Skip to content

Источники и материалы для дальнейшего изучения

Программа составлена как самостоятельный практический курс для Python-разработчиков. Источники ниже использовались для изучения учебного формата, сравнения подходов к агентной оркестрации и проверки технических инструкций по локальным моделям. Они не означают, что курс следует целиком по конкретному фреймворку или продукту.

Учебные программы и примеры практикумов

Фреймворки и SDK агентов

  • LangGraph: overview — управление состоянием и длительными workflow, сочетание детерминированных узлов с модельными шагами, human-in-the-loop.
  • CrewAI documentation — агенты, crews и flows, инструменты, память, guardrails и наблюдаемость.
  • OpenAI Agents SDK — handoffs, tools, guardrails и встроенный tracing; использован как один из примеров Python-first SDK.
  • Claude Agent SDK — Anthropic — программный запуск агента, инструменты, permissions, sessions и hooks.
  • Microsoft Agent Framework overview — агентные и мультиагентные workflow; использован для сравнения современного framework-подхода.
  • AutoGen documentation — Microsoft — event-driven и распределённые мультиагентные workflow; включён в обзор альтернатив.

Anthropic — current agent engineering

Новые инженерные материалы Anthropic 2025–2026 годов дополняют базовые workflow patterns конкретными практиками для context, tools, долгих запусков и containment:

  • Effective context engineering for AI agents — контекст как информация и состояние, доступные модели; ограниченный attention budget и отбор релевантного контекста.
  • Writing tools for agents — tool как интерфейс агента со средой: ясная ответственность, входы, выходы и пригодность к использованию.
  • Advanced tool use — поиск и загрузка инструментов по мере необходимости вместо помещения всего большого набора определений в каждый вызов.
  • Effective harnesses for long-running agents — долгие coding runs, инкрементальный прогресс, handoff-артефакты и восстановление между сессиями.
  • How we contain Claude — ограничение blast radius через техническое containment, sandboxing и управление доступом; human approval не заменяет эти меры.
  • Building effective agents — базовые workflow patterns (2024). Это фундаментальный материал, а не руководство по сегодняшнему tooling: более новые статьи отражают дальнейшее развитие agent engineering.

Локальные модели и интеграция с инструментами

  • Установка Ollama: Windows, macOS, Linux; также общая страница загрузки и FAQ — установка, работа локального сервера и типовые вопросы.
  • Каталог моделей Ollama: Qwen3 и Qwen2.5-Coder — сверка названий и доступных тегов моделей, рекомендованных для начальных экспериментов на ограниченной конфигурации.
  • Ollama OpenAI compatibility — подключение совместимых клиентов и проверка локального API.
  • Ollama integration for VS Code — подключение локальной модели к VS Code Chat.
  • Документация Kilo: Ollama provider и custom models — отдельная настройка provider и пользовательских моделей в Kilo Code.

Retrieval и RAG

Материалы для компактной RAG-лаборатории и для объяснения, почему retrieval измеряют, а не считают заданным:

  • Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — исходная работа по RAG (Lewis et al., NeurIPS 2020): разделение параметрической памяти модели и непараметрической памяти индекса. Отсюда же идея передавать provenance вместе с найденным фрагментом.
  • Effective context engineering for AI agents — Anthropic — общий принцип отбора релевантного контекста, к которому подключается retrieval: в модель попадает только необходимое для текущего шага.

Интеграции, доступ и least privilege

  • REST API endpoints for issues — GitHub — формат реального issue API, на который ориентирована лабораторная интеграция.
  • RFC 9110: HTTP Semantics — методы, идемпотентность, коды состояния и семантика ошибок, на которых построен клиент и retry для чтения.
  • OWASP Cheat Sheet: Authorization — deny by default, least privilege и проверка прав на каждом запросе.
  • OWASP Cheat Sheet: AI Agent Security — безопасность инструментов агента, разделение read и high-impact действий, human-in-the-loop, валидация входа и выхода.

Материалы статей Anthropic ниже покрывают и business framing: когда агент не нужен и почему workflow лучше одиночного агента, — см. Building effective agents.

Как читать рекомендации

Описания продуктов, API, доступность курсов, требования редакторов и теги моделей со временем меняются. Проверяйте актуальную документацию перед установкой или настройкой. Рекомендации по запуску на компьютере с 14 ГБ RAM — осторожная отправная точка для экспериментов, а не гарантия скорости или качества: результат зависит от GPU/VRAM, CPU, контекста и параллельно запущенных приложений.

Материалы использованы как источники идей и технической сверки; формулировки, задания, архитектура курса и практики безопасности разработаны отдельно для этого курса.