Блог / Журнал лаборатории
ИИ-агенты:
устройство и практика.
Полезные статьи и разборы инструментов для того, чтобы лучше понять теорию и практику построения ИИ-Агентов.
Зачем нужен Google Agent Platform: агентный слой как отдельный пакет
Отделить средства работы с агентами от общего SDK платформы и обновлять их по своему расписанию.
Зачем нужен OpenAI Agents SDK: подтверждения на проверенных аргументах
Согласовывать действие ровно в том виде, в котором оно будет выполнено, и не терять причину отказа при возобновлении.
Чему учит случай Hugging Face: изоляция агентов и ответственность
Разбор инцидента с агентами в изолированных средах: границы проверяют по цели, а не по намерению.
Зачем нужен CodeMender: пределы на вывод инструментов агента
Ограничить объём данных от инструментов, чтобы ответ оставался предсказуемым, а контекст не переполнялся.
Зачем нужен Claude Code: предсказуемое завершение и учёт работы агента
Ограничить время ожидания ответа, сохранять расход по сессии и закрыть обходные пути изоляции.
Зачем нужен Pydantic AI: понятная структура ИИ-агента
Связать модель, инструменты и требования к результату в одном приложении на Python.
Зачем нужен smolagents: выбор действий в небольшой агентной системе
Исследовать агентный цикл и понять, где модели полезно выбирать следующий шаг.
Зачем нужен pgvector: векторный поиск в PostgreSQL
Находить смысловые соответствия в документах, сохраняя данные в PostgreSQL.
Зачем нужен LlamaIndex: связать ИИ-агента с документами
Организовать получение сведений, поиск оснований и подготовку ответа по документам.
Зачем нужен Qdrant: управляемый поиск по смыслу и условиям
Сочетать смысловую близость с ограничениями по источникам и требованиям задачи.
Зачем нужен Mem0: память агента между обращениями
Сохранять значимые сведения и возвращать их в работу без передачи всей переписки.
Зачем нужен LangChain: связать модель с инструментами
Организовать цикл выбора инструмента, выполнения операции и возврата результата модели.
Зачем нужен Instructor: получать от модели проверяемые поля
Преобразовать свободный ответ в данные с понятной структурой и правилами проверки.
Зачем нужен MCP: общий способ подключения инструментов к агенту
Согласовать взаимодействие приложения с инструментами и ресурсами разных систем.
Зачем нужны Agent Skills: передавать агенту рабочие правила
Подключать знания о порядке работы по необходимости, сохраняя их в отдельных пакетах.
Зачем нужен n8n: соединить агента с рабочими системами
Организовать события, обращения к сервисам и передачу данных в видимом рабочем процессе.
Зачем нужен LangGraph: управлять состоянием и переходами агента
Организовать длительную работу, развилки и остановки для решения человека.
Зачем нужен Ragas: оценивать качество ответов и поиска
Сравнивать изменения системы по определённым критериям, а не по впечатлению от одного ответа.
Зачем нужен NeMo Guardrails: контролировать поведение ИИ-приложения
Выделить проверки запросов и ответов в отдельную часть системы.
Зачем нужен MLflow: видеть, как агент получил результат
Связать обращения к модели, поиск и инструменты в историю выполнения задачи.
Зачем нужен Temporal: продолжать работу агента после прерывания
Сохранять ход длительной задачи и управлять продолжением после сбоев и ожидания.
Зачем нужен PEFT: адаптировать поведение модели с помощью LoRA
Менять ограниченную часть параметров, когда задачу не решают запрос и доступ к документам.
Зачем нужен vLLM: обслуживать обращения к языковой модели
Организовать выполнение модели, когда важны нагрузка, ожидание и использование ресурсов.
Зачем нужен Microsoft Agent Framework: согласовать несколько ролей
Организовать взаимодействие агентов, когда обязанности действительно нужно разделить.
Зачем нужен LiveKit Agents: управление агентом голосом
Связать звук, очередность реплик и действия агента в одном голосовом взаимодействии.