Полный разбор архитектуры ИИ-агентов и их компонентов
Автор — Антипов Дмитрий
Руководитель разработки AI-продуктов в СБЕР (АБТ)
Большинство ИИ-агентов выглядят простыми, но внутри это сложные системы, где модель не только отвечает, но и планирует действия, вызывает инструменты и проверяет результаты. Поэтому не всегда очевидно, почему одни агенты стабильно работают в продакшене, а другие ломаются на базовых задачах.
В этой статье разберём архитектуру ReAct и как работают и создаются ИИ-агенты.
В этой статье разберём архитектуру ReAct и как работают и создаются ИИ-агенты.
ReAct — базовая архитектура AI-агентов
Агентные системы отличаются тем, что модель в них не просто генерирует ответ, а сама принимает решения: когда вызывать инструменты, какие шаги выполнять и в какой момент завершить работу.
Базовой архитектурой большинства современных ИИ-агентов считается подход ReAct (Reasoning + Acting), что можно перевести как «рассуждение + действие»
Работа ReAct строится по циклу: Think → Act → Observe (Подумать → Выполнить → Проверить результат).
Сначала модель анализирует задачу (Think), затем вызывает инструмент (Act), после чего получает результат и оценивает его (Observe). Цикл повторяется до завершения задачи.
Сначала модель анализирует задачу (Think), затем вызывает инструмент (Act), после чего получает результат и оценивает его (Observe). Цикл повторяется до завершения задачи.
Из чего состоит ИИ-агент
Чтобы этот цикл работал на практике, ReAct-агент собирается из набора взаимосвязанных компонентов. Вместе они превращают языковую модель в систему, которая может не только «думать», но и действовать.
1
Большая языковая модель (LLM)
Это интеллектуальное ядро ИИ-агента. Именно LLM (например, DeepSeek, Qwen или GigaChat) умеет рассуждать, строить план решения задачи и выбирать дальнейшие шаги. Но сама по себе модель не может открыть файл, обратиться к базе данных или вызвать API напрямую — она только «думает» и формирует решения в текстовом виде.
2
Агентные инструменты (Tools)
Это слой, который позволяет ИИ-агенту действовать в реальной среде. Через инструменты агент может обращаться к API, работать с базами данных, выполнять код, читать документы или выполнять веб-поиск.
3
Эмбеддинги (Embeddings)
Это способ представления данных (текста, изображений, аудио) в виде числовых векторов. Благодаря этому ИИ-агент может находить похожие документы, анализировать контекст и использовать семантический поиск в базе знаний (например, в RAG-системах). Эмбеддинги позволяют агенту понимать смысл, а не просто сравнивать строки текста.
4
Промпты и системные инструкции
Это инструкции, которые задают правила работы ИИ-агента: как он должен рассуждать, в каком формате выдавать ответ, когда использовать инструменты и когда уточнять информацию.
5
Function Calling (вызов функций)
Это механизм, который позволяет ИИ-агенту выбирать и вызывать внешние функции или API. В результате он не просто отвечает, а совершает реальное действие: создаёт заказ, обновляет данные или запускает бизнес-процесс.
6
Инференс (механизмы выполнения модели)
Это слой, который отвечает за запуск и выполнение LLM в реальном времени. Хорошо настроенный инференс позволяет ускорить обработку запросов, снизить стоимость вычислений и обеспечить стабильную работу под нагрузкой.
7
Протоколы взаимодействия (A2A и MCP)
В более сложных системах ИИ-агенты взаимодействуют не только с инструментами, но и друг с другом, а также с внешними платформами через специальные протоколы.
- A2A (Agent-to-Agent) — это протокол взаимодействия между агентами, где один агент ставит задачу, а другой — её выполняет. Агенты автоматически находят друг друга и делегируют задачи.
- MCP (Model Context Protocol) — это протокол, который позволяет динамически подключать к модели внешние инструменты, контекст и API. Он убирает необходимость жестко прописывать интеграции в коде и делает систему более гибкой.
Как создать ИИ-агента: дополнительные подходы
Помимо ReAct, существуют и другие популярные схемы, как собрать ИИ-агента.
Planner–Executor
Этот подход разделяет систему на два уровня: планировщик формирует стратегию решения задачи, а исполнитель последовательно реализует шаги этого плана.
Более продвинутая вариация этой идеи — Plan-and-Execute (P&E), где роли Planner и Executor строго разделены:
Такой подход решает одну из ключевых проблем ReAct — «близорукость». В ReAct агент принимает решения, опираясь только на текущий контекст и следующий шаг, тогда как в Plan-and-Execute вся последовательность действий формируется заранее, что делает работу более структурированной и логичной.
Более продвинутая вариация этой идеи — Plan-and-Execute (P&E), где роли Planner и Executor строго разделены:
- Planner сначала строит полный, структурированный план решения задачи;
- Executor выполняет его шаг за шагом, при необходимости корректируя выполнение.
Такой подход решает одну из ключевых проблем ReAct — «близорукость». В ReAct агент принимает решения, опираясь только на текущий контекст и следующий шаг, тогда как в Plan-and-Execute вся последовательность действий формируется заранее, что делает работу более структурированной и логичной.
Однако у подхода есть и недостаток — низкая гибкость. Если план оказался неточным или неполным, исполнитель не всегда способен адаптироваться к новым условиям
Поэтому в реальных системах часто добавляют механизм re-planning, который позволяет пересобирать план при возникновении ошибок или изменении контекста.
Гибридные архитектуры и практические рекомендации
На практике большинство production-систем не ограничиваются одним паттерном, а используют гибридные архитектуры, комбинируя разные подходы под конкретные задачи.
- CoT (Chain-of-Thought) + ReAct, где цепочка рассуждений используется для внутреннего анализа и логики, а ReAct отвечает за вызовы внешних инструментов и взаимодействие с окружением. Такой подход стал базовым в современных системах с function calling, например в GPT-4 и Claude
- Plan-and-Execute + ReAct, где планировщик формирует общий граф или последовательность задач, а каждый отдельный шаг выполняется ReAct-агентом. Такой подход активно применяется в фреймворках вроде AutoGen и LangGraph, так как позволяет сочетать глобальное планирование с гибкостью исполнения
- Reflexion — архитектура, в которой агент после неудачного выполнения задачи формирует «рефлексию», то есть анализ собственных ошибок, и затем повторяет попытку с учётом полученных выводов. Этот метод особенно эффективен в задачах, где результат можно проверить автоматически, например в программировании или математике
При выборе архитектурного паттерна обычно ориентируются на сложность задачи:
- если задача простая и требует до нескольких шагов — достаточно ReAct
- для сложных многошаговых сценариев лучше подходит Plan-and-Execute
- если же важна точность и возможность самокоррекции, эффективнее использовать Reflexion или гибридные схемы с re-planning
Заключение
Архитектуры ИИ-агентов помогают перейти от простых моделей генерации текста к системам, которые умеют действовать в реальном окружении. ReAct задает базовый цикл «рассуждение → действие → наблюдение», на котором строится большинство современных решений.
Поверх него появляются более сложные схемы — планирование, исполнение, самокоррекция и гибридные комбинации, которые делают агентов устойчивыми в продакшене.
Поверх него появляются более сложные схемы — планирование, исполнение, самокоррекция и гибридные комбинации, которые делают агентов устойчивыми в продакшене.
Другие статьи