#хабр #LLM #Python

Собрать базового AI-агента несложно: LLM получает задачу, вызывает инструменты и повторяет цикл, пока не получит результат.

Но как превратить этот цикл в систему, которой можно нормально управлять?

Дмитрий Емец, наш тимлид отельного поиска, перевёл и адаптировал для Хабра статью Бруно Гонсалвеса о том, как вокруг простого агентного цикла построить agentic harness.

Весь код — на Python, а архитектура разбирается на сквозном примере с близкой нам географией: агент собирает данные о нескольких городах и готовит их сравнение.

В процессе простой цикл постепенно обрастает инфраструктурой:

📍 DAG и конкурентным выполнением независимых задач
📍 памятью и разделением ролей Planner / Worker / Critic
📍 бюджетами, обработкой ошибок, верификацией и трассировкой

Если строишь AI-агентов и хочешь посмотреть, какая инфраструктура нужна вокруг самой модели, — этот разбор хорошо показывает всю систему целиком.

Читай на Хабре 👈