Игорь Градов
Игорь Градов
5 мин
ai

Новичок соберёт ИИ-агента без фреймворков за 7 шагов: что такое ИИ-агент на практике

Новичок может собрать собственного ИИ-агента без фреймворков на небольшой модели у себя на компьютере. После недавних блокировок сервисов такая независимая разработка, по оценке автора руководства, надёжнее всего сохраняет доступ к ИИ.

Новичок соберёт ИИ-агента без фреймворков за 7 шагов: что такое ИИ-агент на практике

Ниже разберём, что такое ИИ агент, и пройдём путь от проверки модели до рабочей программы. Результат: агент запускается из командной строки, получает задачу обычным текстом и сам решает, какой инструмент вызвать, например поиск по папке с файлами.

Почему это важно

Агент собирается из обычного кода на Python и модели qwen2.5:3b, без готовых решений вроде OpenCode. Всё работает на вашей машине или вашем сервере и не зависит от доступности зарубежных платформ.

Обычно ИИ используют как продвинутый поиск или помощника для текстов и кода. Русскоязычное руководство для начинающих показывает другой путь: модель не только отвечает, но и выполняет действия. Автор специально обходится без фреймворков (готовых наборов заготовок для программистов), чтобы логику можно было понять и настроить под свои процессы.

Что такое ИИ агент, если объяснять на стажёре?

Большую языковую модель, LLM (нейросеть, которая понимает и пишет текст, как ChatGPT), часто сравнивают с хорошим стажёром. Он много знает и быстро вникает в задачу, но его работу лучше перепроверять. Автор руководства уточняет: обычная модель похожа на стажёра в закрытой комнате, а агент похож на стажёра, которому дали ноутбук с доступами.

Технически агент остаётся обычной программой-прослойкой. Она передаёт модели задачу вместе с описанием инструментов, выполняет вызовы, которые запросила модель, и возвращает ей результаты. Скрипт с жёстким порядком шагов так не умеет: агент выбирает следующий шаг по ходу работы.

Главная деталь для новичка: модель сама ничего не запускает. Она лишь пишет текст в условленном формате о том, какую функцию стоит вызвать. Запускает функцию ваш код.

В руководстве разобрана простая схема из одного агента (single-agent):

  • LLM, «мозг»: разбирает запрос, выбирает инструменты, формирует итоговый ответ;
  • инструменты, «руки»: функции, которые проверяют доступность сервера, ищут данные в документации, обращаются к API (программному входу в другой сервис);
  • CLI, командная строка: окно, где вы пишете задачи агенту.

Что понадобится для первого агента?

  • Ollama (программа для запуска нейросетей на своём компьютере), установленная локально или на сервере;
  • модель с поддержкой вызова инструментов (tool calling), автор берёт qwen2.5:3b;
  • Python версии 3.10 и новее;
  • библиотека requests;
  • утилита grep (поиск текста в файлах), в macOS и Linux она есть сразу;
  • папка проекта с каталогом repo, по которому агент будет искать.

Вместо Ollama подойдут llama.cpp или LM Studio. Тогда придётся немного поправить адрес API, остальное не меняется.

Пошаговая инструкция: от проверки модели до цикла агента

  1. Установите Ollama и скачайте модель. Автор запускает qwen2.5:3b на Macbook: для демонстрации её хватает. Сервер нужен, если модели не хватает памяти, нужна видеокарта (GPU) или доступ с нескольких компьютеров.
  2. Проверьте, что Ollama отвечает по HTTP (протокол, через который программы обмениваются запросами). Запросите список моделей:
curl http://localhost:11434/api/tags
  1. Если всё настроено, придёт ответ в формате JSON (структурированный текст для программ) со списком скачанных моделей.
  2. Отправьте тестовый запрос в адрес /api/chat. Так вы убедитесь, что модель отвечает на сообщения.
  3. Опишите инструменты. Каждому нужно название и понятное описание: его модель получает вместе с вашей задачей.
  4. Соберите цикл. Код передаёт модели запрос и список инструментов, модель решает, нужен ли инструмент, код вызывает функцию и отдаёт результат обратно. Цикл повторяется, пока модели не хватит данных для финального ответа.
  5. Оберните всё в CLI, чтобы ставить задачи из командной строки. Для переезда на сервер поменяйте адрес в параметре base_url, сам код от места запуска не зависит.
Как это выглядит на практике

Вы пишете в командной строке: «Найди в папке repo, где упоминается функция авторизации». Модель видит, что у неё есть инструмент поиска по коду, и отвечает текстом: вызвать поиск с таким-то словом. Программа запускает grep по каталогу repo, отдаёт найденные строки модели, и та пишет вам итоговый ответ с перечнем файлов.

Частые ошибки
  • Старый Python: в коде есть запись list[dict] | None, версии ниже 3.10 её не поймут.
  • Модель без поддержки вызова инструментов: агент просто не сможет ничего запустить.
  • Смена llama.cpp или LM Studio без правки адреса API.
  • Ожидание, что модель «сама сделает»: без вашего кода, который исполняет вызовы, агент превратится в скрипт, который вежливо сыплет ошибками.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. Сложите черновики и заметки в одну папку и дайте агенту инструмент поиска по ней. Вопрос «где я уже писал про налоги для самозанятых» решится одной командой.

Маркетологу. Агент берёт на себя рутинные проверки: найти данные в документации, сходить в API сервиса, проверить, отвечает ли сайт. Это часы ручной работы, которые уходят в цикл программы.

Предпринимателю в РФ и СНГ. Локальная модель через Ollama не зависит от блокировок, данные не покидают ваш компьютер. Из доступных в РФ аналогов с API есть YandexGPT и GigaChat: прежде чем переносить схему на них, проверьте в документации поддержку вызова инструментов.

Совет редакции dzen.guru

Я бы начал ровно с одного инструмента, поиска по своей папке, и добился, чтобы он срабатывал стабильно. Каждый новый инструмент добавляйте с подробным описанием: модель выбирает его только по тексту описания. Честная оговорка: модель на 3 миллиарда параметров годится для учебного стенда, но, на мой взгляд, на сложных задачах она будет ошибаться в выборе шагов. Ответы агента перепроверяйте, как работу того самого стажёра.

Хотите ИИ, который пишет под Дзен?

Инструменты dzen.guru помогают авторам готовить тексты и промпты под свои задачи без программирования.

Попробовать

Свой агент окупается пониманием: собрав цикл «модель решает, код исполняет» один раз, вы сможете подключить к нему любую задачу и не зависеть от того, какой сервис отключат завтра.

Поделиться:TelegramVK
Игорь Градов
Игорь Градов

Основатель dzen.guru. Эксперт по монетизации и продвижению на Дзен. Автор курса «Старт на Дзен 2026».

Комментарии

Читайте также

ai

Nvidia отчиталась о $115,8 млрд и не стала возвращать Дженсена Хуанга после скандала

Дженсен Хуанг, сооснователь Nvidia, ушёл с поста гендиректора после признания во внебрачных связях, а семнадцатого ноября компания отчиталась о выручке в…

5 мин
95% корпоративных ИИ-пилотов не дают прибыли: Европа тормозит на входе, Россия на выходе
ai

95% корпоративных ИИ-пилотов не дают прибыли: Европа тормозит на входе, Россия на выходе

Исследователи MIT зафиксировали, что 95% корпоративных ИИ-пилотов не приносят измеримой прибыли, и свежая статистика Европы и России показывает ту же стену:…

5 мин
Суд в США одобрил продажу данных Spirit Airlines компании Google за $10 млн: на них обучат ИИ
ai

Суд в США одобрил продажу данных Spirit Airlines компании Google за $10 млн: на них обучат ИИ

Федеральный суд по банкротствам в Нью-Йорке одобрил продажу внутренних данных Spirit Airlines компании Google за $10 млн, а Google собирается обучать на…

5 мин