04
Урок четвёртый · ≈ 2–3 недели · углубление

Frameworks &
Multi-Agent

Выбрать один фреймворк и нырнуть глубоко. Остальные — обзорно, чтобы знать ландшафт и уметь читать чужой код.

Документация фреймворков
Docs · Recommended LangChain
Явный state machine, похоже на workflow-движки (Airflow/Temporal). Рекомендую как основной выбор для вашего профиля.
Docs OpenAI
Минималистичный, элегантный, официальный. Особенно полезен для Python-проекта, где нужен контролируемый SDK-level agent loop.
Docs OpenAI · current
Пройти не только quickstart: важны handoffs, guardrails, results/state, integrations/observability и evaluate agent workflows.
Docs Open Source
Типобезопасный, идеален если любите Pydantic. Для вас как для Python-разработчика — очень родной.
Docs crewAI Inc.
Multi-agent с ролями («аналитик», «писатель», «ревьюер»). Хорошо для прототипов.
Docs Microsoft
Преемник AutoGen и Semantic Kernel. Новейший production-ready SDK от Microsoft для создания агентов (ранее AutoGen).
Docs HuggingFace
Минимализм, code agents. Очень компактный — отличный способ понять, как агенты устроены изнутри.
Практика выбора фреймворка
Practice 2-3 дня
Реализовать одну задачу в двух подходах
Например: LangGraph vs OpenAI Agents SDK или Pydantic AI. Сравнить явность state, тестируемость, tool safety, tracing и сложность деплоя.
Курсы по фреймворкам
Tutorials LangChain · current
Официальное интерактивное руководство по сложным циклам, state management, human-in-the-loop и time-travel. Постоянно обновляется.
Course · Free DeepLearning.AI · 2025
Практический курс о создании автономных кодинг-агентов: безопасная песочница (E2B), отладка кода и управление контекстом.
Course · Paid Udemy · Ed Donner
6 недель, 8 проектов: OpenAI Agents SDK + CrewAI + LangGraph + Microsoft Agent Framework (AutoGen) + MCP. Покупать только во время скидки (~$15).
Книги вторым слоем
Book Arsanjani & Bustos · Packt · 2026
Паттерны проектирования мультиагентных систем. Охватывает переход от простых прототипов к надежным распределенным системам с RAG, context engineering и LLMOps.
Углублённая практика
Practice 3–5 дней
Построить multi-agent систему с handoff между агентами
Создать пайплайн из 2-3 агентов (researcher → coder → reviewer), реализовать протокол передачи контекста между ними и structured output как контракт. Зафиксировать, где теряется информация.
Practice 2–3 дня
Подключить MCP-сервер как tool node в граф агента
Взять свой MCP-сервер из фазы 2 и интегрировать его в LangGraph или Agents SDK как отдельный tool node. Замерить добавочную latency и написать fallback при таймауте.
0 / 14 завершено

Мои заметки

Не сохранено
Самопроверка
Три вопроса по ландшафту фреймворков.
Вопрос 1 из 3
Какой фреймворк ближе всего к workflow-движкам типа Airflow или Temporal по идеологии?
A CrewAI — с ролями и командами агентов
B Microsoft Agent Framework (AutoGen) — с conversation-based коммуникацией
C LangGraph — с явным state machine и graph-based потоком
D smolagents — с минимальной абстракцией
Правильно: C. LangGraph моделирует агентов как state machine: узлы графа — это шаги (вызовы LLM, инструментов), рёбра — переходы. Очень похоже на DAG в Airflow или workflow в Temporal. Для разработчика, привыкшего к pipeline-движкам, — самый интуитивный выбор.
Вопрос 2 из 3
В чём основное отличие CrewAI от LangGraph?
A CrewAI работает быстрее на больших задачах
B CrewAI ориентирован на multi-agent с ролями, LangGraph — на явный state machine
C LangGraph не поддерживает Python, только TypeScript
D CrewAI бесплатный, LangGraph требует платной подписки
Правильно: B. CrewAI — это «AI-команда»: вы описываете роли (researcher, writer, reviewer), даёте задачу, агенты делегируют друг другу. LangGraph — это «AI-пайплайн»: вы явно описываете шаги и переходы. Подходы решают разные классы задач, оба валидны.
Вопрос 3 из 3
Что критично для качества multi-agent системы по опыту Anthropic?
A Большое число специализированных агентов
B Чёткое описание tools и их назначения
C Использование только одной модели для всех агентов
D Отсутствие human-in-the-loop для скорости
Правильно: B. Anthropic неоднократно подчёркивает: качество tool descriptions — главный фактор успеха агентов. Плохо описанный tool с непонятными параметрами — гарантия того, что агент будет ошибаться. Хорошо описанные tools часто важнее, чем выбор модели.
0 / 3