агентный ии

Агентный ИИ (agentic AI) — парадигма искусственного интеллекта, при которой языковые модели действуют не просто как генераторы текста, а как автономные агенты: планируют многошаговые задачи, вызывают внешние инструменты, хранят контекст между шагами и адаптируют стратегию по результатам действий. Агент — это LLM, наделённый способностью действовать в мире.

Что отличает агента от обычного LLM

Классическое применение LLM — однократный запрос и ответ. Агент работает в цикле: воспринимает состояние среды → рассуждает → выбирает действие → наблюдает результат → рассуждает снова. Этот цикл повторяется до достижения цели. Ключевые компоненты агентной системы: языковая модель (ядро рассуждений), инструменты (web search, code interpreter, API), память (краткосрочная и долгосрочная), планировщик.

Архитектура агентов

ReAct (Reasoning + Acting)

Агент чередует шаги «Мысль» (chain-of-thought рассуждение) и «Действие» (вызов инструмента). Наблюдение от инструмента добавляется в контекст, и цикл продолжается. Простота и прозрачность делают ReAct стандартным паттерном.

Plan-and-Execute

Агент сначала строит полный план задачи (список шагов), затем выполняет его, обновляя при необходимости. Подходит для задач с чёткой структурой, где важна последовательность.

Multi-agent системы

Несколько специализированных агентов работают совместно: один исследует, второй пишет код, третий тестирует, четвёртый проверяет качество. Фреймворки: AutoGen (Microsoft), CrewAI, LangGraph. Ролевое разделение позволяет строить сложные производственные пайплайны.

Self-reflection и критик

Агент генерирует ответ, затем критикует его с точки зрения качества или соответствия требованиям, итерационно улучшая. REFLEXION — метод, при котором агент хранит «воспоминания» о прошлых ошибках и учитывает их в дальнейшем.

Инструменты агентов

Function calling (tool use) — стандартный интерфейс для вызова внешних функций из языковой модели. Модель возвращает структурированный JSON с именем функции и аргументами вместо текста. Типичный набор инструментов:

• Веб-поиск (Tavily, SerpAPI, Bing Search).
• Интерпретатор кода (Code Interpreter, E2B sandbox).
• Файловая система и базы данных.
• Внешние API (погода, финансы, CRM).
• Email, календарь, браузер.

Память агентов

Краткосрочная память — текущий контекстный буфер (размер контекстного окна). Долгосрочная — векторная база с прошлыми взаимодействиями, знаниями, выводами. Эпизодическая — конкретные прошлые события. Семантическая — структурированные факты о мире и пользователе. Управление памятью — один из ключевых вызовов агентных систем при длинных задачах.

Примеры применения

• Программирование: Devin (Cognition AI) — агент-разработчик, пишущий код по описанию задачи.
• Исследования: Deep Research от OpenAI — многоступенчатый поиск и синтез информации.
• Автоматизация бизнес-процессов: заполнение форм, обработка заявок, мониторинг данных.
• Поддержка клиентов: агенты с доступом к CRM, базе знаний и системам обработки заказов.

Вызовы и ограничения

Накопление ошибок: ошибка на раннем шаге распространяется и усиливается в последующих. Бесконечные циклы: агент может зациклиться на подзадаче. Непредсказуемость: сложно предсказать, какие действия предпримет агент в нестандартных ситуациях. Стоимость: длинные агентные цепочки потребляют много токенов и вызовов API. Безопасность: агент с доступом к реальным инструментам может причинить вред при prompt injection или ошибке.

Фреймворки для агентов

LangChain и LangGraph — наиболее популярные Python-фреймворки. LangGraph добавляет граф состояний для сложной агентной логики. AutoGen (Microsoft) специализируется на многоагентных диалогах. OpenAI Assistants API предоставляет встроенные инструменты (code interpreter, file search). Pydantic AI, ControlFlow — типобезопасные альтернативы для production.