# Як зібрати AI-агента без фреймворків: цикл план→дія→перевірка

> Практичний гайд для тих, хто хоче зрозуміти петлю агента зсередини — без LangChain, без магії.

- Опубліковано: 15 червня 2026 р. (2026-06-15T08:00:00+00:00)
- Розділ: AI-інструменти
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=yak-zibrati-ai-ahenta-bez-freimvorkiv

---

## Навіщо взагалі розбиратись у петлі агента

Більшість туторіалів з AI-агентів починаються з «встанови LangChain» або «ось AutoGPT». Але якщо ти хочеш розуміти що відбувається, а не просто копіювати код — треба побачити базову механіку. Агент без фреймворку — це кілька десятків рядків і повне розуміння кожного кроку.

## Три компоненти: план, дія, перевірка

Класична петля агента складається з трьох кроків, які повторюються циклічно:

- **План (Think)** — модель отримує стан задачі і вирішує що робити далі. На вхід йде опис задачі + результати попередніх дій.

- **Дія (Act)** — агент виконує конкретну дію: викликає API, читає файл, запускає код.

- **Перевірка (Observe)** — результат дії повертається до контексту. Модель бачить що вийшло і вирішує — продовжувати чи зупинитись.

Ця петля — основа [ReAct-підходу](https://arxiv.org/abs/2210.03629) (Reasoning + Acting), описаного Google ще у 2022. Фреймворки просто обгортають її у зручний API.

## Мінімальний агент: 40 рядків Python

Ось що потрібно:

- Системний промпт з описом доступних інструментів (у форматі «назва → що робить → коли викликати»)

- Цикл: prompt → parse action → execute → append result → repeat

- Умова зупинки: модель повертає спеціальний тег DONE або досягнуто максимуму ітерацій

Інструменти — звичайні Python-функції. Ти сам вирішуєш що доступно агенту: пошук в базі, виклик REST API, читання файлу. Жодної магії.

## Де фреймворки справді допомагають

Після того як ти написав агента вручну — стає зрозуміло за що платять LangChain і LlamaIndex. Вони дають: потокову передачу токенів без буферизації, трасування викликів для дебагу, менеджмент пам'яті між сесіями, і шаблони для поширених патернів (RAG, multi-agent).

Але якщо твій агент виконує 5-7 чітко визначених дій — фреймворк додає більше складності ніж вирішує. [Cookbook від Anthropic](https://github.com/anthropics/anthropic-cookbook) містить прості приклади без жодних залежностей.

## Висновок

Напиши свого першого агента без фреймворку. Це займе день. Після цього ти будеш знати не тільки як він працює — але і коли варто взяти готове рішення, а коли власний код простіший і надійніший.

## Практичний шаблон системного промпту для агента

Ось мінімальний системний промпт що добре працює на практиці:

> Ти виконуєш задачу покроково. Доступні дії: SEARCH(query), READ(path), WRITE(path, content), DONE(result). Після кожної дії чекай результату. Якщо дія не вдалась — спробуй альтернативний підхід. Максимум 10 кроків.

Чому це працює: чітке визначення інструментів, явна інструкція «чекай результату» (запобігає hallucination дій), ліміт ітерацій як safety net.

## Типові помилки при першій реалізації

- **Забули стан між ітераціями.** Якщо не передаєш результати попередніх дій у новий запит — модель «забуває» що вже зробила. Весь execution log має бути в контексті кожного запиту.

- **Нема ліміту ітерацій.** Без hard stop агент може зациклитись. 10-20 ітерацій — достатній ліміт для більшості задач.

- **Інструменти повертають занадто багато даних.** Якщо READ повертає 50KB тексту — контекст переповнюється. Завжди трансформуй результати: поверни перші N рядків або резюме.

## Наступний крок: multi-agent

Коли базова петля зрозуміла — наступний рівень це multi-agent: один агент-оркестратор розбиває задачу на підзадачі і делегує спеціалізованим агентам. Але це вже після того як ти зрозумів один агент зсередини.

## Коли переходити від ручного до фреймворку

Є кілька конкретних сигналів що час взяти готове рішення замість власного: ти витрачаєш більше часу на infrastructure ніж на задачу; тобі потрібна персистентна пам'ять між сесіями; у тебе multi-agent сценарій з більше ніж трьома агентами; потрібне enterprise-grade observability. До цього моменту — власний код простіший, швидший і повністю зрозумілий.

Найважливіший навик: розуміти що відбувається під капотом. Після тижня з власним агентом ти читатимеш код LangChain і розумітимеш кожну абстракцію замість того щоб магічно вірити в «воно так працює».

### Питання: чи обов'язково знати Python щоб будувати агентів?

Ні. Але Python — найзручніша мова для цього через просту інтеграцію з AI SDK і багаті бібліотеки. TypeScript теж відмінний варіант якщо ти web-розробник. Важливіше розуміти концепцію петлі ніж конкретну мову.

### Питання: наскільки дорого запускати агента в продакшні?

Залежить від кількості ітерацій і розміру контексту. Агент що виконує 10 кроків з контекстом 4K токенів коштує приблизно 10x більше ніж один прямий запит до моделі. Для більшості задач це десятки центів, не долари. Оптимізація: ліміт ітерацій, мінімальний контекст, використання меншої моделі де можливо.

---

Джерело: AiiN — https://aiin.news/article?slug=yak-zibrati-ai-ahenta-bez-freimvorkiv. Цитуючи, посилайтесь на канонічний URL.