От изолированных моделей к мультиагентным экосистемам. Практическое руководство по современному AI, MCP и Harness

Мозг (LLM):Координатор. Он отвечает за этап Reason. Он читает цель пользователя, интерпретирует результаты действий (Observation) и решает, какой инструмент вызвать следующим (Act).

Инструментарий (Tools):Руки и глаза. Это те самые функции и внешние API, к которым агент имеет доступ. Важно понимать: агент не знает, как работает код внутри функции. Он знает только название инструмента и описание того, что этот инструмент делает (его «спецификация»).

Память (Memory):Это самый сложный и важный компонент, который часто путают с контекстным окном модели. Память агента делится на три уровня:

Краткосрочная память:Стек сообщений в текущем диалоге. То, что мы обсуждаем прямо сейчас.

Рабочая память (Episodic):Результаты последних выполненных действий. «Я только что запросил данные о продажах, вот они».

Долгосрочная память:Внешние хранилища (базы данных, векторные базы вроде Pinecone или Chroma). Здесь агент хранит профиль пользователя, историю его прошлых запросов или важные факты о мире, которые не влезают в контекстное окно.

Планировщик (Planner):У продвинутых агентов между вашим запросом и первым шагом ReAct стоит еще один слой. Получив сложную задачу, модель сначала генерирует план из 5–10 высокоуровневых шагов, показывает его пользователю (или выполняет молча) и только затем начинает исполнять их по очереди. Это спасает от ситуации, когда агент уходит в бесконечный цикл неэффективных действий.

Пример: Агент-помощник «Марсианин»

Давайте разберем простейший агент, написанный на Python, который умеет делать две вещи: искать информацию в Википедии и складывать числа.

Пользователь пишет:«Кто был первым человеком на Марсе и сложи год его рождения с 10».

Внутренняя работа агента:

Шаг 1 (Анализ):Мозг (LLM) видит два запроса. Он понимает, что для первой части нужна Википедия, для второй - калькулятор.

Шаг 2 (Действие 1):Агент вызывает инструмент search_wikipedia(query: "первый человек на Марсе").

Шаг 3 (Наблюдение 1):Инструмент возвращает текст: «На данный момент нога человека не ступала на поверхность Марса. В 1976 году на Марс сел аппарат "Викинг-1"».

Шаг 4 (Рассуждение):«Ага, человека там не было. Значит, года рождения нет. Я должен сообщить пользователю, что вторая часть задачи невыполнима, так как нет исходных данных».

Шаг 5 (Финальный ответ):«Первым человеком на Марсе никто не был, поэтому я не могу выполнить математическую операцию, так как отсутствует год рождения. Однако в 1976 году на планету сел аппарат "Викинг-1"».

Обратите на критическую деталь: агент не стал галлюцинировать имя (например, выдумывать «Алексея Иванова») и не стал ошибаться в логике. Благодаря циклу ReAct он честно признал отсутствие данных.

Именно этот переход - от «модели, которая пытается угадать ответ» к «агенту, который признает границы своих знаний и идет искать истину во внешний мир» - является главным качественным скачком в искусственном интеллекте последних лет.

Однако по мере того, как количество таких «Марсиан» в вашей компании растет, а количество инструментов (Slack, SQL, Google Drive, GitHub) увеличивается, вы столкнетесь с новой проблемой. Описание каждого инструмента в промте начнет занимать десятки тысяч токенов, а код для поддержки сотен API-коннекторов станет неподъемным. В следующей главе мы увидим, как протокол MCP спасает разработчиков от этого инфраструктурного ада, превращая зоопарк инструментов в единый, понятный стандарт.

Глава 4. Кризис N×M: Хаос интеграций

В предыдущей главе мы создали идеального цифрового сотрудника. Наш агент умеет рассуждать, пользоваться инструментами и хранить память. В рамках одного проекта или небольшого скрипта это выглядит как триумф инженерной мысли. Но как только мы пытаемся внедрить таких агентов в реальную, зрелую компанию, романтика заканчивается и начинается суровая математика инфраструктурного кошмара.

Этот кошмар имеет имя: проблема N×M.

Анатомия взрыва

Представьте типичную корпорацию 2025 года.

У вас есть Nразличных ИИ-инициатив (агентов). Например:

Агент-юрист, проверяющий договоры.

Агент-финансист, г