Agents
Разбор whitepaper Google про агентные системы: архитектура model/tools/orchestration, стратегии обучения, Project Oscar и ключевые security-риски.
Практика чтения для этого источника ещё не опубликована
Ниже доступен готовый редакционный brief из прежнего каталога. Он даёт контекст, но не засчитывается как lab.
Открыть оригиналГотовый редакционный разбор
Он сохранён из прежней версии каталога и расположен после самостоятельной практики, чтобы не подменять чтение оригинала готовым пересказом.
Основа главы
Telegram-пост #3143
Ключевые идеи и структура разбора whitepaper Agents by Google.
Основа главы
Telegram-пост #3143
Ключевые идеи и структура разбора whitepaper Agents by Google.
Whitepaper
Agents (Google)
Официальная страница whitepaper на Kaggle.
Whitepaper
Agents (Google)
Официальная страница whitepaper на Kaggle.
Paper описывает, как перейти от статических LLM-сценариев к агентным системам, которые наблюдают среду, формируют внутреннее состояние, планируют действия и используют инструменты для достижения цели в реальном мире.
Первая страница whitepaper (клик по изображению откроет PDF).
Что Google называет агентом
An autonomous system that observes its environment, reasons about goals, and takes actions using tools to achieve outcomes.
- Агент наблюдает окружение через доступные каналы и сигналы.
- Формирует внутреннее состояние за счет reasoning, а не только статического ответа модели.
- Выбирает действия через планировщик и вызывает инструменты (API, функции, data stores).
Архитектура агентной системы в paper
1) The model
- LLM выступает как центральный reasoning-движок для интерпретации цели и выбора следующего шага.
- Ключевая роль модели - не только генерация текста, а поддержка итеративного цикла наблюдение -> рассуждение -> действие.
2) The tools
- Инструменты подключают агента к внешнему миру: API, функции, базы данных и поисковые индексы.
- Без этого слоя агент остается в пределах внутренних знаний модели и не может выполнять полезные операции в production-контуре.
3) The orchestration layer
- Оркестрация управляет тем, как агент планирует, проверяет гипотезы и делает повторные итерации.
- На уровне orchestration реализуются паттерны вроде ReAct, CoT и ToT с контролем остановки и fallback-логикой.
Tools: мост между агентом и внешним миром
Extensions
Интеграция с внешними API, когда вызовы выполняются на стороне агентной платформы.
Functions
Генерация вызова функций для исполнения на стороне клиента, который инициировал обращение к агенту.
Data stores
Доступ к внешней памяти (часто векторной) через embeddings для retrieval и обогащения контекста.
Оркестрация reasoning-циклов
ReAct (Reasoning + Acting)
Связывает цепочку рассуждений с внешними действиями и обратной связью от инструментов.
CoT (Chain of Thought)
Пошаговая декомпозиция задачи перед выполнением действия или выбором инструмента.
ToT (Tree of Thoughts)
Перебор альтернативных веток рассуждений и выбор лучшей траектории по заданному критерию.
Три стратегии обучения агентов
- In-context learning: адаптация поведения в реальном времени за счет инструкций и примеров внутри prompt-контекста.
- Retrieval-based learning: подтягивание внешней памяти для принятия решений с актуальными и доменными данными.
- Fine-tuning: дообучение под конкретный домен, чтобы снизить стоимость reasoning-итераций и повысить стабильность качества.
Автономное поведение в работе агента
- Планирование шагов без постоянного ручного вмешательства.
- Приоритизация задач в зависимости от текущего состояния среды.
- Адаптация стратегии при получении новой обратной связи.
- Восстановление после ошибок через повторные циклы reasoning + tool use.
Open source
Project Oscar
Инициатива Google по агентной автоматизации рутинных задач поддержки OSS-проектов.
Open source
Project Oscar
Инициатива Google по агентной автоматизации рутинных задач поддержки OSS-проектов.
Project Oscar: применимость к SDLC
В тексте отдельно полезен акцент на open-source maintenance: не только "писать код", но и автоматизировать трудоемкие этапы сопровождения - triage, рутинные проверки, операционные и координационные задачи, которые замедляют команды.
Будущее и риски агентных систем
Куда движется подход
- Более автономное управление вычислительными ресурсами и снижение зависимости от централизованных платформ.
- Рост multi-agent collaboration для решения задач, которые сложно покрыть одним агентом.
- Смещение фокуса с single-agent assistant в сторону агентных экосистем с ролями и протоколами взаимодействия.
Что важно закрыть заранее
- Защита API-интеграций от злоупотребления инструментами и несанкционированных действий.
- Контроль доступа к data stores и политик работы с чувствительными данными.
- Guardrails на уровне orchestration: лимиты, валидация действий, human-in-the-loop для high-risk сценариев.
Связанные главы
2026 Agentic Coding Trends
Тренды agentic-практик в SDLC и влияние на роли инженерных команд.
Towards AI-Native Software Engineering (SE 3.0)
Roadmap перехода к intent-first и agent-native подходу в разработке.
Virtual Agent Economies
Следующий уровень: как проектировать правила и инфраструктуру для взаимодействия множества агентов.