Перейти к содержанию

Документация Research Agent

Это учебный курс по построению автономного AI-агента на Python с нуля. Проект Research Agent — реальный рабочий агент, который самостоятельно исследует любую тему: ищет информацию в интернете, загружает страницы и синтезирует структурированный отчёт.

Документация устроена как последовательность уроков: от концепций до готового кода, который вы можете запустить.

Верхнеуровневая архитектура

graph TD User(["👤 Пользователь"]) CLI["🖥️ main.py\nCLI / точка входа"] Orch["⚙️ Orchestrator\nReAct-цикл"] State["💾 AgentState\nисторию · источники · отчёт"] LLM["🤖 LLMClient\nAnthropic · OpenAI · GateLLM · Ollama · ..."] Registry["📋 ToolRegistry\nсхемы JSON · диспетчер · нормализация"] Search["🔍 search_web\nDuckDuckGo"] Fetch["📥 fetch_pages\nhttpx + BeautifulSoup"] Summarize["📝 summarize_page\nLLM-сжатие"] Report["📄 write_report\nфинальный отчёт ★"] Config["⚙️ Settings\n.env · pydantic"] Display["🖥️ Display\nRich UI"] User -->|запрос| CLI CLI --> Orch Config -.->|ключи · модель| LLM Config -.->|MAX_STEPS| Orch Orch <-->|read / write| State Orch -->|messages + tools| LLM LLM -->|tool_use / end_turn| Orch Orch -->|dispatch| Registry Registry --> Search Registry --> Fetch Registry --> Summarize Registry -->|завершает цикл| Report Orch -->|state| Display Display -->|отчёт в терминал| User

Путь обучения

01-concepts.md       → Что такое AI-агент и паттерн ReAct
02-architecture.md   → Архитектура проекта и поток данных
03-setup.md          → Установка и настройка окружения
04-agent-state.md    → Урок 1: Память агента (AgentState)
05-llm-client.md     → Урок 2: Клиент языковой модели (LLM Client)
06-tools.md          → Урок 3: Инструменты агента (Tools)
07-registry.md       → Урок 4: Реестр инструментов (ToolRegistry)
08-orchestrator.md   → Урок 5: Цикл ReAct (Orchestrator)
09-testing.md        → Урок 6: Тестирование агента
10-add-tool.md       → Бонус: Как добавить новый инструмент

Для кого эта документация

  • Вы знаете Python на базовом или среднем уровне
  • Вы слышали об LLM и хотите понять, как строятся агенты
  • Вам не нужен опыт в ML — агент использует готовые API

Итоговый результат

После прохождения всех уроков у вас будет:

  • Полное понимание того, как работает ReAct-агент изнутри
  • Рабочий агент с поддержкой 9 LLM-провайдеров
  • Набор тестов для всех компонентов
  • База для создания собственного агента под любую задачу

Быстрый старт (если хочется сразу запустить)

git clone <repo-url>
cd research-agent
python3 -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"

# Настроить .env (см. 03-setup.md)
cp .env.example .env

python main.py "Лучшие практики построения RAG-систем"