Loading blog...

Создание агентов ИИ с нуля: архитектуры, фреймворки и лучшие практики

Архитектуры, платформы и лучшие практики разработки агентов ИИ

Balinder Walia23 марта 2026 г.9 min read

Шаблоны проектирования агентов

Прежде чем писать одну строку кода, необходимо понять фундаментальные шаблоны проектирования агентов ИИ. Эти шаблоны определяют, как агент рассуждает, планирует и выполняет задачи, а выбор правильного шаблона определяет возможности и ограничения вашей агентской системы.

Шаблон ReAct (рассуждение + действие)

ReAct — наиболее широко используемый шаблон для агентов на базе LLM. Он чередует рассуждения (мышления) с действиями (использованием инструментов) в непрерывном цикле. На каждом этапе агент:

Наблюдает за текущим состоянием (ввод пользователя, предыдущие результаты инструмента)
Думает о том, что делать дальше (цепочка мыслей)
Действует, вызывая инструмент или предоставляя ответ
Наблюдает за результатом и повторяет

Шаблон ReAct элегантен, поскольку он использует естественную способность LLM рассуждать в тексте, одновременно обосновывая эти рассуждения реальными наблюдениями. Он превосходно справляется с задачами, где следующий шаг зависит от результатов предыдущего, например, исследования, отладка или анализ данных.

Планирование и выполнение

Шаблон «Планирование и выполнение» разделяет планирование и выполнение на отдельные фазы. Сначала агент планирования анализирует задачу и составляет структурированный план с упорядоченными шагами. Затем агент выполнения выполняет каждый шаг, сообщая о результатах планировщику. Планировщик может пересмотреть план в зависимости от результатов.

Этот шаблон лучше всего подходит для сложных многоэтапных задач, где предварительное планирование снижает количество ошибок и напрасных усилий. Это также обеспечивает большую прозрачность, поскольку люди могут просмотреть план до начала его выполнения.

Дерево мыслей

Дерево мыслей расширяет цепочку мыслей, исследуя несколько путей рассуждения одновременно. Агент генерирует несколько возможных подходов, оценивает каждый и выбирает наиболее перспективные пути, устраняя при этом тупики. Этот шаблон ценен для творческого решения проблем и задач с использованием нескольких действенных подходов.

Рефлексия

Шаблон рефлексии добавляет этап самооценки в цикл агента. После выполнения задачи или подзадачи агент анализирует свои результаты, выявляет слабые места или ошибки и повторяет действия, чтобы улучшить результат. Это особенно эффективно для задач написания, генерации кода и анализа, где качество важнее скорости.

Строительные блоки ИИ-агента

Для каждой системы ИИ-агента требуются четыре основных компонента, которые работают вместе, обеспечивая автономное поведение.

LLM Магистраль

Большая языковая модель служит механизмом рассуждения. Выбор LLM существенно влияет на возможности агента:

Клод (Anthropic):превосходно справляется со сложными рассуждениями, использованием инструментов и выполнением подробных инструкций. Высокие характеристики безопасности делают его подходящим для производственных агентов, выполняющих конфиденциальные операции
GPT-4 (OpenAI):Надежный вызов инструментов, обширная сторонняя экосистема и высокая производительность при выполнении разнообразных задач
Модели с открытым исходным кодом (Llama, Mistral):Обеспечивают полный контроль над развертыванием и затратами, подходят для агентов, которым необходимо работать локально или в больших объемах

Интеграция инструментов

Инструменты расширяют возможности агента за пределы генерации текста и позволяют ему взаимодействовать с реальным миром. Хорошо продуманный интерфейс инструмента включает в себя:

Четкие, описательные названия инструментов и документацию, которая помогает LLM понять, когда использовать каждый инструмент
Структурированные входные схемы с проверкой для предотвращения некорректных вызовов
Обработка ошибок, возвращающая информативные сообщения, которые LLM может обрабатывать
Тайм-ауты и ограничения скорости для предотвращения неконтролируемых операций

Система памяти

Для агентов, которые работают между сеансами или обрабатывают длительные задачи, необходима система памяти. Реализуйте память, используя:

Буфер разговора:Храните полную историю разговоров в контексте LLM (просто, но ограничено контекстным окном)
Суммарная память:Периодически суммируйте старые разговоры для сжатия контекста
Хранилище векторов:Встраивание и хранение важной информации для семантического поиска, когда это необходимо
Постоянные файлы:Запись ключевых решений и фактов в файлы, которые сохраняются между сеансами

Уровень оркестрации

Уровень оркестрации управляет циклом агента, выполнением инструментов, устранением ошибок и взаимодействием с внешними системами. Он обрабатывает:

Форматирование сообщений и управление контекстом для LLM
Анализ вызовов инструментов, их выполнение и внедрение результатов
Логика повторов и устранение ошибок
Ведение журнала, мониторинг и наблюдение
Непосредственное одобрение конфиденциальных действий

Шаг за шагом: создание базового агента в Python

Давайте создадим простой агент ReAct с нуля, используя Python и Anthropic API. Этот пример демонстрирует основные концепции без зависимостей платформы.

Шаг 1. Определите свои инструменты

import anthropic
import json

# Define tools the agent can use
tools = [
    {
        "name": "search_web",
        "description": "Search the web for current information on a topic",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {
                    "type": "string",
                    "description": "The search query"
                }
            },
            "required": ["query"]
        }
    },
    {
        "name": "calculate",
        "description": "Perform a mathematical calculation",
        "input_schema": {
            "type": "object",
            "properties": {
                "expression": {
                    "type": "string",
                    "description": "Mathematical expression to evaluate"
                }
            },
            "required": ["expression"]
        }
    }
]

Шаг 2. Реализуйте выполнение инструмента

def execute_tool(tool_name, tool_input):
    """Execute a tool and return the result."""
    if tool_name == "search_web":
        # Replace with actual search API integration
        return search_api(tool_input["query"])
    elif tool_name == "calculate":
        try:
            result = eval(tool_input["expression"])  # Use safe eval in production
            return str(result)
        except Exception as e:
            return f"Error: {str(e)}"
    return "Unknown tool"

Шаг 3. Создайте цикл агентов

def run_agent(user_message, max_iterations=10):
    client = anthropic.Anthropic()
    messages = [{"role": "user", "content": user_message}]
    
    system_prompt = """You are a helpful AI agent. Use the available tools 
    to research and answer questions accurately. Think step by step."""
    
    for i in range(max_iterations):
        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=4096,
            system=system_prompt,
            tools=tools,
            messages=messages
        )
        
        # Check if the agent wants to use a tool
        if response.stop_reason == "tool_use":
            # Extract tool calls from response
            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = execute_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result
                    })
            
            # Add assistant response and tool results to messages
            messages.append({"role": "assistant", "content": response.content})
            messages.append({"role": "user", "content": tool_results})
        else:
            # Agent is done, return final response
            return response.content[0].text
    
    return "Agent reached maximum iterations"

Шаблоны многоагентной оркестрации

Для сложных рабочих процессов одного агента часто не хватает. Мультиагентные системы распределяют работу между специализированными агентами, которые совместно решают проблемы.

Последовательный конвейер

Агенты обрабатывают задачи в линейной последовательности, каждый передает свои выходные данные следующему. Например: агент исследования собирает информацию, агент анализа обрабатывает ее, агент записи составляет окончательный отчет. Этот шаблон прост и предсказуем, но ему не хватает параллелизма.

Модель супервизора

Агент-супервизор управляет командой рабочих агентов, делегируя задачи и агрегируя результаты. Руководитель решает, какого работника привлечь, исходя из текущих требований задачи. Этот шаблон обеспечивает строгий контроль и хорошо подходит для рабочих процессов с четкими границами ролей.

Совместное обсуждение

Несколько агентов участвуют в структурированном обсуждении, каждый из которых вносит свою специализированную точку зрения. Агент-модератор управляет ходом беседы и синтезирует окончательный результат. Этот шаблон отлично подходит для задач, требующих разнообразных знаний, таких как проверка кода или стратегическое планирование.

Иерархическое делегирование

Агенты организованы в иерархию, в которой агенты высокого уровня разбивают задачи и делегируют их специалистам более низкого уровня. Каждый уровень можно дополнительно декомпозировать и делегировать, создавая дерево скоординированной работы. Этот шаблон хорошо масштабируется для больших и сложных проектов.

Оценка и тестирование агентов искусственного интеллекта

Тестирование агентов искусственного интеллекта принципиально отличается от тестирования традиционного программного обеспечения из-за недетерминированного характера выходных данных LLM.

Инструменты модульного тестирования

Тестируйте каждый инструмент отдельно с известными входными данными и ожидаемыми выходными данными. Инструментальные тесты должны быть детерминированными и охватывать крайние случаи, включая ошибки, неверные входные данные и сценарии тайм-аута.

Тестирование траектории

Записывайте и оценивайте последовательность действий, предпринимаемых агентом для выполнения задачи. Хорошие тесты траектории проверяют, что агент следует разумным путем, а не только достигает правильного ответа. Сравните траектории с золотыми путями, определенными экспертами.

Комплексная оценка

Запустите полный агент на основе эталонного набора задач с известными правильными результатами. Измеряйте уровень успеха, среднее количество шагов, эффективность вызова инструментов и стоимость задачи. Отслеживайте эти показатели с течением времени, чтобы обнаружить регрессии.

Состязательное тестирование

Тестовые агенты с состязательными входными данными, включая попытки быстрого внедрения, неоднозначные инструкции, невыполнимые задачи и противоречивые требования. Убедитесь, что агент обрабатывает их корректно, не создавая вредных выходных данных и не входя в бесконечные циклы.

Вопросы производственного развертывания

Перемещение агентов ИИ от прототипа к производству требует решения нескольких важных проблем.

Управление затратами

LLM Вызовы API являются основным источником затрат для агентов ИИ. Контролируйте затраты с помощью:

Установка максимальных ограничений итераций для каждой задачи
Использование меньших моделей для рутинных рассуждений и более крупных моделей для сложных решений
Внедрение кэширования для повторных вызовов инструментов и запросов LLM
Мониторинг затрат на каждую задачу и настройка оповещений о бюджете

Надежность и восстановление после ошибок

Производственные агенты должны корректно обрабатывать сбои:

Внедрять логику повторных попыток с экспоненциальной отсрочкой для временных сбоев API
Разрабатывать резервные стратегии, когда основные инструменты недоступен
Добавьте автоматические выключатели для предотвращения каскадных сбоев
Регистрируйте все действия агентов для отладки и журналов аудита

Безопасность и ограждения

Разверните механизмы безопасности, чтобы предотвратить совершение агентами вредоносных действий:

Требуется одобрение человека для операций с высоким уровнем воздействия (финансовые операции, удаление данных, внешние коммуникации)
Внедрение разрешенных списков для разрешенных действий инструмента и черных списков для запрещенных операций
Добавление фильтрации вывода для улавливания конфиденциальной информации до того, как она покинет систему
Настройка оповещений мониторинга для аномальное поведение агента

Наблюдаемость

Комплексная наблюдаемость необходима для понимания и улучшения производительности агента:

Отслеживайте каждое выполнение агента, включая все этапы рассуждений, вызовы инструментов и решения
Отслеживайте задержку, использование токенов и стоимость взаимодействия
Отслеживание показателей успешности и режимов отказов для различных типов задач
Создание информационных панелей, которые дают операционным группам возможность видеть состояние агентов в режиме реального времени

Как Workstation создает индивидуальные решения для агентов с искусственным интеллектом

В Workstation у нас есть глубокие опыт разработки и внедрения производственных агентских систем искусственного интеллекта для предприятий в разных отраслях. Наш подход включает в себя:

Открытие и проектирование:Мы работаем с вашей командой, чтобы определить ценные возможности автоматизации и разработать архитектуры агентов, которые интегрируются с вашей существующей инфраструктурой
Быстрое прототипирование:Мы быстро создаем прототипы рабочих агентов, что позволяет вам оценить возможности и предоставить обратную связь. прежде чем приступить к полной разработке
Проектирование производства:Наша команда берет на себя сложные задачи развертывания производства, включая надежность, безопасность, оптимизацию затрат и мониторинг
Разработка индивидуальных инструментов:Мы создаем индивидуальные инструменты, которые подключают ваших ИИ-агентов к внутренним системам, базам данных, API и сторонние услуги
Постоянная оптимизация:Мы постоянно отслеживаем и совершенствуем ваши агентские системы, сокращая затраты, повышая точность и со временем расширяя возможности

Готовы создавать агенты ИИ, которые преобразуют ваши бизнес-операции? Свяжитесь с нами по адресуinfo@workstation.co.uk, чтобы обсудить ваши требования и узнать, как наша команда может воплотить в жизнь ваше видение агента ИИ.