Фаза 4 · Frameworks & Multi-Agent
Выбрать один фреймворк и нырнуть глубоко. Остальные — обзорно, чтобы знать ландшафт и уметь читать чужой код.
Документация фреймворков
Явный state machine, похоже на workflow-движки (Airflow/Temporal). Версия 1.0 — стабильный runtime с durable execution и human-in-the-loop. Рекомендую как основной выбор для вашего профиля.
«Батарейки в комплекте» поверх LangGraph: планирование через write_todos, виртуальная файловая система для контекста, subagents. Хороший второй шаг после голого LangGraph, когда задачи становятся длинными.
Минималистичный, элегантный, официальный. Особенно полезен для Python-проекта, где нужен контролируемый SDK-level agent loop.
Пройти не только quickstart: важны handoffs, guardrails, results/state, integrations/observability и evaluate agent workflows.
Типобезопасный, идеален если любите Pydantic. Для вас как для Python-разработчика — очень родной.
Multi-agent с ролями («аналитик», «писатель», «ревьюер»). Хорошо для прототипов.
Преемник AutoGen и Semantic Kernel от тех же команд: версия 1.0 вышла в апреле 2026 с обещанием LTS. Workflows с явным контролем multi-agent-путей, state для долгих задач и human-in-the-loop; провайдеры — Foundry, OpenAI, Anthropic, Ollama.
Минимализм, code agents. Очень компактный — отличный способ понять, как агенты устроены изнутри.
Agent Cards, делегирование задач и обмен сообщениями между независимыми агентами с разными владельцами и границами доверия. Версия 1.0.1 (май 2026); с августа 2026 — проект Agentic AI Foundation. Читать в паре с MCP: MCP — агент к инструменту, A2A — агент к агенту.
Практика выбора фреймворка
Реализовать одну задачу в двух подходах
Например: LangGraph vs OpenAI Agents SDK или Pydantic AI. Сравнить явность state, тестируемость, tool safety, tracing и сложность деплоя.
Курсы по фреймворкам
Официальное интерактивное руководство по сложным циклам, state management, human-in-the-loop и time-travel. Постоянно обновляется.
Практический курс о создании автономных кодинг-агентов: безопасная песочница (E2B), отладка кода и управление контекстом.
Углублённая практика
Построить multi-agent систему с handoff между агентами
Создать пайплайн из 2-3 агентов (researcher → coder → reviewer), реализовать протокол передачи контекста между ними и structured output как контракт. Зафиксировать, где теряется информация.
Подключить MCP-сервер как tool node в граф агента
Взять свой MCP-сервер из фазы 2 и интегрировать его в LangGraph или Agents SDK как отдельный tool node. Замерить добавочную latency и написать fallback при таймауте.
Оркестрация кодинг-агентов
16 параллельных Claude собирают компилятор C на Rust: общая очередь задач, git-локи, разрешение merge-конфликтов. Референс-кейс orchestrator-workers на кодинг-агентах.
Официальный паттерн: каждая агентная сессия в своём worktree (isolation: worktree для сабагентов) — параллельные правки не конфликтуют до merge. Прямое продолжение вашего git-опыта.
Какие классы задач безопасно раздавать параллельным агентам (research, PoC, рефакторинги) и как не утонуть в ревью — оно остаётся бутылочным горлышком.
Цикл Spec → Plan → Tasks → Implement для 30+ агентов (Claude Code, Codex, Gemini CLI). Главный анти-хаос-паттерн и основа декомпозиции для параллельной работы.
Как практикующие команды реально гоняют флоты агентов: что параллелится, что нет, где человек остаётся гейтом.
Оркестратор + два CLI-агента в worktrees
Декомпозировать реальную фичу на независимые задачи, запустить Claude Code и Codex CLI параллельно в отдельных worktrees, добавить ревью-гейт (третий агент или человек) перед merge. Записать, где декомпозиция провалилась.
0 /20 материалов завершено
Три вопроса по ландшафту фреймворков.
Мои заметки
Не сохраненоСамопроверка
Вопрос 1 из 5
Какой фреймворк ближе всего к workflow-движкам типа Airflow или Temporal по идеологии?
Правильно: C. LangGraph моделирует агентов как state machine: узлы графа — это шаги (вызовы LLM, инструментов), рёбра — переходы. Очень похоже на DAG в Airflow или workflow в Temporal. Для разработчика, привыкшего к pipeline-движкам, — самый интуитивный выбор.
Вопрос 2 из 5
В чём основное отличие CrewAI от LangGraph?
Правильно: B. CrewAI — это «AI-команда»: вы описываете роли (researcher, writer, reviewer), даёте задачу, агенты делегируют друг другу. LangGraph — это «AI-пайплайн»: вы явно описываете шаги и переходы. Подходы решают разные классы задач, оба валидны.
Вопрос 3 из 5
Что критично для качества multi-agent системы по опыту Anthropic?
Правильно: B. Anthropic неоднократно подчёркивает: качество tool descriptions — главный фактор успеха агентов. Плохо описанный tool с непонятными параметрами — гарантия того, что агент будет ошибаться. Хорошо описанные tools часто важнее, чем выбор модели.
Вопрос 4 из 5
Зачем git worktrees при параллельном запуске нескольких кодинг-агентов?
Правильно: B. Worktree — отдельная директория с общей git-историей. Официальная документация Claude Code рекомендует именно этот паттерн для параллельных сессий; конфликты решаются на управляемом этапе ревью и merge, а не в момент правок.
Вопрос 5 из 5
В чём суть spec-driven development (GitHub spec-kit)?
Правильно: C. SDD переворачивает привычный порядок: сначала фиксируются требования и план, потом агент(ы) реализуют по задачам. Это главный анти-хаос-паттерн против «vibe coding» на больших задачах и основа декомпозиции для параллельных агентов.
0 / 5