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 (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
DONEабо 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 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.