Что отличает агента от чата
Главное отличие: агент сам решает, что делать дальше, и использует инструменты.
Определение
Агент — это LLM в цикле: модель получает задачу, выбирает инструмент, использует его, видит результат и принимает следующее решение. Цикл продолжается, пока задача не выполнена (или пока не сработал stop-критерий).
Базовые компоненты
- Модель. Думает, выбирает действия.
- Инструменты (tools). Конкретные функции, которые агент может вызывать: search, fetch, write_file, call_api.
- Память. Состояние между шагами.
- Контроллер. Цикл, который оборачивает всё это.
Простой пример
«Найди свежие новости по теме X и сделай дайджест».
- Агент вызывает tool search.
- Получает 5 ссылок.
- Решает, по каким пройтись.
- Вызывает tool fetch на каждой.
- Когда собрал — генерит дайджест.
Где живёт сложность
- Понимание, когда остановиться.
- Восстановление после ошибки в инструменте.
- Цена в токенах (агент может уйти в бесконечный цикл).
Соберите простейшего «дайджест-агента»: search → fetch → summary. На любом фреймворке (LangGraph / CrewAI / прямо на API).
Проверка задания
Скопируйте и адаптируйте под свой контекст. Текст в треугольных скобках — то, что нужно заменить.
Ты — агент-исследователь. У тебя есть инструменты: - web_search(query) → 5 ссылок - fetch(url) → текст страницы - save_notes(text) → записать заметку Задача: <…> Правила: - Не больше 10 вызовов инструментов. - Если данные неоднозначны — пометить. - В конце — дайджест и список открытых вопросов.
Песочница промптов
- Агент уходит в бесконечный цикл — нет stop-критерия.
- Инструменты возвращают мусор — агент уверенно его использует.
- Нет лимита по токенам / шагам.
- Жёсткий budget по шагам.
- Каждый инструмент возвращает чёткий status: success / error / partial.
- Логируйте все шаги, не только финал.
Многошаговые задачи, где LLM нужно принимать решения «по ходу».
Однократные задачи — там достаточно обычного промпта.
Квиз — 2 вопроса
Обсуждение
Войдите, чтобы оставить комментарий.
Пока нет комментариев. Будьте первым!