# AI агенты: полный гайд — что это, как создать, где использовать > Исчерпывающее руководство по AI агентам: архитектура, фреймворки (LangGraph, CrewAI, OpenAI Agents SDK, Google ADK, Pydantic AI, MCP), практические use cases и пошаговый туториал. > Author: Roman Belov · Published: 2026-06-25 · Source: https://futurecraft.pro/ru/blog/ai-agents-complete-guide/ AI агент — программа, в которой LLM управляет циклом выполнения. Получает задачу, декомпозирует на шаги, вызывает инструменты, анализирует результаты, решает что делать дальше. Генерирует текст — и сразу действует. Эта статья — полный обзор: от базовой архитектуры до рабочего кода. Что под капотом, какие фреймворки выбрать, где применять, какие проблемы решать. ## Что такое AI агенты ### Агент vs чат-бот Чат-бот — это LLM с интерфейсом. Пользователь задаёт вопрос, модель генерирует ответ. Один вход, один выход. Никаких действий за пределами текста. Агент — это LLM с инструментами и циклом принятия решений. Разница фундаментальная: | Характеристика | Чат-бот | AI агент | |---|---|---| | Модель взаимодействия | Вопрос → ответ | Задача → цепочка действий → результат | | Инструменты | Нет (или минимально) | API, файловая система, БД, браузер | | Автономность | Ноль — ждёт ввода | Работает самостоятельно до результата | | Цикл | Однократный | Итеративный: думаю → действую → наблюдаю | | Память | Только текущий диалог | Short-term + long-term между сессиями | Пример: попросите ChatGPT «найти баг в коде» — получите текстовый разбор. Попросите [Claude Code](/ru/blog/claude-code-complete-guide/) — он прочитает файлы проекта, найдёт проблему, исправит код, запустит тесты, сделает коммит. Это агент. ### Три компонента агента Каждый AI агент строится на трёх основах: **1. Reasoning (мышление)** — способность LLM декомпозировать задачу на шаги, планировать последовательность действий, оценивать промежуточные результаты. «Мозг» агента. Слабая модель застревает уже на декомпозиции. Сильная разложит задачу на атомарные шаги и выберет оптимальный путь. **2. Tool use (инструменты)** — функции, которые агент вызывает для взаимодействия с внешним миром. Чтение файлов, HTTP-запросы, работа с базой данных, выполнение shell-команд. Без инструментов LLM остаётся генератором текста. **3. Memory (память)** — хранение контекста. Short-term memory — текущий разговор и промежуточные результаты. Long-term memory — знания между сессиями: что агент узнал раньше, какие решения принял, какие ошибки допустил. ### Примеры агентов в продакшене **Claude Code** — агент для разработки. Работает в терминале, видит весь проект: файлы, зависимости, конфигурации. Получает задачу типа «добавь авторизацию через OAuth» и автономно находит нужные файлы, пишет код, запускает тесты, фиксит ошибки, делает коммит. **Devin (Cognition)** — автономный software engineer. Работает в изолированной среде с IDE, терминалом и браузером. Может часами решать задачу без участия человека: исследовать codebase, писать код, деплоить. **Cursor Agent Mode** — агентный режим в IDE. Анализирует кодовую базу, планирует изменения, редактирует несколько файлов параллельно, запускает команды. **OpenAI Operator** — агент с computer use. Управляет браузером: заполняет формы, навигирует по сайтам, выполняет задачи в веб-интерфейсах. ## Типы AI агентов ### ReAct (Reasoning + Acting) Базовый паттерн. Агент чередует три фазы в цикле: 1. **Thought** — размышление о текущем состоянии и следующем шаге 2. **Action** — вызов инструмента 3. **Observation** — анализ результата ``` Thought: Нужно найти файл с конфигурацией базы данных Action: search_files("database config") Observation: Найден файл config/database.yml Thought: Прочитаю конфигурацию, чтобы понять текущие настройки Action: read_file("config/database.yml") Observation: PostgreSQL, host: localhost, port: 5432 Thought: Нужно изменить хост на production-адрес Action: edit_file("config/database.yml", ...) Observation: Файл успешно обновлён ``` ReAct работает как внутренний монолог разработчика: обдумал — сделал — проверил — обдумал следующий шаг. ### Tool-use agents Специализируются на вызове внешних API и функций. LLM определяет, какой инструмент вызвать и с какими параметрами. Фокус — на правильном маршрутизировании запросов, а не на длинных цепочках рассуждений. Типичный сценарий: агент получает «забронируй рейс Москва — Бали на 15 апреля» и раскладывает это в цепочку вызовов: поиск рейсов API → фильтрация → оплата API → отправка подтверждения. ### Multi-agent systems Несколько агентов с разными ролями, работающих над общей задачей в рамках единой [мультиагентной архитектуры](/ru/blog/multi-agent-architecture/). Каждый агент — специалист в своей области: - **Architect agent** — проектирует решение - **Coder agent** — пишет код - **Reviewer agent** — проверяет код - **Tester agent** — запускает и анализирует тесты Агенты общаются, передают артефакты, координируют работу. Хорошо масштабируется на сложные задачи, где один агент не справляется. ### Autonomous agents Работают без участия человека в течение длительного времени. Получают высокоуровневую цель и самостоятельно планируют, выполняют, корректируют курс. Примеры: мониторинг инфраструктуры (обнаружил аномалию → диагностировал → исправил → отчитался), непрерывный сбор данных с адаптацией стратегии поиска. Самый сложный класс агентов. Без надёжных guardrails поведение выходит из-под контроля. ### Coding agents Специализированный класс агентов для разработки ПО. Понимают код на уровне AST, работают с файловой системой, git, пакетными менеджерами, CI/CD. | Агент | Тип | Особенности | |---|---|---| | Claude Code | CLI-агент | Полный доступ к файлам, shell, MCP. Агентный цикл с верификацией | | Cursor | IDE-агент | Встроен в VS Code fork. Agent mode + tab-completion | | Devin | Автономный | Изолированная среда. Часы работы без участия человека | | Codex (OpenAI) | Cloud-агент | Sandboxed execution. Оптимизирован для PR и задач из трекера | | Windsurf | IDE-агент | Cascade flows. Контекстно-зависимые действия | ## Архитектура агента ### Общая схема ``` ┌─────────────────────────────────────────────────┐ │ USER INPUT │ │ "Проанализируй логи за неделю" │ └──────────────────────┬──────────────────────────┘ ▼ ┌─────────────────────────────────────────────────┐ │ SYSTEM PROMPT │ │ Роль, ограничения, формат ответа, инструкции │ └──────────────────────┬──────────────────────────┘ ▼ ┌─────────────────────────────────────────────────┐ │ LLM ("мозг") │ │ Claude Opus 4.8 / Sonnet 4.6 / GPT-5.5 / Gemini 3.1 Pro │ │ │ │ ┌───────────┐ ┌──────────┐ ┌──────────────┐ │ │ │ Reasoning │ │ Planning │ │ Tool Select │ │ │ └───────────┘ └──────────┘ └──────────────┘ │ └──────────────────────┬──────────────────────────┘ ▼ ┌────────────────────────┐ │ OBSERVATION LOOP │ │ │ │ Think → Act → Observe │ │ ↺ repeat │ └───────────┬────────────┘ ▼ ┌─────────────────────────────────────────────────┐ │ TOOLS │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────────────┐│ │ │File I/O │ │ HTTP/API │ │ Database query ││ │ └──────────┘ └──────────┘ └──────────────────┘│ │ ┌──────────┐ ┌──────────┐ ┌──────────────────┐│ │ │ Shell │ │ Browser │ │ MCP servers ││ │ └──────────┘ └──────────┘ └──────────────────┘│ └─────────────────────────────────────────────────┘ ▼ ┌─────────────────────────────────────────────────┐ │ MEMORY │ │ │ │ Short-term: контекстное окно (текущая сессия) │ │ Long-term: файлы, БД, vector store │ └─────────────────────────────────────────────────┘ ``` ### LLM как «мозг» Выбор модели задаёт потолок агента. Сложные задачи — архитектурные решения, многошаговый дебаг, рефакторинг — требуют сильных моделей: Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro. Простые задачи — поиск, форматирование, рутина — решают модели класса Claude Sonnet 4.6 или GPT-5.5 Instant. Практический подход — иерархия моделей: - **Orchestrator** (Opus 4.8 / GPT-5.5) — планирование, декомпозиция, финальная сборка - **Worker** (Sonnet 4.6 / GPT-5.5 Instant) — выполнение подзадач, поиск, трансформации данных Стоимость падает в 3-5 раз без потери качества на верхнем уровне. ### System prompt Определяет поведение агента: роль, ограничения, формат вывода, доступные инструменты. System prompt — «должностная инструкция» агента. ```python SYSTEM_PROMPT = """ Ты — DevOps-агент. Твоя задача — мониторинг и обслуживание инфраструктуры. Правила: - Никогда не удаляй production-данные без подтверждения - Логируй каждое действие - При ошибке — три попытки, потом эскалация Доступные инструменты: - check_service_status(service_name) - restart_service(service_name) - read_logs(service_name, lines=100) - send_alert(channel, message) """ ``` Расплывчатые инструкции дают непредсказуемое поведение. Конкретные ограничения — контролируемый результат. ### Tools — инструменты агента Инструменты — функции, которые агент вызывает. Каждый описывается JSON-схемой: название, описание, параметры, тип возвращаемого значения. ```python tools = [ { "name": "search_database", "description": "Поиск записей в PostgreSQL по SQL-запросу", "parameters": { "type": "object", "properties": { "query": { "type": "string", "description": "SQL SELECT запрос" } }, "required": ["query"] } }, { "name": "send_email", "description": "Отправка email через SMTP", "parameters": { "type": "object", "properties": { "to": {"type": "string"}, "subject": {"type": "string"}, "body": {"type": "string"} }, "required": ["to", "subject", "body"] } } ] ``` LLM читает описания инструментов и решает, какой вызвать. Точные описания здесь критичны: расплывчатое описание — и модель вызовет не тот инструмент или передаст некорректные параметры. ### Memory — кратковременная и долговременная **Short-term memory** — контекстное окно текущей сессии. Промежуточные результаты, вызовы инструментов, рассуждения агента. Ограничение — размер контекста модели (100K–1M токенов). При достижении лимита — суммаризация или отсечение ранних сообщений. **Long-term memory** — данные между сессиями. Реализации: - Файловая система (CLAUDE.md, memory-файлы) - Vector store (embeddings в Pinecone, Qdrant, pgvector) - Structured storage (SQLite, PostgreSQL) Пример: Claude Code сохраняет memory-файлы в `~/.claude/projects/`. При следующей сессии агент «помнит» решения, ошибки и контекст проекта. ### Observation loop Ядро агента — цикл «думаю → действую → наблюдаю → повторяю»: ```python while not task_completed: # 1. Think — LLM анализирует текущее состояние thought = llm.think(context, task, observations) # 2. Act — LLM выбирает и вызывает инструмент action = llm.select_tool(thought, available_tools) result = execute_tool(action) # 3. Observe — LLM анализирует результат observations.append(result) # 4. Decide — продолжить или завершить task_completed = llm.evaluate(observations, task) ``` Цикл идёт, пока агент не решит, что задача выполнена, или не достигнет лимита итераций. Лимит критически важен — без него агент зациклится. ## Фреймворки для создания агентов ### Claude Agent SDK (Anthropic) Официальный SDK от Anthropic. Тот же агентный цикл, инструменты и управление контекстом, что лежат в основе Claude Code. **Установка:** ```bash # Python pip install claude-agent-sdk # TypeScript npm install @anthropic-ai/claude-agent-sdk ``` **Ключевые возможности:** - Встроенные инструменты: Read, Write, Edit, Bash, Glob, Grep, WebSearch - [MCP-серверы как кастомные инструменты](/ru/blog/mcp-production-custom-servers/) - Streaming вывода через async итератор - Управление разрешениями (`permission_mode`) - Кастомные system prompt и hooks **Пример:** ```python import asyncio from claude_agent_sdk import query, ClaudeAgentOptions, AssistantMessage, TextBlock async def main(): async for message in query( prompt="Найди все TODO в проекте и создай issues в GitHub", options=ClaudeAgentOptions( system_prompt="Ты — project manager agent", allowed_tools=["Read", "Glob", "Grep", "Bash"], model="claude-sonnet-4-6" ), ): if isinstance(message, AssistantMessage): for block in message.content: if isinstance(block, TextBlock): print(block.text) asyncio.run(main()) ``` **Когда выбирать:** надёжный агент с доступом к файловой системе и shell. Лучший выбор для coding agents и DevOps-автоматизации. ### LangGraph (LangChain) Фреймворк для построения агентов как направленных графов с состоянием. Каждый узел графа — шаг обработки, рёбра — условные переходы. **Ключевая идея:** агент — граф, где состояние явно описано и передаётся между узлами. Полный контроль над потоком выполнения, checkpoints, human-in-the-loop. ```python from langgraph.graph import StateGraph, MessagesState from langgraph.prebuilt import ToolNode from langchain_anthropic import ChatAnthropic from langchain_core.tools import tool @tool def search_web(query: str) -> str: """Поиск информации в интернете.""" return f"Результаты поиска по запросу: {query}" tools = [search_web] tool_node = ToolNode(tools) model = ChatAnthropic(model="claude-sonnet-4-6").bind_tools(tools) def analyst(state: MessagesState): response = model.invoke(state["messages"]) return {"messages": [response]} def should_continue(state: MessagesState): last = state["messages"][-1] if last.tool_calls: return "tools" return "end" graph = StateGraph(MessagesState) graph.add_node("analyst", analyst) graph.add_node("tools", tool_node) graph.add_edge("__start__", "analyst") graph.add_conditional_edges("analyst", should_continue) graph.add_edge("tools", "analyst") app = graph.compile() ``` **Когда выбирать:** сложные workflow с ветвлениями, checkpoints, human-in-the-loop. Production-системы, где нужен явный контроль над состоянием. ### CrewAI Фреймворк для мультиагентных систем с ролевой моделью. Каждый агент — специалист с определённой ролью, целью и набором инструментов. ```python from crewai import Agent, Task, Crew researcher = Agent( role="Senior Research Analyst", goal="Найти актуальные данные о рынке AI агентов", backstory="Ты — аналитик с 10-летним опытом в AI-индустрии", tools=[search_tool, scrape_tool], llm="claude-sonnet-4-6" ) writer = Agent( role="Technical Writer", goal="Написать аналитический отчёт на основе данных", backstory="Ты — технический автор, специализирующийся на AI", llm="claude-sonnet-4-6" ) research_task = Task( description="Исследуй рынок AI агентов: ключевые игроки, тренды, размер рынка", agent=researcher, expected_output="Структурированный отчёт с цифрами" ) writing_task = Task( description="Напиши аналитический отчёт на основе исследования", agent=writer, expected_output="Готовый отчёт в markdown", context=[research_task] ) crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True ) result = crew.kickoff() ``` **Когда выбирать:** задачи, которые декомпозируются на роли. Быстрое прототипирование мультиагентных систем. Самый низкий порог входа — 20 строк для рабочего агента. ### Microsoft Agent Framework (Microsoft) Официальный production-фреймворк Microsoft для агентов, достигший версии 1.0 в апреле 2026. Объединяет концепции AutoGen и Semantic Kernel в единый стек с поддержкой .NET и Python. Ключевые концепции: **Agent Harness** — пакетирует вызов функций, персистентность истории, планирование и поиск в один вызов; **CodeAct** — вместо выбора инструмента модель пишет короткую Python-программу, запускает её в sandbox и получает результат. Глубокая интеграция с Azure AI Foundry: hosted agents, managed session state, observability, автоскейлинг. **Важно:** AutoGen переведён в maintenance mode — для новых проектов на стеке Microsoft используйте Agent Framework. **Когда выбирать:** Azure-ориентированные системы, enterprise .NET/Python, multi-agent workflows с управляемым деплоем. ### OpenAI Agents SDK Официальный SDK от OpenAI для построения агентов. Ключевые концепции: **Agent** — LLM с инструкциями, набором инструментов и моделью; **handoffs** — передача управления между агентами (паттерн оркестратор → специалист); **guardrails** — встроенные проверки на входе и выходе. Нативная поддержка OpenAI Responses API и sandboxed code execution. ```python from agents import Agent, Runner agent = Agent( name="Analyst", instructions="Ты — аналитик данных. Отвечай чётко и структурированно.", model="gpt-5.5", ) result = Runner.run_sync(agent, "Проанализируй топ-5 трендов AI-агентов в 2026") print(result.final_output) ``` **Когда выбирать:** OpenAI-ориентированные системы, быстрый старт с handoffs между специализированными агентами, проекты где нужны встроенные guardrails и sandboxed execution. ### smolagents (Hugging Face) Минималистичный фреймворк. ~1000 строк основного кода. Агенты пишут и выполняют Python-код вместо JSON-описаний действий. ```python from smolagents import CodeAgent, tool, LiteLLMModel model = LiteLLMModel(model_id="anthropic/claude-sonnet-4-6") @tool def get_weather(city: str) -> str: """Получает текущую погоду в указанном городе.""" # Реализация запроса к weather API return f"В {city} сейчас +22°C, солнечно" agent = CodeAgent( tools=[get_weather], model=model ) result = agent.run("Какая погода в Москве и Токио?") ``` **Преимущества:** code agents на 30% эффективнее JSON-based tool calling — меньше шагов, меньше вызовов LLM. Плотная интеграция с Hugging Face Hub: инструменты импортируются прямо из сообщества. **Когда выбирать:** простые агенты, эксперименты, обучение. Когда нужен минимум абстракций. ### Pydantic AI Python-first production-фреймворк от команды Pydantic, в июне 2026 достигший версии 2.0. Центральная идея — **capability** как примитив: одна компосируемая единица, объединяющая инструменты, хуки, инструкции и настройки модели агента. Полная безопасность типов (Pydantic-схемы), структурированные output-контракты, dependency injection, нативная интеграция с Logfire/OpenTelemetry, поддержка MCP и durable execution. ```python from pydantic_ai import Agent agent = Agent( model="anthropic:claude-sonnet-4-6", system_prompt="Ты — аналитик данных. Отвечай структурированно.", ) result = agent.run_sync("Какой тренд у метрики конверсии за последний квартал?") print(result.data) ``` **Когда выбирать:** typed Python-бэкенды, строгие output-контракты, проекты где тестируемость и type safety приоритетнее гибкости. ### Google ADK (Agent Development Kit) Open-source toolkit от Google, версия 2.0 (GA с мая 2026). Многоязычный (Python, Java), граф-ориентированный runtime с поддержкой multi-agent, A2A и MCP. Ключевые возможности: **Workflow Runtime** — граф-движок с роутингом, fan-out/fan-in, retry, human-in-the-loop; **Task API** — структурированная агент-агентная делегация с контролем вывода. **Когда выбирать:** Google Cloud/Vertex AI, production-системы с A2A, мультиязычные мультиагентные стеки. ### MCP (Model Context Protocol) MCP — не фреймворк для агентов, а протокол интеграции инструментов. Стандарт от Anthropic: как LLM-приложение взаимодействует с внешними данными и функциями. 97 млн установок в месяц, поддержка от OpenAI, Google, Microsoft, AWS и сотен других поставщиков. С декабря 2025 протокол под управлением Agentic AI Foundation (AAIF) — нейтрального фонда под эгидой Linux Foundation, сооснованного Anthropic, Block и OpenAI. Де-факто — USB-C для AI-инструментов. **Архитектура:** ``` ┌──────────────┐ ┌───────────────┐ ┌──────────────┐ │ LLM App │────▶│ MCP Client │────▶│ MCP Server │ │ (агент) │◀────│ │◀────│ (GitHub, │ │ │ │ │ │ Slack, DB) │ └──────────────┘ └───────────────┘ └──────────────┘ ``` MCP-сервер предоставляет инструменты (tools), ресурсы (resources) и промпты (prompts). Агент подключает нужные серверы и получает доступ к их возможностям. **Пример конфигурации:** ```json { "mcpServers": { "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_TOKEN": "${GITHUB_TOKEN}" } }, "postgres": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-postgres"], "env": { "DATABASE_URL": "${DATABASE_URL}" } } } } ``` Один протокол — любые инструменты: GitHub, Slack, Notion, PostgreSQL, Stripe и десятки других. ### Сравнение фреймворков | Фреймворк | Подход | Сложность | Production-ready | Лучший use case | |---|---|---|---|---| | Claude Agent SDK | Agent loop + tools | Низкая | Да | Coding agents, DevOps | | LangGraph 1.x | Stateful graphs | Средняя | Да | Сложные workflow, durable execution | | OpenAI Agents SDK | Agents + handoffs + sandbox | Низкая | Да | OpenAI-centric агенты, sandbox | | CrewAI 1.x | Role-based teams + Flows | Низкая | Да | Мультиагентные бизнес-автоматизации | | Pydantic AI 2.0 | Typed agent + capabilities | Средняя | Да | Python backends, строгие контракты | | Google ADK 2.x | Graph workflows + A2A | Средняя | Да | Google Cloud, мультиязычный стек | | Microsoft Agent Framework 1.0 | Harness + CodeAct | Средняя | Да | Azure, .NET/Python enterprise | | smolagents | Code agents | Низкая | Средне | Прототипы, обучение | | MCP | Protocol (tools) | Низкая | Да | Интеграция инструментов | ## Практические use cases ### Coding agents — автоматизация разработки Coding agents — самый зрелый класс AI агентов. Claude Code, Cursor, Devin, Codex — все работают в production. **Типичные задачи:** - Имплементация фич по описанию в задаче (Jira, Linear, GitHub Issue) - Поиск и исправление багов с запуском тестов - Рефакторинг с сохранением обратной совместимости - Генерация тестов на существующий код - Code review с автоматическим исправлением замечаний - Миграции: обновление зависимостей, изменение API **ROI:** разработчик с coding agent выполняет задачи в 2-5 раз быстрее. Основной выигрыш — на рутине: бойлерплейт, тесты, миграции, документация. ### Customer support — автоответы с базой знаний Агент с доступом к базе знаний, CRM и истории обращений. Ищет по контексту, а не по ключевым словам — находит релевантные статьи, формулирует ответ. **Архитектура:** ``` Клиент → Агент → [KB search, CRM lookup, Order status] → Ответ → Эскалация на человека (если уверенность < threshold) ``` **Ключевые метрики:** - Resolution rate: 40-70% обращений без участия человека - First response time: секунды вместо минут - CSAT: сопоставим с человеком при правильном покрытии базы знаний ### Data analysis — аналитика и отчёты Агент подключается к базе данных, пишет SQL-запросы, анализирует результаты, строит визуализации и формулирует выводы. ```python # Пример задачи для аналитического агента: # "Проанализируй конверсию воронки за март, сравни с февралём, # найди узкие места и предложи гипотезы для A/B тестов" # Агент выполнит: # 1. SQL: SELECT step, count(*) FROM funnel WHERE month = '2026-03' GROUP BY step # 2. SQL: то же для февраля # 3. Расчёт конверсии на каждом шаге # 4. Сравнительный анализ # 5. Генерация гипотез на основе данных # 6. Формирование отчёта с графиками ``` ### DevOps — мониторинг, алерты, автофикс Агент мониторит инфраструктуру, реагирует на алерты, выполняет диагностику и автоматическое восстановление. **Сценарий:** 1. Prometheus alert: высокая latency на API 2. Агент проверяет метрики сервиса 3. Анализирует логи — находит OOM в одном из подов 4. Проверяет текущие лимиты ресурсов 5. Увеличивает memory limit и перезапускает под 6. Верифицирует: latency вернулась в норму 7. Отправляет отчёт в Slack с root cause и действиями ### Research — сбор и синтез информации Агент собирает данные из множества источников, фильтрует, структурирует и синтезирует в отчёт. **Примеры:** - Competitive intelligence: мониторинг продуктов конкурентов, ценовых изменений, новых фич - Market research: сбор данных из отчётов, новостей, соцсетей - Academic research: поиск по arxiv, PubMed, анализ и суммаризация papers - Due diligence: проверка компаний перед инвестициями ### Sales — квалификация лидов и outreach Агент разбирает входящие лиды, обогащает данные из открытых источников, квалифицирует по ICP (Ideal Customer Profile) и пишет персонализированные сообщения. **Пайплайн:** ``` Новый лид → Обогащение (LinkedIn, CrunchBase, сайт компании) → Скоринг по ICP → Персонализированный email/сообщение → Автоматический follow-up через N дней → Эскалация на менеджера при ответе ``` ## Как создать простого агента ### Агент на Claude Agent SDK Рабочий агент за 20 строк — анализирует проект и генерирует отчёт: ```python import asyncio from claude_agent_sdk import query, ClaudeAgentOptions, AssistantMessage, TextBlock async def analyze_project(path: str): results = [] async for message in query( prompt=f"""Проанализируй проект в {path}: 1. Определи стек технологий 2. Найди потенциальные проблемы безопасности 3. Оцени качество кода 4. Предложи улучшения Сформируй структурированный отчёт.""", options=ClaudeAgentOptions( allowed_tools=["Read", "Glob", "Grep"], model="claude-sonnet-4-6", ), ): if isinstance(message, AssistantMessage): for block in message.content: if isinstance(block, TextBlock): results.append(block.text) return "\n".join(results) report = asyncio.run(analyze_project("/path/to/project")) print(report) ``` SDK берёт на себя всё: агентный цикл, вызовы инструментов, контекст, retries. Разработчик описывает задачу — SDK выполняет. ### Агент с MCP-инструментами Агент с подключением к GitHub через MCP: ```python import asyncio from claude_agent_sdk import query, ClaudeAgentOptions, AssistantMessage, TextBlock MCP_CONFIG = { "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": {"GITHUB_TOKEN": "ghp_..."} } } async def triage_issues(): async for message in query( prompt="""Проверь открытые issues в репозитории owner/repo: 1. Прочитай каждый issue 2. Определи приоритет (critical/high/medium/low) 3. Добавь лейблы 4. Назначь на подходящего разработчика на основе истории коммитов""", options=ClaudeAgentOptions( allowed_tools=["Read", "Bash", "mcp__github__*"], mcp_servers=MCP_CONFIG, model="claude-sonnet-4-6" ), ): if isinstance(message, AssistantMessage): for block in message.content: if isinstance(block, TextBlock): print(block.text) asyncio.run(triage_issues()) ``` Агент использует GitHub MCP-сервер для чтения issues, добавления лейблов и назначения разработчиков. Сервер можно заменить без изменения кода агента — протокол единый. ### Мультиагентная система на CrewAI Команда агентов для подготовки технического отчёта: ```python from crewai import Agent, Task, Crew from crewai_tools import SerperDevTool search = SerperDevTool() analyst = Agent( role="Data Analyst", goal="Собрать и проанализировать данные", tools=[search], llm="claude-sonnet-4-6", verbose=True ) writer = Agent( role="Report Writer", goal="Написать чёткий технический отчёт", llm="claude-sonnet-4-6", verbose=True ) analysis = Task( description="Исследуй текущее состояние рынка AI агентов: " "размер, рост, ключевые игроки, тренды", agent=analyst, expected_output="Структурированные данные с источниками" ) report = Task( description="Создай отчёт на основе анализа: " "executive summary, ключевые findings, рекомендации", agent=writer, expected_output="Готовый отчёт в markdown", context=[analysis] ) crew = Crew(agents=[analyst, writer], tasks=[analysis, report]) result = crew.kickoff() print(result) ``` ## Проблемы и ограничения ### Галлюцинации Агент может «придумывать» факты, несуществующие API, некорректные команды. У чат-бота галлюцинация выражается в неверном тексте. У агента — в вызове несуществующей функции, некорректной команде или ложных данных в базе. **Митигация:** - Ограничение набора инструментов (whitelist, не blacklist) - Валидация выходных данных перед выполнением - Human-in-the-loop для критичных операций - Grounding: подключение RAG для фактчекинга ### Стоимость Агентный цикл — десятки вызовов LLM на одну задачу. Каждая итерация think → act → observe — это входные и выходные токены. Сложная задача: 20–50 итераций. **Примерные затраты (Claude Sonnet 4.6, $3/$15 за 1M токенов):** | Задача | Итерации | Токены | Стоимость | |---|---|---|---| | Простой поиск по файлам | 3-5 | ~10K | ~$0.05 | | Исправление бага | 10-15 | ~50K | ~$0.23 | | Имплементация фичи | 20-40 | ~200K | ~$1-3 | | Рефакторинг модуля | 30-60 | ~500K | ~$3-8 | **Оптимизация:** - Иерархия моделей: Opus 4.8 / GPT-5.5 для orchestrator, Sonnet 4.6 / GPT-5.5 Instant для workers - Кэширование промежуточных результатов - Prompt caching (Anthropic API поддерживает нативно) - Ранняя остановка при достижении цели ### Надёжность Агент не всегда даёт стабильный результат. Одна и та же задача при повторном запуске может решиться за 5 шагов или за 50. Или не решиться вовсе. **Причины:** - Температура модели → разные пути решения - Зависимость от порядка наблюдений - Деградация reasoning на длинных контекстах **Митигация:** - Чёткие system prompts с ограничениями - Лимиты на количество итераций - Retry с экспоненциальным backoff - Fallback на человека после N неудач ### Безопасность Агент с доступом к инструментам — вектор атаки. Prompt injection может заставить агента выполнить произвольную команду. Агент с доступом к shell — высокий риск. **Принципы защиты:** - **Least privilege** — минимальные права для каждой задачи - **Sandboxing** — изолированная среда выполнения (контейнеры, VM) - **Confirmation** — критичные действия требуют подтверждения - **Audit log** — логирование каждого действия - **Input validation** — валидация пользовательского ввода перед передачей агенту ```python # Пример: ограничение инструментов options = ClaudeAgentOptions( allowed_tools=["Read", "Glob", "Grep"], # только чтение # НЕ включаем: "Bash", "Write", "Edit" — агент не может модифицировать permission_mode="default" # каждое действие требует подтверждения ) ``` ### Оценка качества Как измерить, что агент работает хорошо? Стандартных метрик нет, поэтому [тестирование и оценка AI-агентов](/ru/blog/ai-agent-testing-evaluation/) выделились в отдельную дисциплину. Каждая задача уникальна, результаты субъективны. **Подходы:** - **Task completion rate** — процент задач, решённых без вмешательства человека - **Steps to completion** — количество шагов до решения (меньше — лучше) - **Cost per task** — стоимость решения задачи - **Regression testing** — фиксированный набор задач, прогоняемый при изменениях - **Human eval** — экспертная оценка качества результатов ## Будущее AI агентов в 2026 ### Computer use Агенты управляют графическими интерфейсами: кликают, скроллят, заполняют формы, навигируют по приложениям. Anthropic, OpenAI и Google активно развивают это направление. Автоматизация задач в SaaS без API. Заполнение форм в legacy-системах. End-to-end тестирование через UI. Ограничения: скорость (скриншот → анализ → действие занимает секунды), нестабильность на сложных интерфейсах, высокая стоимость (каждый скриншот — тысячи токенов). ### Agent-to-agent протоколы Два ключевых стандарта: **MCP (Model Context Protocol)** — стандарт подключения инструментов к агентам. 97M+ установок в месяц. С декабря 2025 под управлением Agentic AI Foundation (AAIF, Linux Foundation). Поддерживают все крупные AI-провайдеры — фактически USB-C для AI-инструментов. В 2026 активно развиваются remote MCP, OAuth-авторизация и динамическое обнаружение инструментов. **A2A (Agent-to-Agent Protocol)** — стандарт коммуникации между агентами. Версия 1.0 вышла в марте 2026, 150+ организаций-участников: Google, Microsoft, AWS, Salesforce, SAP, IBM. Ключевые концепции: agent cards (машиночитаемые описания возможностей агента), cross-vendor handoff (делегирование задач агенту другого провайдера), task-mode delegation. Агенты от разных вендоров взаимодействуют напрямую без кастомных интеграций. MCP решает «агент ↔ инструмент», A2A решает «агент ↔ агент». Вместе — полная экосистема для распределённых агентных систем. ### Специализация vs универсальность Тренд 2026 — специализированные агенты вместо универсальных. Один для кода, другой для аналитики, третий для DevOps. Каждый заточен под свою область: специфичные инструменты, оптимизированные промпты, релевантная память. Универсальные агенты («сделай всё») проигрывают специализированным по качеству и стоимости. Будущее — оркестрация команд под конкретную задачу. ### Agentic coding как мейнстрим Coding agents перешли из «эксперимента» в стандартный инструмент разработчика. Claude Code, Cursor, Copilot Agent — ежедневно используют тысячи команд. Следующий этап — агенты в CI/CD: автоматический code review, тесты на каждый PR, автофикс линтинга, миграция зависимостей. Разработчик ставит задачу — агент выполняет от начала до конца. Сдвиг ролей: разработчик становится reviewer, а не автором кода. Задача формулируется на естественном языке, агент генерирует реализацию, разработчик проверяет и корректирует. Скорость итерации вырастает на порядок. ### Managed agents — агенты как сервис Anthropic, OpenAI и Google запустили managed agent platforms: агенты работают в облаке, подключаются к корпоративным системам через стандартные коннекторы, управляются через API. Для бизнеса это означает: не нужно поднимать серверы, управлять промптами, мониторить поведение. Компания определяет задачи и ограничения — платформа выполняет. Типичный сценарий: подключить агент к Zendesk, Salesforce и внутренней wiki. Агент обрабатывает тикеты первой линии, квалифицирует лиды, генерирует отчёты — без единой строки кода. ### Мультимодальные агенты Агенты 2026 работают не только с текстом. Мультимодальные модели дают агенту возможность анализировать изображения, диаграммы, скриншоты интерфейсов, видео. **Практические применения:** - QA-агент делает скриншот приложения и сравнивает с макетом в Figma - Аналитический агент «читает» графики из PDF-отчётов - DevOps-агент анализирует скриншоты дашбордов Grafana при инциденте - Дизайн-агент генерирует UI-компоненты на основе wireframes Агенты работают с теми же артефактами, что и люди: скриншотами, схемами, документами. --- AI агенты — инфраструктурный сдвиг, а не хайп. LLM перестаёт быть генератором текста и становится runtime для автоматизации. Фреймворки зрелые. Протоколы стандартизированы. Практические use cases работают в production. Начать проще всего с Claude Agent SDK, OpenAI Agents SDK или CrewAI — 20 строк кода до работающего агента. Дальше — MCP для интеграции инструментов, LangGraph для сложных stateful workflow, Pydantic AI для typed Python-бэкендов, Google ADK или Microsoft Agent Framework для облачных production-систем. A2A — для межагентного взаимодействия между сервисами разных провайдеров.