Урок 06. Агентный подход в разработке с использованием LLM

⚡ Кратко: агентный подход

Обычная LLM только генерирует текст. Интеллектуальный агент — это программа, где LLM — «мозг», который планирует действия, вызывает инструменты (поиск, калькулятор, свои функции) и помнит контекст.

• Характеристики агента: автономность · целенаправленность · реактивность · проактивность.
• Компоненты: LLM (мозг) · Tools (инструменты) · Memory (память) · Planning (планирование).
• ReAct — паттерн «Reasoning + Acting»: модель рассуждает и выбирает, какой инструмент вызвать.
• Собираем агента на LangGraph (create_react_agent) — современный путь поверх LangChain.
• Память — через checkpointer + thread_id; агент помнит предыдущие сообщения диалога.

# agent.py — агент с поиском и памятью
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_google_genai import ChatGoogleGenerativeAI

llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash")
tools = [TavilySearchResults(max_results=2)]            # инструмент: поиск
agent = create_react_agent(llm, tools, checkpointer=MemorySaver())

config = {"configurable": {"thread_id": "abc123"}}     # ключ диалога (память)
agent.invoke({"messages": [("user", "какая погода в Берлине?")]}, config)