AI Agents — The Definitive Guide (O'Reilly)

· 2 мин чтения
ai-agents book langgraph evaluation multi-agent
📂 Исходный код на GitHub

Репозиторий с кодом к книге O'Reilly «AI Agents — The Definitive Guide»

AI Agents — The Definitive Guide (O'Reilly)

AI Agents — The Definitive Guide (O'Reilly)

Книга «AI Agents — The Definitive Guide» от O'Reilly — это полноценный практический курс по созданию AI-агентов от архитектурного чертежа до продакшена. Репозиторий содержит Jupyter-ноутбуки с кодом для каждой из 12 глав, запускаемые прямо в Google Colab. Подходит тем, кто хочет понять не только теорию, но и как собрать работающего агента с нуля.

Структура репозитория

├── CH01                  <- From LLMs to Agents: The Foundational Blueprint
├── CH02                  <- Architectures and Patterns: Planning, Reactivity, Multi-Agent-Systems
├── CH03                  <- Advanced Planning, Reasoning, and Scalable Execution
├── CH04                  <- Models Behind the Agents: Capabilities and Optimization
├── CH05                  <- From Prototypes to Production: Contracts, Tools, and Reliable Execution
├── CH06                  <- Secure Execution and Tool Governance
├── CH07                  <- Deploying Agents in Real Products
├── CH08                  <- Foundational Evaluation and Operational Observation of Agentic Systems
├── CH09                  <- Customized and Advanced Evaluation of Agentic Systems
├── CH10                  <- Agent Memory: How Persistence Turns Agents Into Evolving Systems
├── CH11                  <- From Compute to Cost: Designing Efficient Agentic Systems
├── CH12                  <- Threat Modeling for AI Agents
├── utils                 <- Custom classes and utility functions
└── resources             <- Miscellaneous resources

Каждая папка содержит Jupyter-ноутбуки с префиксом главы (ch01_attention_mechanism_variations.ipynb). Все ноутбуки можно запустить в Colab по ссылке в README.

Содержание по главам

Глава 1 — From LLMs to Agents. Основы: как обычные языковые модели превращаются в автономных агентов. Архитектурный чертёж агентной системы.

Глава 2 — Architectures and Patterns. Типы агентов: CoT (Chain-of-Thought), ToT (Tree-of-Thought), ReAct, Human-in-the-Loop. Мультиагентные архитектуры — иерархические команды и рои (swarms).

Глава 3 — Advanced Planning, Reasoning, and Scalable Execution. Продвинутые техники: ART + RULER для планирования, TreeQuest (AB-MCTS) для масштабируемого рассуждения.

Глава 4 — Models Behind the Agents. Как модели оптимизируются под агентные задачи. Supervisor-агенты для координации команд.

Глава 5 — From Prototypes to Production. Переход от прототипа к рабочему продукту: Deep Agents, MCP с LangGraph, контракты с Pydantic. Принцип Product Reliability Rule.

Глава 6 — Secure Execution and Tool Governance. Безопасность: A2A + MCP Governed, интеграция с Composio, песочницы E2B, программный вызов инструментов.

Глава 7 — Deploying Agents in Real Products. Деплой: Hardening Backbone для устойчивости, выбор inference-бэкендов, модельный fallback.

Глава 8 — Foundational Evaluation and Observation. Оценка агентных систем: OWASP ASI 2026 (безопасность), Evaluation Harness для тестирования.

Глава 9 — Customized and Advanced Evaluation. Продвинутая оценка: AgentVista для анализа, интеграция с Langfuse и LangSmith.

Глава 10 — Agent Memory. Память агентов: LangGraph для персистентного хранилища, сравнение агентов с памятью и без, топологии памяти.

Глава 11 — From Compute to Cost. Оптимизация затрат: калькулятор стоимости по топологии, мемоизирующий swarm, анализ GPU-требований.

Глава 12 — Threat Modeling for AI Agents. Моделирование угроз: LlamaFirewall для защиты агентов.

Ключевые темы

Книга охватывает полный цикл жизни AI-агента:

  • Архитектуры и паттерны — ReAct, CoT, ToT, мультиагентные системы
  • Планирование и рассуждение — ART, RULER, TreeQuest (AB-MCTS)
  • Производственный деплой — контракты (Pydantic), MCP, A2A, песочницы (E2B)
  • Оценка и наблюдение — Evaluation Harness, OWASP ASI 2026, Langfuse, LangSmith
  • Память — персистентность, топологии, сравение с baseline
  • Оптимизация стоимости — калькуляция, мемоизация, GPU-метрики
  • Безопасность — Threat Modeling, LlamaFirewall, governance инструментов

Фреймворки и инструменты

В коде используются:

  • LangGraph — основной фреймворк для построения графов агентов
  • LangChain — утилиты и интеграции
  • Pydantic — контракты и валидация данных
  • MCP (Model Context Protocol) — протокол для подключения внешних инструментов
  • A2A (Agent-to-Agent) — протокол общения между агентами
  • Composio — governance слой для инструментов
  • E2B — песочницы для безопасного выполнения кода
  • Langfuse / LangSmith — observability и evaluation
  • LlamaFirewall — защита от атак на агентов

Jupyter-ноутбуки

Каждая глава содержит от одного до нескольких ноутбуков — всего более 25 примеров. Все запускаются в Google Colab без локальной настройки. Примеры:

  • ch02_CoT.ipynb — Chain-of-Thought
  • ch02_ToT.ipynb — Tree-of-Thought
  • ch02_react.ipynb — ReAct-агент
  • ch05_mcp_langgraph.ipynb — MCP с LangGraph
  • ch10_agent_memory_langgraph.ipynb — память агентов
  • ch12_LlamaFirewall.ipynb — безопасность

Связанные ресурсы

Для кого эта книга

Книга подойдёт разработчикам, которые хотят перейти от чат-ботов к автономным агентам. Не обязательно знать LangGraph заранее — ноутбуки идут от основ. Полезна как для тех, кто строит агентов впервые, так и для тех, кто хочет систематизировать знания по оценке, безопасности и продакшену.

Источник: https://github.com/Nicolepcx/ai-agents-the-definitive-guide

Похожие материалы