Перейти к содержанию

Урок 0. Концепции: что такое AI-агент и паттерн ReAct

Что такое AI-агент

Обычный чат-бот отвечает на вопрос напрямую из памяти модели. Он ограничен тем, что знал на момент обучения, и не может обращаться к внешним источникам.

AI-агент устроен принципиально иначе. Вместо того чтобы сразу давать ответ, агент принимает решения о том, какие действия нужно совершить, выполняет их, смотрит на результат и решает, что делать дальше. Это называется автономным циклом управления.

flowchart LR subgraph CB["💬 Чат-бот"] direction LR Q1(["Вопрос"]) --> LLM1["LLM\nпамять модели"] --> A1(["Ответ"]) end subgraph AG["🤖 AI-агент"] direction LR Q2(["Вопрос"]) --> LLM2["LLM\nрешает что делать"] LLM2 -->|вызов| T1["🔍 search_web"] LLM2 -->|вызов| T2["📥 fetch_pages"] T1 -->|результат| LLM2 T2 -->|результат| LLM2 LLM2 -->|финал| A2(["📄 Отчёт\nс источниками"]) end

Ключевое отличие — агент использует инструменты и итерирует до тех пор, пока не получит нужный результат.

Что такое инструменты (tools)

Инструменты — это Python-функции, которые агент может вызывать. LLM не исполняет код сама: она лишь говорит, какую функцию вызвать и с какими аргументами. Ваш код вызывает функцию и возвращает результат обратно модели.

В нашем агенте четыре инструмента:

Инструмент Что делает
search_web Ищет в DuckDuckGo, возвращает список URL
fetch_pages Загружает страницы по URL, извлекает текст
summarize_page Сжимает длинный текст до ключевых тезисов
write_report Формирует финальный отчёт — завершает сессию
flowchart TD LLM["🤖 LLM\nпринимает решение"] LLM -->|"1. search_web(query)"| S["🔍 search_web\n──────────────\nDuckDuckGo API\nВозвращает: URL · заголовки · сниппеты"] LLM -->|"2. fetch_pages(urls)"| F["📥 fetch_pages\n──────────────\nhttpx async\nBeautifulSoup\nВозвращает: текст страниц"] LLM -->|"3. summarize_page(text)"| U["📝 summarize_page\n──────────────\nLLM-вызов\nВозвращает: краткое резюме"] LLM -->|"4. write_report(...)"| R["📄 write_report\n──────────────\nФорматирование Markdown\nВозвращает: ReportResult ★"] S -->|результаты поиска| LLM F -->|текст страниц| LLM U -->|резюме| LLM R -->|завершает цикл| Done(["✅ Готово"])

Паттерн ReAct

ReAct расшифровывается как Reasoning + Acting — рассуждение и действие. Это паттерн организации цикла работы агента, предложенный в исследовательской работе Google и Принстона в 2022 году.

Идея

На каждом шаге агент делает три вещи:

  1. Reason (думает) — «что я знаю, чего не хватает, что нужно сделать»
  2. Act (действует) — вызывает инструмент
  3. Observe (наблюдает) — получает результат и снова думает
flowchart LR Start(["🚀 Запрос\nпользователя"]) Start --> R R["💭 Reason\nЧто нужно сделать?"] A["⚡ Act\nВызов инструмента"] O["👁️ Observe\nАнализ результата"] End(["📄 Отчёт готов"]) R -->|решение| A A -->|результат| O O -->|ещё нужна информация| R O -->|достаточно данных| End

Пример шага

Шаг 1 — Reason: 

Пользователь спросил о RAG. Мне нужно найти актуальную информацию.
Лучший первый шаг — поиск в интернете.

Act: 

search_web(query="RAG best practices 2024", max_results=5)

Observe: 

[
  {"url": "https://arxiv.org/...", "title": "RAG Survey", "snippet": "..."},
  {"url": "https://example.com/...", "title": "RAG Guide", "snippet": "..."}
]

Шаг 2 — Reason: 

Нашёл 5 источников. Нужно загрузить содержимое 2-3 самых перспективных.

Act: 

fetch_pages(urls=["https://arxiv.org/...", "https://example.com/..."])

И так далее, пока LLM не решит, что информации достаточно, и не вызовет write_report.

Почему это работает

Современные LLM умеют рассуждать о том, что им нужно узнать и как это узнать. Паттерн ReAct использует эту способность структурированно:

  • Нет галлюцинаций по фактам — агент проверяет реальные источники
  • Адаптивность — если один поиск дал мало результатов, агент уточняет запрос
  • Прозрачность — каждое действие видно в логах

Ограничения

  • Стоимость — каждый шаг = один LLM-вызов = деньги или время
  • Детерминизм — агент может принять неожиданное решение
  • Зацикливание — без лимита шагов (MAX_STEPS) агент может ходить по кругу

Именно поэтому в нашем оркестраторе есть жёсткий лимит шагов и условие завершения через write_report. Подробнее об этом — в уроке по Orchestrator.

Что дальше

Следующий шаг — посмотреть, как все эти концепции переводятся в архитектуру реального проекта: 02-architecture.md