo kratko; glavni cilj mi je da testiram da li Kimi 2.6 sam može da pronađe kontekst.

Zaista ima nivoa.

Prvo je pročitao ROADMAP projekta, razumeo kompletnu planove četvrte epizode, zatim skenirao strukturu trenutne baze koda i video koji moduli se mogu ponovo iskoristiti.

Dobar Agent ne bi trebalo odmah da piše kod, već prvo da razume kontekst i arhitekturu projekta. IntelliJ IDEA sa priključenim Kimi 2.6 radi dobro — prvo čita CLAUDE.md, skenira strukturu direktorijuma, razume zavisnosti, pa tek onda prionuše na posao.

Nakon analize zahteva, Kimi mi je aktivno postavio nekoliko pitanja o izboru rešenja: da li za vektorsku bazu koristiti čistu memoriju, SQLite ili Milvus? Koji provajder za Embedding API? Da li uvoesti AST parser za analizu koda? Da li Embedding model treba da bude podesiv?

Ova pitanja su dobro postavljena.

Svako od njih direktno utiče na kasniji dizajn arhitekture — izbor SQLite-a ili Milvus-a znači da li je vaš projekat za monolitno ili distribuirano deploy-je, a implementacija koda kasnije je potpuno drugačija.

Moj odgovor je: izaberi SQLite, lokalno koristi nomic-embed-text iz Ollame kao model za vektore, uvedi AST parsiranje, Embedding model neka bude podesiv.

Nakon istraživanja, Kimi prelazi u fazu kodiranja. Prvo je generisao sveobuhvatan plan kodiranja, podeljen u 4 faze, 10 zadataka:

Prva faza postavlja infrastrukturu — implementacija Embedding klijenta i SQLite vektorskog skladišta.

Druga faza je sloj za razumevanje koda — AST parser, upravljanje indeksom i semantička pretraga.

Treća faza je korisnički interfejs — dodavanje komandi sa kosom crtom /index, /search, /graph Agent CLI-ju, kao i integracija RAG sposobnosti u Agenta.

Četvrta faza je obezbeđenje kvaliteta — pisanje jediničnih i integracionih testova.

Nije onaj način pisanja gledenjem u pravom smislu gomilanja 2000 redova odjednom koji onda ne radi.

10 zadataka, prilično veliki obim. Ovakva složenost dugog zadatka je upravo ono što može da proveri sposobnost i stabilnost K2.6 u dugotrajnom kontinuiranom kodiranju.

Dok čekamo da Kimi CLI radi, istovremeno testiramo drugu veliku stavku K2.6 — Agent swarm.

04. Praktični test Agent swarm-a

U polje za adresu pretraživača unesite kimi.com i pređite na stranicu Agent swarm-a.

Unesite prompt:

Napravi mi kompletan izveštaj konkurentne analize: uporedno analiziraj Agent sposobnosti, kvalitet generisanja koda i strategiju cena četiri AI programerska alata — Claude Code, Cursor, Windsurf i Kimi Code; izdaj stručni Markdown istraživački izveštaj sa tabelama podataka.

Zašto ovaj zadatak?

Zato što je konkurentna analiza tipičan scenario „širine-pre-dubine“ — potrebno je prikupiti mnogo informacija razasutih po različitim platformama, a zatim ih ukrštati i sumirati.

Takav zadatak, ako ga radi jedna osoba, već prikupljanje materijala traje pola dana. Ako to radi grupa Agenata paralelno, efikasnost je potpuno drugačija.

Kimi je prvo automatski razložio plan izvršavanja — definisanje okvira istraživanja, dubinsko istraživanje, ukrštena verifikacija, pa sve do sastavljanja izveštaja i konverzije formata. Zatim je počeo da priziva Agente.

8 pod-Agenta, svaki sa imenom, avatarom i podelom uloga: profesoric Li zadužena za planiranje puta, Zack za optimizaciju efikasnosti, Pingtou za dizajn proizvoda, Guifu za stručni dizajn, Tang Mo za inženjering, Su Yu za strateško istraživanje…

Grupa Agenata radi istovremeno; svako je zadužen za jednu usku dimenziju.

Pritom je podela prilično promišljena.

Nije prosto sečenje zadatka na 9 delova i nasumična raspodela, već podela po dimenzijama istraživanja: neko posebno gleda tehničku arhitekturu, neko pokreće benchmark podatke, neko prati strategiju cena, neko radi poređenje ekosistema.

Tokom napredovanja Phase 2, desni panel osvežava novu grupu Agenata — Parker, profesor Li, Guifu, Sartre — kao na tekućoj traci; prethodna grupa završi pretragu, sledeća odmah nastavlja.

Bacio sam pogled na status u desnom panelu i video da svaki Agent nezavisno otvara karticu pretraživača za pretragu. Neko proverava SWE-bench rang-listu, neko poredi stranice sa cenama, čak je aktivno otvorio Ubuntu sandbox terminal i sa mkdir -p kreirao direktorijum za izlaz istraživanja — to pokazuje da Agent swarm ne samo da pretražuje i piše u prozoru za razgovor, već iza toga stvarno ima izvršno okruženje koje radi.

Tokom celog procesa bilo je nekoliko detalja koje nisam izdržao.

Nakon što je Phase 1 prikupio osnovne informacije, Kimi nije prešao direktno na pisanje izveštaja, već je ušao u fazu ukrštene verifikacije — različiti Agenti međusobno proveravaju podatke koje su prikupili. Na primer, cena Cursor-a koju je Zack pronašao razlikuje se od one koju je pronašao Jiatian; sistem to automatski označi i pošalje jednog Agenta da proveri. Ovaj dizajn je prilično pametan — pri prikupljanju informacija najveći strah je od pogrešnog pripisivanja.

Još jedna neobična stvar. U fazi pisanja izveštaja, Agent 01 je čak sam napisao Python kod za crtanje. U desnom panelu Kimi's Computer direktno se pojavio matplotlib kod koji ocenjuje četiri alata po šest dimenzija — Agent sposobnosti, kvalitet koda, konkurentnost cena, korporativna usklađenost, iskustvo ekosistema i korisničko iskustvo — a zatim crta radar grafikon.

Dok pretražuje, sam je počeo da piše kod za crtanje; moj izraz lica u tom trenutku bio je otprilike ovakav.

Izvršna efikasnost je takođe ekstremna. Od slanja zadatka do isporuke izveštaja od 56 strana, prošlo je oko 20 minuta. Preko 300 nezavisnih pretraga, preko 500 izvora citata, duboko istraživanje 12 dimenzija. Isti posao, ako bi ga analitičar radio ručno, konzervativno bi trajao dva do tri dana.

Nakon oko 20 minuta, Agent swarm je predao doc dokument od 56 strana; sadržaj je čvrst i detaljan.

Razni grafikoni, tabele podataka i rezultati analize — sve na mestu.

Prelistao sam kroz konačni izveštaj; sadržaj se grubo deli na nekoliko delova: poređenje Agent arhitektura četiri alata, benchmark podaci kvaliteta generisanja koda, horizontalna tabela strategije cena, procena potpunosti IDE integracije i podrška funkcija na nivou preduzeća.

Podaci su prikupljeni vrlo potpuno, a citati imaju navedene izvore.

Duboko istraživanje 12 dimenzija (preko 300 nezavisnih pretraga, preko 500 izvora citata) → ukrštena verifikacija → izdvajanje uvida → stručno pisanje 8 poglavlja → Word dokument od 56 strana — zaista vrhunski.

05. Kvalitet isporuke kodiranja dugog zadatka je takođe vrhunski

Nije prošlo mnogo vremena, a zadatak u IntelliJ IDEA-i je završio.

Da bih proverio kvalitet isporuke, posebno sam pokrenuo režim stručnog tima u Qoder-u.

Prompt: Kod četvrte epizode je isporučen; hajde da testiramo, uglavnom SQLite, lokalni vektori, AST analiza koda, podesiv Embedding itd.

Kimi 2.6 je ovog puta predao preko 1400 redova jezgrenog koda, uključujući:

• Sistem za podesiv Embedding (3 provajdera)
• JavaParser AST analiza (5 tipova relacija)
• SQLite vektorsko skladište (kosinusna pretraga u memoriji)
• Trostepeno sečenje koda (fajl/klasa/metoda)
• Hibridni motor za pretragu (semantika + ključna reč + graf)
• Integracija CLI komandi (/index, /search, /graph)
• Integracija Agent alata (automatsko pozivanje search_code)

69 jediničnih testova, 100% prolaznost.

Malo iznenađenja — kvalitet isporuke Kimi-ja 2.6 je zaista besprekoran.

Da pomenem nekoliko tačaka koje su me iznenadile; idemo direktno na kod.

Podesiv Embedding dizajn. Pogledajte jezgru logiku EmbeddingClient.java:

public float[] embed(String text) throws IOException {
    // Skrati predug tekst radi sprečavanja API greške
    String input = text.length() > MAX_INPUT_CHARS
            ? text.substring(0, MAX_INPUT_CHARS) : text;

    return switch (provider.toLowerCase()) {
        case "ollama" -> embedOllama(input);
        case "openai", "zhipu", "glm" -> embedOpenAICompatible(input);
        default -> embedOllama(input);
    };
}

Jedan switch rešava rutiranje za više provajdera; podržani su i lokalni Ollama i OpenAI kompatibilni interfejs. Želite da promenite model? Dovoljno je promeniti varijablu okruženja EMBEDDING_PROVIDER; kod ne mora da se dira.

Takođe je urađena sigurnosna skraćenost na 2000 znakova radi sprečavanja da dugi tekst sruši API — ovakav detalj defanzivnog kodiranja ne nastaje iz zahteva „napiši mi Embedding klijent“, već zahteva stvarno razumevanje zamki u produkcionom okruženju.

AST ekstrakcija relacija. CodeAnalyzer.java koristi JavaParser za AST parsiranje i izdvaja 5 tipova relacija u kodu:

// relacija extends
clazz.getExtendedTypes().forEach(ext -> {
    relations.add(new CodeRelation(
        filePath, className, null, ext.getNameAsString(), "extends"));
});

// relacija implements
clazz.getImplementedTypes().forEach(impl -> {
    relations.add(new CodeRelation(
        filePath, className, null, impl.getNameAsString(), "implements"));
});

// relacija calls: poziv metode
clazz.findAll(MethodCallExpr.class).forEach(call -> {
    String callee = call.getNameAsString();
    Optional<MethodDeclaration> parentMethod = findParentMethod(call);
    if (parentMethod.isPresent()) {
        String caller = className + "." + parentMethod.get().getNameAsString();
        relations.add(new CodeRelation(
            filePath, caller, null, callee, "calls"));
    }
});

Nasleđivanje, implementacija, poziv, zavisnost, uključivanje — svih pet relacija modelovano. /graph Agent može da nacrta graf pozivnih relacija upravo na osnovu ovih AST podataka o relacijama.

Hibridni motor za pretragu. Metod hybridSearch iz CodeRetriever.java je deo RAG modula sa najvećim tehničkim sadržajem:

public List<VectorStore.SearchResult> hybridSearch(String query, int topK) throws Exception {
    // 1. semantička pretraga
    for (VectorStore.SearchResult result : semanticSearch(query, semanticLimit)) {
        mergeResult(merged, result, dualMatchBonused);
    }

    // 2. pretraga po ključnoj reči
    Set<String> keywords = RagQueryTokenizer.tokenize(query);
    for (String keyword : keywords) {
        for (VectorStore.SearchResult result : keywordSearch(keyword)) {
            mergeResult(merged, boostKeywordMatch(result, keyword), dualMatchBonused);
        }
    }

    // 3. bodovanje tipa koda: method/class direktnije odgovara na „kako implementirati“ nego file
    double typeBoost = switch (r.chunkType()) {
        case "method" -> 0.15;
        case "class" -> 0.10;
        default -> 0.0;
    };
}

Semantička pretraga + pretraga po ključnoj reči + ponderisanje po tipu, tri toka paralelno, zatim stapljenje i deduplikacija. Dvostruko pogođeni rezultati dobijaju dodatnih 0,1 bonus poena; tip method ima 0,15 više od tipa file — jer kada pitate „kako implementirati“, blok koda na nivou metode je sigurno direktan od bloka na nivou fajla.

Ovakvi detalji strategije rangiranja ne ispadnu iz običnog pisanja.

Naravno, ne može se gledati samo Qoder-ov rezultat testa; treba ga i sami isprobati.

Otvorite terminal i izvršite mvn clean package da prvo kompajlirate.

Nakon uspešnog build-a, izvršavamo java -jar target/paicli-1.0-SNAPSHOT.jar i ulazimo u PaiCLI.

Unesite komandu /index da vidimo da li može ispravno da indeksira strukturu i sadržaj trenutne baze koda u vektorsku bazu.

Sve uspešno indeksirano — sjajno. Tokom indeksiranja se automatski radi AST parsiranje, svaki Java fajl se deli na tri nivoa chunk-ova — fajl, klasa i metod — zatim se pomoću Ollama-inog modela nomic-embed-text pretvara u vektor i čuva u SQLite. Ceo proces je automatizovan i ne zahteva ručno podešavanje ičega.

Da proverimo i granične slučajeve: /index /non/existent/path.

Zatim unesite komandu /search da vidimo da li može ispravno da pronađe relevantne fragmente koda.

/search Kako je implementiran ReAct ciklus Agenta direktno locira jezgro fragment koda u Agent.java, umesto da vam baci sve fajlove koji sadrže reč „Agent“.

To je vrednost hibridne pretrage — semantičko razumevanje zna da pitate za „implementaciju ReAct ciklusa“.

/graph Agent takođe ispravno prikazuje graf pozivnih relacija klasa vezanih za Agenta. Ova funkcija se oslanja na model pet relacija koji je ranije izgradio AST parser.

/plan Analiziraj kako je implementiran sistem memorije ovog projekta i koje ključne klase ima proverava da u Plan režimu Agent automatski poziva alat search_code za pretragu koda vezanog za memoriju, a zatim na osnovu rezultata pretrage daje analizu.

Nakon ovih nekoliko provera, u glavi mi je već jasno.

Nije to onaj demo kod koji „izgleda da radi ali ne izdrži igru“. Granični slučajevi su obrađeni, putanja greške ima rezervu, zavisnosti između modula su jasno razdvojene.

Preko 1400 redova jezgrenog koda, 69 testnih slučajeva, kompilacija prolazi, testiranje u praksi radi.

Ovakav kvalitet isporuke, stavljen u stvarni razvojni tim, takođe bi se smatrao ispravnim isporučenim Sprint-om.

ending

Nakon testa ova dva slučaja, dobio sam direktniji osećaj o sposobnostima domaćih velikih modela.

Ranije sam mislio da snagu modela možemo videti po benchmarku. Koliko na SWE-bench-u, koliko na HumanEval-u — brojke su tu.

Ali visok benchmark ne znači nužno i jaku sposobnost rada.

Kimi 2.6 ovog puta ne samo da ima visok benchmark, već u stvarnom radu pogađa pravu meru — efikasan je, a kvalitet isporuke je besprekoran.

Ako bih jednim izrazom morao da ih opišem, to bi bilo: pouzdano.

Nastavi da evoliraš — čekamo K3!

Vidimo se u sledećem.