Работа с типом проекта Агентские системы
Введение
Агентская система — это способ построения AI-решений, при котором обработка запроса разбивается на последовательность шагов, выполняемых отдельными компонентами (агентами и инструментами).
В отличие от обычного запроса к LLM, где модель сразу генерирует ответ, агентская система:
- анализирует запрос
- принимает решения о дальнейших действиях
- при необходимости вызывает инструменты
- использует внешние данные
- формирует итоговый ответ
Разделы
Создание агентской системы
Пошаговый алгоритм запуска проекта. Процесс включает сборку конвейера на холсте, подключение агентов, инструментов (Tools), тестирование в песочнице и финальную публикацию (деплой) для работы через API.
Конструктор агентских систем
Обзор графического интерфейса, базирующегося на фреймворке Langflow. Это low-code среда, где можно проектировать сложные AI-пайплайны, используя визуальные блоки вместо написания кода. Включает инструменты навигации, управления узлами и мониторинга логов.
Построение конвейеров
Техническое описание логики работы. Система строит направленный ациклический граф (DAG), где узлы — это компоненты, а ребра — связи между ними. Выполнение проходит три стадии: валидация параметров, топологическая сортировка узлов и последовательное исполнение с передачей данных.
Использование агентов
Разбор центрального компонента системы — агента. Агент объединяет роль (системный промпт), память сессий и возможность вызывать внешние инструменты. В этом разделе описывается, как настроить модель, задать ей инструкции и подключить входные/выходные данные чата.
Настройка инструментов для агентов
Инструкция по расширению возможностей LLM. Описывается активация Tool Mode, настройка конкретных действий (Actions) и создание мультиагентных связок (когда один агент является инструментом для другого). Также рассматривается подключение кастомных Python-скриптов и целых конвейеров в качестве инструментов.
Тестирование конвейеров
Описание среды отладки. Позволяет в реальном времени общаться с агентом, просматривать цепочку его рассуждений (Thought process) и видеть, какие инструменты он вызывает. Включает инструменты управления памятью: просмотр и редактирование истории сообщений (Message Logs).
Управление исполнением
Раздел о жизненном цикле проекта. Разделяет Рабочую версию (черновик в Конструкторе) и Исполняемую версию (продуктив, доступный по API). Описывает статусы работы и процесс деплоя конфигурации на сервер.
Импорт и экспорт конвейеров
Механика переноса данных и создания бэкапов. Конвейеры экспортируются в формат JSON, содержащий координаты узлов, параметры и связи. При импорте важно соблюдать соответствие имен глобальных переменных для корректной работы системы на новом инстансе.
Компоненты конструктора
Краткое определение базовых элементов системы. Каждый компонент отвечает за задачу: обработку текста, поиск в векторной базе данных, математические вычисления или интеграцию с внешними сервисами.