Что такое ИИ-агент: стек от PydanticAI до MCP, который спрашивают на собеседованиях

---

Автор Хабра разобрал стек агентного Python-инженера от PydanticAI до MCP и показал, какие навыки реально спрашивают на собеседованиях в 2025 году, а какие кандидаты «люто плавают» при первом же вопросе.

Публикация на Хабре стала ответом на типичные описания вакансий для агентных Python-разработчиков. В этих вакансиях через запятую перечислены PydanticAI, CrewAI, LangGraph, протоколы MCP и A2A, векторные базы данных. Автор заметил: кандидаты читают эти списки, но не понимают, что стоит за каждым пунктом. Разбор построен как подготовка к собеседованию и одновременно как карта технологий для тех, кто хочет разобраться, что такое ИИ-агент на практике, а не в теории.

Что такое ИИ-агент и чем он отличается от скрипта?

Автор даёт рабочее определение. ИИ-агент (agent, программа, которая сама выбирает следующий шаг для достижения цели) состоит из трёх частей: промпт (prompt, текстовая инструкция для модели), большая языковая модель и набор инструментов. Но этого мало.

Два признака отличают агента от обычного скрипта с вызовом модели:

• Цикл. Не фиксированная цепочка «промпт, потом модель, потом парсинг», а повторяющийся виток. На каждом витке модель сама решает, какой инструмент вызвать, получает результат и думает снова. Маршрут рождается на ходу, а не прописан заранее.
• Обратная связь. Модель видит результат своего действия и учитывает его в следующем шаге. Без этого получается не агент, а генератор планов.

Между чистой цепочкой и полноценным агентом есть промежуточные формы: роутинг (модель выбирает ветку, но сами ветки заданы вами), оркестратор с подчинёнными агентами, цепочка с одним агентным шагом. Чем больше свободы у модели, тем меньше гарантий предсказуемости.

Цикл работает просто. Инструменты описываются схемой: имя, описание, формат аргументов. Модель отвечает либо текстом, либо запросом «вызови такой-то инструмент с такими аргументами». Сама модель ничего не выполняет. Выполняет среда исполнения, она же кладёт результат обратно в контекст и снова обращается к модели. Цикл останавливается, когда модель решает, что задача выполнена, или когда срабатывает лимит итераций, бюджет токенов (token, единица текста, которую обрабатывает модель) или кнопка «прервать».

PydanticAI: зачем он нужен и как устроен?

Из конкретных фреймворков автор подробно разбирает PydanticAI. Это инструмент от команды Pydantic, и его философия наследует саму библиотеку: если вы объявили тип данных, фреймворк проследит, чтобы ответ модели ему соответствовал.

Три механизма, которые проверяют на собеседованиях:

• Структурированный вывод. Вы описываете формат ответа как модель данных. Фреймворк превращает её в JSON-схему, отдаёт языковой модели и валидирует результат. Если ответ не совпал со схемой, агент сам попросит модель попробовать ещё раз. Не нужно уговаривать модель в промпте «пожалуйста, верни JSON».
• Инструменты через декораторы. Обычная Python-функция становится инструментом: схема аргументов строится из типов, описание для модели берётся из комментария к функции. Типы проверяются автоматически: модель не сможет передать текст туда, где ожидается число.
• Зависимости запуска. Через объект контекста (RunContext) инструменту передаётся всё, что нужно для работы: подключение к базе, API-ключ, данные пользователя. Агент получает зависимости при запуске, а не при создании.

Почему рынку не хватает агентных инженеров?

Автор описывает проблему прямо: вакансии требуют знания PydanticAI, CrewAI, LangGraph, протоколов MCP (Model Context Protocol, стандарт подключения инструментов к модели) и A2A (Agent-to-Agent, протокол общения агентов между собой), но большинство кандидатов не могут ответить даже на базовые вопросы. Перечень технологий в вакансии выглядит пугающе, хотя за каждым пунктом стоит понятная концепция.

Разрыв между спросом и предложением создаёт окно возможностей. Тот, кто разберётся в стеке сейчас, получает преимущество на рынке труда. Автор честно предупреждает: «всё течёт и меняется быстро, так что и эти тезисы устареют скоро».

Большинство кандидатов люто плавают в этих вопросах. И даже перспективы перейти к физическому труду в обозримом будущем не мотивируют оных слегка прокачать нужные навыки. : Автор материала на Хабре

Что это значит для вас?

Авторам Дзена и копирайтерам. Понимание, что такое ИИ-агент, перестаёт быть опцией. Если вы пишете про технологии или используете ИИ для генерации контента, разница между цепочкой вызовов и агентом с обратной связью определяет, какой инструмент вы выберете и каких результатов добьётесь. Разобраться в трёх пунктах из статьи (цикл, обратная связь, структурированный вывод) можно за вечер.

Маркетологам. Агентные инструменты уже появляются в CRM и рекламных платформах. Когда подрядчик или разработчик говорит «мы внедрили агента», полезно понимать, настоящий это агент с циклом принятия решений или просто цепочка промптов с красивым названием.

Предпринимателям в РФ и СНГ. Фреймворки PydanticAI и CrewAI работают с разными провайдерами моделей. В России доступны YandexGPT и GigaChat как языковые модели, а фреймворки можно подключить к ним через совместимые API. Если ищете агентного разработчика, проверяйте: понимает ли кандидат разницу между агентом и скриптом. Судя по автору материала, это отсеивает большинство.

Кто хочет перестать «люто плавать» на собеседованиях или хотя бы понимать, о чём говорит разработчик на созвоне, начните с определения: цикл плюс обратная связь. Всё остальное в агентном стеке растёт из этих двух вещей.