Агенты на LLM. Наглядное пособие

Книга о том, как собирать агентов на базе больших языковых моделей — для повседневных задач, без магии и без хайпа.

Для кого эта книга

Вы уже умеете:

• запускать локальную модель через Ollama, llama.cpp или что-то похожее;
• читать код на Python;
• ходить в OpenAI / Anthropic API через SDK хотя бы на уровне «сделал запрос, получил ответ».

Вы ещё не умеете:

• собирать рабочих агентов, которые действительно делают полезные вещи, а не зависают в цикле «вызвал поиск → вызвал поиск → вызвал поиск»;
• отладить такого агента, когда он сломался;
• понять, стал ли он лучше после ваших правок.

Эта книга — про это.

Две сквозные задачи

Чтобы концепции не повисали в воздухе, через всю книгу идут два практических кейса:

1. Кодовый агент — читает файлы проекта, правит их, запускает тесты и shell-команды. Архетип агента с детерминированными инструментами.
2. Исследовательский ассистент — ищет по вашим заметкам, суммирует статьи, ведёт базу знаний. Архетип с нечёткими инструментами и долговременной памятью.

Каждая глава опирается на одну из этих задач для иллюстрации.

Оглавление

Часть I. Основы

1. Что такое агент и чем он отличается от чат-бота
2. Как на самом деле работает LLM — глазами автора агентов
3. Главный примитив: tool use
4. Агентный цикл: от промпта к действию и обратно

Часть II. Первые агенты

5. Собираем кодового агента с нуля
6. Собираем исследовательского ассистента

Часть III. Взрослые темы

7. Память: краткосрочная, эпизодическая, семантическая
8. Планирование и декомпозиция задач
9. Мульти-агентные схемы — когда нужны, когда overkill
10. Безопасность и guardrails
11. Оценка качества агента

Часть IV. Эксплуатация

12. Стоимость, латентность, кэширование промптов
13. Наблюдаемость: логи, трейсы, отладка

Часть V. Практикум

14. Кодовый агент уровня «младший разработчик»
15. Исследователь с долговременной памятью

Как читать

Книгу можно читать подряд — части I–II дают прочную базу. Начиная с части III главы самодостаточные: можно заглядывать по интересу, возвращаясь к общей картине.

Код из книги рассчитан на Python 3.11+ и официальные SDK Anthropic / OpenAI. Для локальных моделей везде, где это уместно, будут варианты через Ollama (OpenAI-совместимый API).