Главное про AI - Вадим Жартун

Plan-and-Execute — двухфазный паттерн: сначала отдельный вызов LLM строит план (список шагов), затем второй цикл исполняет план. Сильная сторона — план можно показать пользователю до начала действий и получить одобрение, либо скорректировать. Слабая сторона — если план построен на неверной гипотезе, всё исполнение идёт в неверном направлении, и перепланирование стоит дорого.

Reflexion добавляет к любому из этих паттернов петлю самокритики: после каждого действия (или серии действий) агент оценивает результат и, если он неудовлетворительный, переделывает. Reflexion полезен в задачах, где первая попытка часто ошибочна (генерация кода с юнит-тестами, многошаговые вычисления), но удваивает или утраивает стоимость.

ФРЕЙМВОРКИ ДЛЯ АГЕНТОВ: КРИТЕРИИ ВЫБОРА

LangGraph (от LangChain) — Python-фреймворк, представляющий агентный процесс как явный граф состояний. Узлы графа — шаги (вызов LLM, вызов инструмента, проверка условия), рёбра — переходы между шагами, в том числе циклические (вернуться и переделать). LangGraph хорошо подходит для сложных workflow с возвратом к предыдущим шагам, где простой ReAct-цикл не справляется. Минус — требует Python-разработчика, готового думать в терминах графа состояний, а не «вот вам список инструментов, агент сам разберётся».

OpenAI Agents SDK — оркестратор многоагентных сценариев в экосистеме OpenAI, появившийся в 2025 году. Сила — низкий порог входа: разработчик на OpenAI API получает готовый фреймворк для построения агентов с инструментами, передачей задач между агентами, встроенными ограничителями и журналированием всех вызовов. Если вы уже в экосистеме OpenAI, это путь наименьшего сопротивления. Минус — привязка к моделям и инфраструктуре OpenAI.

Claude Agent SDK — развитие Claude Code в сторону переиспользуемых компонентов. В мае 2026 года Anthropic расширил Claude Code Skills (текстовые инструкции с прогрессивным раскрытием), Plugins (бандлы для дистрибуции) и MCP-маркетплейс, эти же компоненты доступны через SDK для встраивания в собственные приложения. Если вы строите продукт вокруг Claude 4.6, Claude Agent SDK — нативный выбор.

CrewAI — фреймворк с открытым исходным кодом, представляющий агентов как «членов команды» с ролями и целями. Подход привлекателен для тех, кто мыслит в терминах «назначить агента-исследователя, агента-копирайтера, агента-редактора». Минус — ролевая метафора иногда скрывает реальную сложность оркестрации, при росте числа агентов (больше 5) контроль над системой становится рыхлым.

АНАТОМИЯ АГЕНТА: РАЗБОР ПО СЛОЯМ

Архитектура работающего агента (например, Hermes Agent или Claude Code) раскладывается на пять слоёв, и каждый из них — отдельная точка отказа, точка расширения и объект для оптимизации.

Ядро (core) запускает главный цикл while True: think_and_act() при поступлении сообщения и останавливает его при достижении финального состояния. Инструменты (tools) — функции, которые агент может вызвать; каждая, как правило, лежит в отдельном файле или модуле. Подсистема инструментов (tool subsystem) группирует вызовы в пачки, валидирует аргументы, обрабатывает ошибки и решает, что запускать параллельно (read-only), а что строго последовательно (с побочными эффектами). Bridge — компонент, через который агент общается с удалёнными клиентами (MCP-серверами, внешними API, другими агентами). Память (memory) — долговременное хранилище между сессиями, обычно набор markdown-файлов с индексацией и поиском. Когда вы оптимизируете агента, вопрос «в каком слое у нас бутылочное горлышко?» — первый, который нужно задать себе перед любыми правками промпта.

ПРИЗНАКИ НАЗРЕВШЕЙ СМЕНЫ АРХИТЕКТУРЫ

– Агент стабильно проваливается на одном и том же шаге, и простые правки промпта не помогают. Признак того, что шаг выделен неправильно (нужно разбить или объединить с соседним).

– Стоимость одной задачи выросла в 3–5 раз по сравнению с базовой, а качество не улучшилось. Признак раздутого контекста (агент тащит в окно лишнее) или неправильного паттерна (нужен ReWOO вместо ReAct).

– Время выполнения задачи выросло до неприемлемого (5+ минут на рутинную операцию). Признак длинной цепочки с лишними шагами, либо последовательного вызова read-only операций, которые можно параллелить.

– Появились граничные случаи, которые рабочий промпт не покрывает, и они встречаются чаще 5% случаев. Признак того, что workflow пора превращать в агент для этой ветки, или наоборот — вынести ветку в отдельный workflow.

Здесь уместна кухонная метафора: агент — кухня с одним поваром, который одновременно читает заказ (рассуждение), идёт к полке за ингредиентами (действие), возвращается к плите (наблюдение), пробует блюдо (оценка) и решает, добавить ли соли (перепланирование). Если повар работает один — это ReAct-цикл: каждое его действие возвращает его к плите, контекст его «головы» (что в сковородке, что в заказе, что на полке) растёт с каждым шагом. ReWOO — когда повар сначала обходит полку и записывает, что возьмёт, потом уже готовит, не возвращаясь к полке. Plan-and-Execute — когда повар сначала выдаёт заказчику список блюд, получает одобрение, потом готовит. Reflexion — когда после каждой тарелки повар пробует и решает, что досолить.

У каждой кухни — своя метрика качества. У ReAct — гибкость в неожиданных заказах. У ReWOO — скорость на стандартных. У Plan-and-Execute — предсказуемость для заказчика. У Reflexion — вкус блюд при высокой цене.

МУЛЬТИАГЕНТНЫЕ СИСТЕМЫ: ПРЕДЕЛ ВОЗМОЖНОСТЕЙ ОДНОГО АГЕНТА

Мультиагентная AI-система — архитектура, в которой несколько специализированных агентов работают совместно под управлением оркестратора, решая задачу, которую один агент не способен решить в одиночку. Вместо одного универсального AI система содержит набор узкоспециализированных агентов: агент поиска, агент анализа данных, агент планирования, агент проверки качества — и координатор, распределяющий задачи между ними. Gartner прогнозирует, что к 2027 году каждый третий enterprise-софт будет содержать AI-агентов против 1% в 2024. По оценкам BCG, выручка от мультиагентных систем достигнет $53 млрд к 2030 году против $5,7 млрд в 2024.

Причина роста — не мода, а специализация. Финансовый аналитик не заменяет юриста, юрист не заменяет маркетолога. Мультиагентная система моделирует эту специализацию. Цена специализации — распределённая система, со всеми её граблями: гонки состояний (когда два агента одновременно редактируют один файл), конфликты ресурсов, невоспроизводимые результаты.

БАЗОВЫЕ АРХИТЕКТУРНЫЕ ПАТТЕРНЫ

Hub-and-Spoke (hub = оркестратор, spokes = рабочие агенты). Оркестратор принимает запрос, разбивает на подзадачи, отдаёт рабочим агентам, собирает результаты. Самый простой в отладке: весь trace идёт через одну точку. Минус — узкое горлышко в оркестраторе: при росте числа агентов он становится ограничителем пропускной способности всей системы.

Pipeline (конвейер). Агенты выстроены в цепочку: выход одного становится входом следующего. Подходит для задач с естественной последовательностью этапов (извлечение данных → анализ → формирование отчёта → проверка). Минус — один сбой в середине конвейера останавливает всё, и перепланирование сложнее, чем