Агенты, или Путешествие к LLM и обратно

Обзор архитектуры AI-агентов: от модели до пользователя, разбор слоёв обёрток вокруг LLM и объяснение, как быстрее находить источники проблем.

Агенты сейчас активно обсуждают: меняются фреймворки, появляются MCP-серверы, облака обещают «агента из коробки». Но в центре такой схемы по-прежнему LLM: она читает контекст и формулирует следующий шаг. Вокруг модели нарастают дополнительные слои обёрток, и понимание этой логики помогает быстрее находить источник проблем. Поломка может быть не в самой модели, а на одном из уровней рядом — именно этому и посвящён обзор.

Источники 1

Агенты, или Путешествие к LLM и обратно Habr AI

Агенты, или Путешествие к LLM и обратно

Агенты сейчас обсуждают все подряд. Меняются фреймворки, появляются MCP-серверы, облака обещают «агента из коробки». Но в центре любой такой схемы по-прежнему одна и та же вещь — LLM: она читает контекст и формулирует следующий шаг. А между запросом к агенту и самой моделью — ещё несколько слоёв.

Сама модель всего лишь предсказывает вероятности следующего токена; снаружи нарастает луковица обёрток — о них и речь. Если собирать агента не из готового конструктора, понимание этой логики помогает быстрее найти источник проблемы: поломки могут быть не в модели, а на каком-то уровне рядом. Я пришёл к агентам из ML: для меня каждый новый слой появлялся поверх уже знакомого — поэтому дальше рассказываю от модели наружу. Идея статьи пришла после очередного совместного поиска бага с технической командой: захотелось собрать заметки в один обзор, чтобы в следующий раз было проще объяснять. Читать далее

#llm #llm_модели #llm_агенты #ai_агенты | @habr_ai