Георгий Димитриади – От изолированных моделей к мультиагентным экосистемам. Практическое руководство по современному AI, MCP и Harness (страница 1)
Георгий Димитриади
От изолированных моделей к мультиагентным экосистемам. Практическое руководство по современному AI, MCP и Harness
Краткое содержание
Введение. Конец эпохи чат-ботов
Эволюция ИИ: от поисковых запросов к действию.
Почему генерация текста - это лишь 10% возможностей современных систем.
Для кого эта книга: разработчики, архитекторы, продакт-менеджеры.
Часть 1. Фундамент: Современный искусственный интеллект
Глава 1. Анатомия большой языковой модели (LLM).Токены, контексты, трансформеры. Почему модель «галлюцинирует» и как это связано с вероятностной природой ИИ.
Глава 2. От статики к динамике: RAG и инструменты.Как научить модель работать с актуальными данными (Retrieval-Augmented Generation) и вызывать внешние функции (Function Calling). Ограничения классического подхода.
Глава 3. Что такое ИИ-агент.Петля ReAct (Reason + Act). Разница между моделью, которая отвечает на вопрос, и агентом, который решает задачу. Компоненты агента: мозг (LLM), память (краткосрочная и долгосрочная), инструменты.
Пример:Создание простого агента на Python, который умеет проверять погоду и сохранять заметки в локальный файл.
Часть 2. Проблема масштаба: Хаос интеграций
Глава 4. Кризис N×M.Почему подключение 10 агентов к 10 корпоративным системам (CRM, базы данных, Slack, файловое хранилище) превращается в неподдерживаемый кошмар. Проблема фрагментации API.
Глава 5. Знакомство с MCP (Model Context Protocol).
Пример:Переписывание агента из Главы 3. Теперь он не имеет жестко зашитого кода для работы с файлами, а подключается к MCP-серверу файловой системы. Агент из коробки получает доступ к новому MCP-серверу базы данных без изменения своей логики.
Часть 3. Индустриальный стандарт: Глубокое погружение в MCP
Глава 6. Жизненный цикл MCP-соединения.Рукопожатие (handshake), листинг возможностей, вызов инструмента, обработка ошибок.
Глава 7. Безопасность и авторизация в MCP.Внедрение OAuth 2.1 в спецификацию 2025 года. Как ограничить агенту доступ только к нужным таблицам или каналам. Stateless-ядро протокола.
Глава 8. Экосистема MCP.Официальный реестр серверов. Тысячи готовых коннекторов (Google Drive, Slack, GitHub, корпоративные ERP). Как опубликовать свой MCP-сервер.
Пример:Сборка корпоративного хаба. Агент технической поддержки через MCP подключается одновременно к Jira (тикеты), Confluence (база знаний) и внутренней CRM, используя единый протокол авторизации.
Часть 4. Гарантия качества: Harness для агентов
Глава 9. Почему агенты непредсказуемы.Проблема оценки неструктурированного вывода. Что такое Harness (обвязка) в контексте ИИ.
Глава 10. Анатомии Eval Harness.
Глава 11. Harness Bench и воспроизводимость.Как создать тестовый набор (бенчмарк), который можно прогонять при каждой смене промпта или версии модели. Гибкая архитектура, отделяющая логику задачи от правил оценки.
Пример:Пишем Harness для агента-программиста. Автотест проверяет, скомпилировался ли код, прошел ли он unit-тесты, и оценивает чистоту архитектуры с помощью LLM-судьи.
Часть 5. Синергия: Мультиагентные среды
Глава 12. Один агент - хорошо, а сеть - лучше.Пределы когнитивных способностей одной модели. Делегирование задач.
Глава 13. Паттерны взаимодействия.
Глава 14. Коммуникация и память в мультиагентных системах.Протоколы обмена сообщениями. Общая «рабочая доска» (blackboard). Разрешение конфликтов.
Пример:Разработка системы для вывода нового продукта на рынок.
Агент-исследователь собирает данные через MCP-серверы аналитики.
Агент-копирайтер пишет тексты, запрашивая у дизайнера (другого агента) мокапы.
Агент-менеджер (Orchestrator) распределяет задачи и контролирует бюджет, общаясь с агентами через MCP.
Часть 6. Производство и этика
Глава 15. Мониторинг и наблюдаемость.Как понять, на каком шаге мультиагентная цепочка пошла не так. Трассировка вызовов MCP.
Глава 16. Экономика агентов.Подсчет стоимости токенов в сложных цепочках. Оптимизация.
Глава 17. Этика, безопасность и автономия.Проблема «вредоносных инструкций» во внешних данных, к которым агент получает доступ через MCP. Кто несет ответственность за действие агента.
Заключение. Будущее агентного ИИ
От инструментов к полноценным цифровым сотрудникам.
Тренды 2026 года и далее: физическое воплощение агентов (роботы), децентрализованные сети.
Приложения
Глоссарий (MCP Host, Harness, ReAct, LLM-as-a-judge).
Чек-лист запуска мультиагентной системы в продакшен.
Список ключевых открытых библиотек (MCP SDK, Inspect AI, Databricks Evaluation Framework).
Введение. Конец эпохи чат-ботов
Осенью 2022 года мир сошел с ума от больших языковых моделей. Мы научились общаться с компьютерами на естественном языке, и это казалось вершиной технологического прогресса. Мы спрашивали - нейросеть отвечала. Мы просили написать код - она выдавала сниппет. Это было похоже на магию.
Но магия быстро столкнулась с суровой реальностью. Выяснилось, что модель, способная написать безупречное эссе о квантовой физике, не может забронировать вам отель, обновить статус в Jira или найти ошибку в логах сервера за вчерашний день. Она заперта в 2022 или 2024 году, в зависимости от даты среза ее знаний. Она не знает о ваших корпоративных документах, не видит вашего экрана и не имеет права нажать кнопку «Оплатить» на сайте.
Промышленность уперлась в потолок. Чтобы сделать следующий шаг, модели нужно было дать руки.
Так наступила эра агентного искусственного интеллекта (ИИ). Мы перестали просить ИИ
Однако, как только мы начали массово создавать таких агентов, индустрия погрузилась в хаос.
Представьте крупную компанию. У вас есть десять ИИ-агентов: один пишет код, второй отвечает клиентам, третий анализирует финансы. И есть двадцать корпоративных систем: база данных PostgreSQL, CRM Salesforce, файловое хранилище, Slack, GitHub, ERP 1С. Чтобы агент мог работать, разработчику приходилось писать уникальный, хрупкий «клей» - адаптер - для каждой пары «агент - система». Если систем 20, а агентов 10, вам потенциально нужно 200 различных интеграций. Любое изменение API в Salesforce ломало агента по продажам. Обновление базы данных обрушивало аналитика. Разработка превратилась в кошмар поддержки.
В ноябре 2024 года этот хаос начал уходить в прошлое. Компания Anthropic представила протокол Model Context Protocol (MCP)- открытый стандарт, который индустрия мгновенно окрестила «USB-C для искусственного интеллекта».
MCP делает для ИИ то же самое, что когда-то HTTP сделал для веба. Он предлагает единый, универсальный язык, на котором любой агент может общаться с любым внешним инструментом. Больше не нужно писать 200 адаптеров. Вы создаете один MCP-сервер для вашей базы данных и один MCP-клиент для вашего агента. После этого любой совместимый агент - будь то модель от OpenAI, Anthropic или открытая LLM, запущенная на вашем сервере - получает доступ к этим данным мгновенно и безопасно. В декабре 2025 года Anthropic передала MCP в дар фонду Agentic AI Foundation под эгидой Linux Foundation, навсегда сделав его нейтральным общественным стандартом.
Но дать агентам инструменты - это только половина дела. Когда система обретает автономию и начинает совершать реальные действия (менять код, переводить деньги, удалять файлы), цена ошибки возрастает до стоимости бизнеса. Как гарантировать, что агент не «галлюцинирует» в процессе выполнения критической операции? Как протестировать цепочку из пяти разных инструментов? Как убедиться, что после обновления модели система не начнет нарушать регламент?
Для этого появился промышленный стандарт Harness- инженерная обвязка, которая превращает непредсказуемое поведение нейросети в повторяемый, измеряемый и тестируемый процесс. Harness прогоняет агента через фиксированные сценарии, проверяет не только формат его ответа, но и смысловую корректность, используя для этого как жесткие правила, так и других ИИ-судей.