Перейти к основному содержимому

Agentic Engineering

Agentic-система — не «LLM, которой разрешили думать подольше». Это программная система, где модель участвует в выборе следующего шага, а обычный код управляет контекстом, инструментами, полномочиями, состоянием, восстановлением и проверкой результата.

Короткое определение

Модель предлагает решение; runtime решает, как его интерпретировать и можно ли выполнить; среда сообщает, что произошло; цикл продолжается до явного terminal state.

Карта курса​

У этой карты есть «база» и расширяющиеся круги:

  1. Foundations: model I/O, роли сообщений, решения модели, цикл и state vocabulary.
  2. Runtime: контекст, tools, MCP, retrieval, memory и orchestration.
  3. Production: durability, security, observability, evals и deployment topology.
  4. Applied ML: датасеты, метрики, дистилляция, speech и serving.
  5. Operator practice: как самому эффективно работать с coding- и knowledge-агентами.

Что именно контролирует модель​

СистемаКто выбирает следующий шагКогда полезна
Обычная функцияКодПравило известно и детерминируемо
Model callВызывающий код просит один результатКлассификация, extraction, генерация
WorkflowКод выбирает маршрут, модель заполняет отдельные шагиВетки известны заранее
Agent loopМодель выбирает действие из разрешённого множестваПуть зависит от наблюдений
Multi-agentНесколько контуров координацииТолько когда декомпозиция даёт измеримый выигрыш

Граница не маркетинговая. Если код после каждого ответа заранее знает следующий шаг, перед нами workflow с LLM-компонентами. Агентность появляется там, где решение модели влияет на дальнейший control flow.

Сквозной проект Helios​

Курс строит provider-neutral runtime для фантастической super-app Helios: marketplace, межпланетная доставка, wallet/escrow, аренда и регулируемая поддержка. Фантастика нужна не ради lore, а чтобы безопасно собрать в одном домене сложные кейсы:

  • долгие доставки и stale state;
  • деньги, approval и идемпотентность;
  • разные юрисдикции и cargo policy;
  • tenant isolation и sensitive data;
  • голосовой канал с latency budget;
  • evaluation по outcome, а не по убедительности текста.

Реальные аналоги — neobank, marketplace, travel/logistics и telehealth support. Все fixtures синтетические; корпоративные данные и PHI не используются.

Запустить первый сценарий:

npm run demo:course

Он не требует API key: ScriptedModel детерминированно выбирает get_order, runtime выполняет tool и возвращает final answer.

Два учебных трека​

Строить agentic-системы​

Читайте по порядку:

  1. Ментальные модели
  2. Model I/O
  3. Agent loop and state
  4. Context engineering
  5. Tools and effects
  6. MCP and skills
  7. Retrieval and memory
  8. Workflow orchestration
  9. Durable execution
  10. Guardrails and autonomy
  11. Observability
  12. Evaluation and data
  13. Production architecture

Перейти глубже в Applied ML​

После evaluation-главы переходите в Applied ML path. Для backend-разработчика наиболее короткий T-shaped путь:

  • горизонталь: evals, data flywheel, retrieval, reliability, MLOps;
  • вертикаль: небольшой classifier или speech ML;
  • затем: inference/serving и только после измеримого baseline — fine-tuning.

Как читать техническую главу​

Каждая глава различает три типа утверждений:

  • Механика: проверяемый контракт кода, API или протокола.
  • Исследование: результат в конкретной постановке и на конкретном benchmark.
  • Эвристика: инженерное правило, которое нужно проверять в своём домене.

В каждой главе ищите одну и ту же цепочку:

naive implementation → observable failure → root cause
→ solution options → trade-offs → runnable evidence

Это важнее коллекции «магических промптов»: system prompt не исправляет отсутствие idempotency, storage, authorization или eval dataset.

Быстрая самодиагностика архитектуры​

Попробуйте ответить:

  • Что считается одним thread, turn, run, step и event?
  • Где находится source of truth, если текст старого tool result расходится с БД?
  • Какие tool results являются данными, а какие могут менять control flow?
  • Где проверяются schema, tenant, policy и approval — до или после эффекта?
  • Что произойдёт при crash после внешней записи, но до сохранения checkpoint?
  • Как система отличает timeout от permanent failure?
  • Можно ли восстановить run без tracing backend?
  • Какая eval проверяет реальный outcome, а не только final text?

Если ответы скрыты внутри framework, начните с явных контрактов. В capstone они малы специально: abstractions можно увидеть, запустить и заменить.

Первая практика​

npm run typecheck:course
npm run test:course
npm run demo:course

Затем откройте тест агентского цикла и ответьте: какое состояние runtime хранит сам, что передаёт модели и почему event history не равна message history?

Источники и актуальность​

Архитектурное различие workflow/agent сопоставимо с provider guidance Anthropic, а Responses API показывает современную форму model/tool interface. Это примеры, не обязательные зависимости курса. Проверено 2026-08-30: