Как перестать коллекционировать статьи об ИИ и собрать своего первого агента

Знакомая ситуация: в закладках висит десяток туториалов по LangChain, в Telegram-каналах каждый день постят «революционные» фреймворки, а когда доходит до дела, всё упирается в нерабочий код или платные курсы. Я наткнулся на репозиторий ai-agents-from-zero, который пытается решить эту проблему. Это не просто набор ссылок, а полноценная дорожная карта для тех, кто хочет перейти от запуска ChatGPT в браузере к разработке автономных систем.

Что внутри этого репозитория

Автор проекта, didilili, собрал в одном месте всё, что нужно для входа в профессию AI Agent Engineer. В отличие от многих западных курсов, которые часто фокусируются на Java (через Spring AI), здесь основной упор сделан на Python. Это логично: вся современная ML-экосистема крутится вокруг него.

Проект подкупает своей структурой. Это не хаотичный набор скриптов, а последовательное движение от основ LLM до деплоя готовых систем. Причем автор обещает поддерживать актуальность материалов вплоть до 2026 года, что в мире ИИ звучит как вечность.

Главные фишки для практики

В репозитории выделяются несколько направлений, которые закрывают большинство реальных задач разработчика.

От Low-code к чистому коду

Если вы только пробуете почву, есть разделы по Coze и Dify. Это отличные инструменты, чтобы быстро «накидать» прототип агента в визуальном редакторе. Но самое интересное начинается дальше — переход к LangChain и LangGraph. Автор объясняет, как перенести логику из визуальных кубиков в код, сохранив контроль над состоянием и памятью агента.

Реальные проекты вместо Hello World

Вместо того чтобы в сотый раз пересказывать, как работает сумматор на базе LLM, здесь предлагают разобрать два серьезных кейса:

1. Shopkeeper Agent (Электронная коммерция). Это связка LangGraph с SQL-базой, векторным поиском в Qdrant и Elasticsearch. Проект учит агента не просто болтать, а реально работать с данными склада и заказами.
2. DeepSearch Agents. Система для глубоких исследований, которая умеет искать информацию в сети, читать файлы и выдавать структурированные отчеты.

База для собеседований

Отдельный файл посвящен вопросам для интервью. Там нет банальщины вроде «что такое GPT». Вопросы сформулированы на основе реальных требований к вакансиям: как бороться с галлюцинациями в RAG, как оптимизировать стоимость токенов и как выстраивать архитектуру многоагентных систем.

Технологический стек

Проект охватывает довольно широкий стек, который сейчас считается стандартом индустрии:

• Фреймворки: LangChain, LangGraph (для сложных графовых сценариев).
• Протоколы: MCP (Model Context Protocol) — свежий стандарт от Anthropic для подключения инструментов к моделям.
• RAG: работа с векторными базами, гибридный поиск и переранжирование (Rerank).
• Локальный запуск: использование Ollama и vLLM для тех, кто не хочет зависеть от облачных API.

Кому это пригодится

Я бы рекомендовал заглянуть в этот репозиторий трем категориям разработчиков.

Во-первых, бэкенд-инженерам на Python, которые хотят понять, как встроить ИИ в существующий продукт, не превращая код в кашу из if-else.

Во-вторых, тем, кто застрял на уровне «промпт-инжиниринга». Здесь хорошо показано, что промпт — это лишь 10% успеха, а остальное — это работа с данными, памятью и инструментами.

В-третьих, студентам и тем, кто ищет работу. Готовые проекты из этого репозитория не стыдно положить в портфолио, потому что они решают понятные бизнесу задачи.

С чего начать

Если решите попробовать, алгоритм стандартный:

1. Клонируете репозиторий.
2. Создаете виртуальное окружение (рекомендуется Python 3.10+).
3. Настраиваете .env файл. Автор предусмотрел возможность работы через Ollama, так что если у вас нет ключей OpenAI или Anthropic, можно запуститься полностью локально.

Единственный нюанс — основная часть документации написана на китайском языке. Но в 2025 году это вряд ли станет преградой: встроенные переводчики браузеров или тот же Cursor отлично справляются с переводом технического текста, а код и структура папок говорят сами за себе.

Проект выглядит как живая энциклопедия, которую стоит держать под рукой, пока хайп вокруг агентов перерастает в реальные инженерные решения.