AI-агенты

AI-агент — это следующий уровень после чат-ботов. Если бот просто отвечает на вопросы, то агент может самостоятельно планировать действия, использовать инструменты и выполнять сложные задачи.

Бот vs Агент

Компоненты AI-агента

1. LLM (мозг) — языковая модель для рассуждений 2. Tools (инструменты) — функции, которые агент может вызывать 3. Memory (память) — хранение контекста и истории 4. Planning (планировщик) — разбиение задачи на шаги 5. Executor — выполнение плана и обработка ошибок

Примеры AI-агентов

• Claude Code — пишет и редактирует код, работает с файлами • Devin — автономный программист от Cognition • AutoGPT — выполняет задачи без постоянного контроля • AI-ассистенты в IDE (Cursor, Windsurf) • Агенты для исследований (Perplexity, GPT Researcher)

Когда нужен агент, а когда бот

Бот подходит если: • Задача простая (Q&A, запись) • Нужен контроль над каждым ответом • Бюджет ограничен Агент нужен если: • Задача требует нескольких шагов • Нужен доступ к внешним системам • Задача не полностью определена заранее

Инструменты (tools) — это функции, которые агент может вызывать для выполнения задач. Без инструментов AI может только генерировать текст. С инструментами — искать информацию, писать код, отправлять запросы.

Типы инструментов

Как агент выбирает инструмент

В prompt агенту даётся список инструментов с описаниями: "Доступные инструменты: 1. web_search(query) — поиск в интернете 2. read_file(path) — чтение файла 3. execute_python(code) — выполнение Python кода Выбери подходящий инструмент для задачи." LLM анализирует задачу и возвращает JSON с выбором: {"tool": "web_search", "args": {"query": "курс доллара сегодня"}}

Function Calling в OpenAI/Claude

Современные модели имеют встроенную поддержку tool use: OpenAI: tools parameter в API запросе Claude: tool_use в messages Модель обучена правильно форматировать вызовы инструментов и обрабатывать результаты.

Безопасность инструментов

Риски: • Агент может удалить важные файлы • Выполнить опасный код • Отправить данные не туда Защита: • Sandbox для выполнения кода • Whitelist разрешённых операций • Confirmation для критичных действий • Ограничение доступа к файловой системе

Существует несколько архитектур построения агентов. Каждая имеет свои плюсы и минусы. Выбор зависит от типа задачи.

ReAct (Reasoning + Acting)

Паттерн ReAct — агент чередует размышления и действия: Thought: Мне нужно найти курс доллара Action: web_search("курс доллара ЦБ РФ сегодня") Observation: Курс доллара 89.5 рублей Thought: Теперь могу ответить пользователю Answer: Курс доллара на сегодня — 89.5 рублей по данным ЦБ РФ. Это самый популярный паттерн, реализован в LangChain и большинстве фреймворков.

Plan-and-Execute

Сначала агент создаёт план, потом выполняет: 1. Planner создаёт список шагов 2. Executor выполняет шаги последовательно 3. После каждого шага — проверка результата 4. Возможность пересмотреть план Подходит для сложных многошаговых задач.

Сравнение архитектур

Reflexion — обучение на ошибках

Агент с рефлексией: 1. Выполняет задачу 2. Оценивает результат 3. Если неудача — анализирует причину 4. Сохраняет урок в память 5. Пробует снова с новым знанием Это приближает агентов к человеческому обучению на опыте.

LangChain — самый популярный фреймворк для создания AI-агентов на Python. Он предоставляет готовые компоненты: модели, инструменты, память, цепочки.

Установка и настройка

pip install langchain langchain-openai langchain-community Базовая структура: from langchain_openai import ChatOpenAI from langchain.agents import create_react_agent, AgentExecutor from langchain import hub from langchain.tools import Tool llm = ChatOpenAI(model="gpt-4-turbo") prompt = hub.pull("hwchase17/react")

Создание инструментов

from langchain.tools import tool @tool def search_database(query: str) -> str: """Поиск информации в базе данных компании""" # Ваша логика поиска return f"Результат поиска: {query}" tools = [search_database]

Сборка агента

agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor( agent=agent, tools=tools, verbose=True, # Показывать процесс мышления max_iterations=10, # Лимит шагов handle_parsing_errors=True ) result = agent_executor.invoke({ "input": "Найди информацию о последних заказах" })

Добавление памяти

from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory( memory_key="chat_history", return_messages=True ) agent_executor = AgentExecutor( agent=agent, tools=tools, memory=memory, verbose=True ) # Агент помнит предыдущие сообщения

Мультиагентные системы — это несколько AI-агентов, работающих вместе. Каждый агент специализируется на своей задаче: один исследует, другой пишет, третий проверяет.

Когда нужна команда агентов

• Задача требует разных навыков • Нужна система проверок (reviewer) • Разные части задачи независимы • Один агент не справляется с объёмом Пример: Исследователь находит информацию → Писатель создаёт контент → Редактор проверяет качество

CrewAI: создание команды

pip install crewai from crewai import Agent, Task, Crew researcher = Agent( role="Исследователь", goal="Найти актуальную информацию по теме", backstory="Опытный аналитик с навыками поиска", llm=llm ) writer = Agent( role="Копирайтер", goal="Написать engaging контент", backstory="Профессиональный автор статей", llm=llm )

Определение задач

research_task = Task( description="Исследуй тренды AI в 2025 году", agent=researcher, expected_output="Список из 5 ключевых трендов с описанием" ) write_task = Task( description="Напиши статью на основе исследования", agent=writer, context=[research_task], # Зависит от research_task expected_output="Статья 1000+ слов" )

Запуск команды

crew = Crew( agents=[researcher, writer], tasks=[research_task, write_task], verbose=True ) result = crew.kickoff() print(result)

Паттерны взаимодействия

Агент в production — это не то же самое что агент в Jupyter notebook. Нужны логирование, мониторинг, graceful degradation, контроль расходов.

Архитектура production агента

1. API Gateway — принимает запросы 2. Queue — буферизация задач 3. Worker — выполняет агентов 4. LLM Router — выбор модели по задаче 5. Tool Registry — управление инструментами 6. Memory Store — Redis/PostgreSQL 7. Monitoring — логи, метрики, алерты

Оптимизация расходов

Обработка ошибок

Типы ошибок и решения: • Rate limit → Retry с exponential backoff • Timeout → Fallback на быструю модель • Parse error → Повторный запрос с уточнением • Tool failure → Graceful degradation • Infinite loop → max_iterations + timeout Всегда имейте fallback: если агент не справился — передать человеку.

Мониторинг

Ключевые метрики: • Success rate — % успешных выполнений • Latency — время от запроса до ответа • Token usage — расход токенов • Tool calls — какие инструменты используются • User satisfaction — оценки пользователей Инструменты: LangSmith, Langfuse, custom dashboards.

Human-in-the-loop

Для критичных операций добавляйте подтверждение: 1. Агент предлагает действие 2. Система запрашивает подтверждение у человека 3. Человек одобряет или корректирует 4. Агент выполняет Это особенно важно для: финансовых операций, удаления данных, внешних коммуникаций.