Это практическая лабораторная работа из курса «AI-Архитектор», в которой мы своими руками собираем простого автономного AI-агента и разбираемся, чем агент отличается от обычного LLM-вызова или заранее запрограммированного Workflow.

На практике разберём:

- Agent Loop — цикл работы AI-агента;

- Tool Calling — вызов инструментов моделью;

- Tool Selection — модель сама выбирает, какой инструмент нужен для достижения цели;

- Human-in-the-Loop — участие человека в принятии решения;

- Structured Output — получение структурированного результата от LLM;

- Bounded Autonomy — ограничение автономности агента.

В лабораторной агент получает задачу подготовить страницы Architecture Cookbook для набора AI-паттернов. Ему доступны инструменты для генерации страницы, Human Review и сохранения результата, но порядок действий заранее не запрограммирован — модель сама выбирает следующий инструмент исходя из текущей задачи.

Особенно интересно посмотреть, что происходит, когда человек отклоняет результат: агент не получает от Python инструкции «если reject — вызови generate», а сам принимает решение о следующем действии.

Именно это позволяет на практике увидеть границу между автономным агентом и Workflow, в котором последовательность шагов задаёт программа.

В следующей лабораторной я решу ту же самую задачу через Workflow, чтобы на практике сравнить два подхода: автономного AI-агента и заранее запрограммированного процесса.

💻 Код лабораторной работы доступен платно на Boosty: https://boosty.to/bedrosova/posts/86664b9b-b85a-4031-b1e0-a06a225b3e26

💬 Для тех, кто хочет обсуждать лабораторные, задавать вопросы и делиться результатами, доступен чат в рамках подписки.

Если хотите повторить лабораторную самостоятельно — попробуйте разобраться, какие ещё инструменты можно добавить агенту. Например, можно добавить генерацию изображения по Mermaid-диаграмме или автоматическую сборку итогового PDF.