О разделе

Ключевые темы раздела:

RAG, MCP и агенты — три слоя архитектуры — как retrieval, инструменты и оркестрация складываются в одно приложение;
Типы интеллектуальных агентов — классическая схема от рефлекса до обучения;
Агенты ИИ — архитектура LLM-агентов, tools и политики безопасности;
MCP-серверы — стандартизированный слой инструментов для IDE и агентов (MCP и классический API);
Emergence World — долгоживущие агенты в одной среде;
AgentOps — эксплуатация агентов в проде.

Перед запуском shell или Git от IDE-агента прочитайте Опасные скрипты. Углублённый маршрут по NLP — Трансформеры и NLP.

Agent Skills

Agent Skills — набор markdown-файлов SKILL.md с пошаговыми инструкциями для ИИ-агента. Каждый файл описывает один типовый этап работы (спецификация, план, код, тест, ревью, деплой). Skills дополняют rules и AGENTS.md — там границы и контракт репозитория, здесь конкретная процедура.

Слой	Вопрос, на который отвечает
Rules	Что запрещено и как оформлять код
AGENTS.md	Как устроен репозиторий и как его собирать
Skills	Как пройти конкретный этап — spec, plan, build, test, review, ship

Каждый skill обычно содержит:

триггер — когда применять навык;
процесс — нумерованные шаги;
red flags — когда остановиться и позвать человека;
verification — какие тесты, логи или метрики приложить к отчёту.

Открытый пример lifecycle-навыков — репозиторий addyosmani/agent-skills. Практика в Cursor — папка .cursor/skills/; теория контекста — Контекст агента — AGENTS, skills, rules. Подход стыкуется с AgentOps и вайб-кодингом.

Практика в коде

OpenAI / API — готовые промпты и вызовы — Python, curl, streaming, JSON mode;
Prompt engineering — библиотека промптов — шаблоны system/user для учёбы и лабораторных.

Выбор модели без погружения в ML

Большие языковые модели и ChatGPT

Большая языковая модель (Large Language Model, LLM) — это класс машинных моделей глубокого обучения, предназначенный для обработки естественного языка и генерации связных текстов, соответствующих по.

ИИ-агенты

При компрометации одного агента ущерб ограничен его полномочиями — это реализация принципа минимальных привилегий.

Подход AI First в разработке продуктов

Стратегический подход, когда ИИ становится центральным элементом проектирования, разработки и функционирования.

Признаки использования нейросетей в цифровых продуктах

Сегодня генеративные нейросети стали рабочим инструментом широкого круга специалистов: программисты используют их для генерации кода и документации, юристы — для составления шаблонов договоров.

MCP-серверы

Model Context Protocol — ресурсы, tools и prompts для LLM; сравнение с классическим HTTP API.

Автономные тестовые агенты

Автономные тестовые агенты обладают способностью к постоянному совершенствованию. Этот процесс основан на сборе данных о результатах работы и применении методов машинного обучения.

Агенты искусственного интеллекта

Агент ИИ — система, где языковая модель не только отвечает текстом, но и выбирает действия — вызвать API, выполнить запрос к БД, открыть тикет, сгенерировать файл.

Генерация кода — ChatGPT, Gemini и DeepSeek

Практика работы с тремя семействами LLM для кода: когда какой сервис выбрать, структура промпта, проверка результата и связка с IDE-агентами.

Параметры генерации LLM — напоминалка

Семь основных настроек при вызове LLM: max tokens, temperature, top_p, top_k, frequency и presence penalty, stop — что делают и типичные значения.

Типы интеллектуальных агентов

Пять классических архитектур агента — от простого рефлекса до обучения: как воспринимают среду, хранят состояние, выбирают действия и связаны с современными LLM-агентами.

RAG, MCP и агенты — три слоя архитектуры

Как слой знаний (RAG), слой подключений (MCP) и слой исполнения (AI-агент) складываются в архитектуру современного ИИ-приложения.

Emergence World — поведение LLM в мультиагентной среде

Эксперимент Emergence AI: автономные агенты в виртуальном городе, сравнение Claude, Gemini, Grok и GPT-5-mini и выводы о безопасности, среде и долгом горизонте.