Как создать ИИ-агента на LangChain: LLM, инструменты, память и рассуждения

Агент — это цикл «думай → действуй → наблюдай», где LLM выбирает инструмент и интерпретирует его результат до получения финального ответа. Цепочка (Chain) выполняет фиксированную последовательность шагов без выбора. Агент гибче: он может вызвать поиск, потом калькулятор, потом снова поиск в зависимости от промежуточных результатов. Риск: агент может зациклиться или выбрать лишний инструмент, что увеличивает стоимость и время ответа.

Два основных типа: ReAct (Reasoning + Acting) — агент явно рассуждает текстом перед каждым действием, и Tool Calling — агент использует нативный function calling модели без текстового рассуждения. Tool Calling быстрее и дешевле, ReAct прозрачнее для отладки. Для продакшена в 2025–2026 годах рекомендуется Tool Calling через AgentExecutor или LangGraph. Нюанс: не все модели одинаково хорошо поддерживают function calling — GPT-4o и Claude 3.5 справляются лучше младших моделей.

Через ConversationBufferMemory (хранит всю историю) или ConversationSummaryMemory (сжимает старые сообщения через LLM). Память передаётся в AgentExecutor параметром memory=. Для долгосрочной памяти между сессиями — векторное хранилище: агент ищет релевантные воспоминания по семантической близости. Нюанс: буферная память растёт линейно и увеличивает стоимость каждого вызова, поэтому для длинных диалогов лучше summary или векторный поиск.

ReAct — паттерн, где LLM генерирует три блока подряд: Thought (что думает), Action (какой инструмент вызвать и с какими аргументами), Observation (результат инструмента). Цикл повторяется до финального ответа. LangChain реализует это через промпт-шаблон, который явно требует от модели этих блоков. Преимущество: каждый шаг виден в логах. Риск: модели иногда «галлюцинируют» в блоке Thought и вызывают не тот инструмент.

Да, через список tools — агент знает только те инструменты, которые ему переданы явно. Дополнительно: max_iterations в AgentExecutor ограничивает число шагов, handle_parsing_errors=True предотвращает падение при неверном формате вывода. Для критичных действий (запись в БД, внешние API) рекомендуется human-in-the-loop через LangGraph interrupt. Нюанс: ограничение числа итераций иногда обрывает агента до получения правильного ответа.

Агент читает PDF-отчёты эмитентов через загрузчики, ищет новости через Tavily или SerpAPI, запрашивает данные из SQL-базы с историческими котировками. Результат: черновик аналитической заметки или структурированная таблица для сравнения компаний. Это автоматизирует сбор данных, но не заменяет оценку: агент не понимает контекст рынка и не несёт ответственности за качество источников. Верификация итогового вывода остаётся за аналитиком.

GPT-4o и Claude 3.5 Sonnet показывают наиболее стабильный function calling и следование инструкциям. Младшие модели (GPT-4o mini, Claude Haiku) дешевле, но чаще ошибаются при сложных многошаговых задачах.