Введение в AI Agents на базе LangGraph

В данном видео представлен обзор и практическое введение в мир больших языковых моделей (БЯМ), мультиагентных систем и фреймворка LangGraph для создания сложных workflow и агентских систем с использованием моделей типа Llama и GPT-подобных. Цель лекции — дать слушателям систематизированное понимание архитектуры и возможностей больших языковых моделей, объяснить основные термины, показать ограничения и способы их обхода, а также продемонстрировать, как с помощью LangGraph создавать сложные последовательности обработки задач и автономные агенты. Подходит для разработчиков, исследователей и практиков, желающих начать использовать большие языковые модели в реальных приложениях, автоматизировать цепочки задач и создавать интерактивных ботов, а также понять современные методы и паттерны взаимодействия с БЯМ. Слушатель узнает: - Основы архитектур языковых моделей (кодер, декодер, их роль). - Этапы обучения БЯМ и важность промтов. - Ограничения БЯМ (фиксация знаний, изолированность, ограниченный контекст). - Способы улучшения через дообучение и расширение контекста (введение инструментов). - Что такое агентские системы и workflow-на основе графов. - Обзор популярных фреймворков с акцентом на LangGraph, примеры кода с базовыми паттернами. - Практические паттерны (chain of thought, routing, параллелизм, оркестрация). - Концепция MCP — стандартизированное взаимодействие инструментов и промтов с языковой моделью. - Примеры создания чатбота, вычислителя задач с использованием LangGraph. - Советы по построению и поддержке сложных моделей и агентов. ## Ключевые тезисы - **🧠 Архитектура больших языковых моделей базируется на трансформерах с преобладанием декодерной части для генерации текста** (00:55–04:50). - **🎯 Обучение БЯМ проходит три этапа: предобучение на огромных текстовых данных, дообучение на инструкциях и выравнивание поведения (alignment) для безопасности** (04:50–07:58). - **⚙️ Промты формируют основу взаимодействия с моделью, их правильная конструкция крайне важна для получения желаемого результата** (07:58–14:25). - **🚧 Основные ограничения БЯМ — это статичность знаний, изолированность от внешнего мира, ограниченный контекст и слабая способность к логическому рассуждению** (14:25–17:57). - **🔧 Для решения ограничений существуют два пути — улучшать модель или расширять контекст с помощью инструментов и агентских систем** (17:57–21:00). - **🤖 Агентские системы используют workflow на основе графов, где ноды — модели или тулы, что позволяет строить сложные и автономные цепочки обработки** (21:00–26:37). - **📚 LangGraph — мощный low-level фреймворк для вложенных stateful workflow с поддержкой циклов, условий и асинхронного исполнения** (26:37–34:45). - **🛠️ В LangGraph важна точная документация инструментов — для корректного вызова и интеграции с языковой моделью** (34:45–40:10). - **🧩 Определённые паттерны работы с моделями и агентами (chain of thought, routing, parallelization, orchestration) помогают организовать эффективные и масштабируемые системы** (01:02:12–01:23:35). - **🔗 MCP протокол предлагает стандартизированный способ хранения и взаимодействия всех компонентов, упрощая интеграцию и делая систему гибкой** (01:23:35–01:30:14).