📣 NoSpam Telegram Бот с локальной LLM

🚀 Исходный код здесь: https://github.com/kvoloshenko/NoSpamTelegram_01

✨За основу взят код автора Mammedov Bakhtiyar: https://github.com/mamed0v/NoSpamTelegram/

Что изменено:
✨Использована локальная LLM llama3.2:latest запущенная под Ollama

✨Добавлен модуль tools - куда перенесены все "ручки"

✨Добавлена "ручка" копирования спам сообщения в другую группу (для целей накопления и просмотра примеров) + оставлено сохранение локально в JSON

✨ Что еще изучить и посмотреть:
• Ollama: https://www.youtube.com/watch?v=49YZh-fxb14&list=PLAzpexGM7JagOkDWjdcM7phvA3fDihDQn&index=2
• AI Agents: https://www.youtube.com/watch?v=qlVX4i1ztW4&list=PLAzpexGM7JajamgkiOR3TLwCXlT5oSC1E
• RAG (Retrieval-Augmented Generation): https://www.youtube.com/watch?v=NkjkqsLCweQ&list=PLAzpexGM7Jai1qgfxMkY-6ivOft-7dh8Q
• OpenAI API (API ChatGPT): https://www.youtube.com/watch?v=FoLquyNFE_c&list=PLAzpexGM7JagNMDIWUsoO8fbTwbY82ZEN

🔥 Готовый бизнес с ИИ и блокчейном TON – запускай уже сегодня!

Хочешь зарабатывать на ИИ?

У меня есть для тебя готовое SaaS решение с ИИ – это мощная платформа с искусственным интеллектом и глубокой интеграцией с TON.

🚀 Что умеет наш продукт?

🤖 ИИ-Агенты
Создание собственных ассистентов с уникальными функциями и стилем общения. Подходят как для автоматизации, так и для консультаций.

🧱 Артефакты
Генерация React-компонентов, HTML-страниц и диаграмм по описанию. Ускоряет разработку и визуализацию.

🎨 Генерация изображений
Создание и редактирование изображений с помощью ИИ — от иллюстраций до редактирования фото и добавления элементов.

📚 RAG
Интеллектуальные ответы на основе внешних данных — документов, баз знаний и других источников.

📸 OCR
Распознавание текста на изображениях и сканах. Удобно для обработки документов и снимков экрана.

🗣 Речевые технологии
Преобразование речи в текст (STT) и текста в речь (TTS). Можно говорить с ИИ и слушать его ответы голосом.

🔍 Поиск по истории
Мгновенный поиск по предыдущим диалогам и результатам — удобно для возврата к важной информации.

⏳ Временный чат
Приватные чаты, которые удаляются автоматически через 30 дней. Отлично для конфиденциальных обсуждений.

🌐 URL-параметры
Настройка поведения чатов и агентов через параметры в ссылке. Гибко и удобно для интеграций.

🌎 Веб-поиск
Поиск информации в интернете прямо из чата с помощью встроенных ИИ-инструментов.

🧠 Память ИИ
ИИ запоминает ваши предпочтения, интересы и стиль, чтобы лучше понимать и помогать.

💳 Система токенов и баланса
Прозрачное отслеживание использования токенов и управление балансом в аккаунте.

🔌 Инструменты и плагины
Подключение внешних сервисов и API для расширения функциональности ИИ.

🌍 Мультиязычность
Переводы приложения на другие языки и сделать его доступным для всех.

🧬 Выбор ИИ-модели
Настройка используемой ИИ-модели — от стандартных до пользовательских и сторонних.

💌 Реферальная система
Получай бонусы за приглашение друзей. Выгодно и приятно делиться!

🔗 Связывание аккаунтов
Безопасная авторизация через другие аккаунты и платформы (OAuth).

💼 Интеграция TON кошелька
Простое подключение TON-кошелька для работы с криптовалютами и токенами внутри приложения.

🛒 Покупка токенов
Автоматизированная система пополнения токенов через TON — удобно и быстро.

🔌 MCP (Model Context Protocol) Интеграция

📘 Руководство по интеграции
Подключение собственных MCP-серверов к системе.

🛠 Руководство по разработке
Создание и настройка собственных серверов на базе MCP.

🛡 Безопасность и лучшие практики
Рекомендации по обеспечению безопасности и стабильности при работе с MCP.

⚡️ Всё уже готово — просто бери и продавай!
Платформа, функционал, монетизация, TON-кошелёк — всё работает.

Демо приложение тут 👉 ТЫК

📲 Напиши мне в личку, покажу демо, расскажу, как начать:
👉 @gymotik

Не упусти шанс войти в рынок ИИ и Web3 на старте!

🔥 Готовый бизнес с ИИ и блокчейном TON – запускай уже сегодня!

Хочешь зарабатывать на ИИ?

У меня есть для тебя готовое SaaS решение с ИИ – это мощная платформа с искусственным интеллектом и глубокой интеграцией с TON.

🚀 Что умеет наш продукт?

🤖 ИИ-Агенты
Создание собственных ассистентов с уникальными функциями и стилем общения. Подходят как для автоматизации, так и для консультаций.

🧱 Артефакты
Генерация React-компонентов, HTML-страниц и диаграмм по описанию. Ускоряет разработку и визуализацию.

🎨 Генерация изображений
Создание и редактирование изображений с помощью ИИ — от иллюстраций до редактирования фото и добавления элементов.

📚 RAG
Интеллектуальные ответы на основе внешних данных — документов, баз знаний и других источников.

📸 OCR
Распознавание текста на изображениях и сканах. Удобно для обработки документов и снимков экрана.

🗣 Речевые технологии
Преобразование речи в текст (STT) и текста в речь (TTS). Можно говорить с ИИ и слушать его ответы голосом.

🔍 Поиск по истории
Мгновенный поиск по предыдущим диалогам и результатам — удобно для возврата к важной информации.

⏳ Временный чат
Приватные чаты, которые удаляются автоматически через 30 дней. Отлично для конфиденциальных обсуждений.

🌐 URL-параметры
Настройка поведения чатов и агентов через параметры в ссылке. Гибко и удобно для интеграций.

🌎 Веб-поиск
Поиск информации в интернете прямо из чата с помощью встроенных ИИ-инструментов.

🧠 Память ИИ
ИИ запоминает ваши предпочтения, интересы и стиль, чтобы лучше понимать и помогать.

💳 Система токенов и баланса
Прозрачное отслеживание использования токенов и управление балансом в аккаунте.

🔌 Инструменты и плагины
Подключение внешних сервисов и API для расширения функциональности ИИ.

🌍 Мультиязычность
Переводы приложения на другие языки и сделать его доступным для всех.

🧬 Выбор ИИ-модели
Настройка используемой ИИ-модели — от стандартных до пользовательских и сторонних.

💌 Реферальная система
Получай бонусы за приглашение друзей. Выгодно и приятно делиться!

🔗 Связывание аккаунтов
Безопасная авторизация через другие аккаунты и платформы (OAuth).

💼 Интеграция TON кошелька
Простое подключение TON-кошелька для работы с криптовалютами и токенами внутри приложения.

🛒 Покупка токенов
Автоматизированная система пополнения токенов через TON — удобно и быстро.

🔌 MCP (Model Context Protocol) Интеграция

📘 Руководство по интеграции
Подключение собственных MCP-серверов к системе.

🛠 Руководство по разработке
Создание и настройка собственных серверов на базе MCP.

🛡 Безопасность и лучшие практики
Рекомендации по обеспечению безопасности и стабильности при работе с MCP.

⚡️ Всё уже готово — просто бери и продавай!
Платформа, функционал, монетизация, TON-кошелёк — всё работает.

Демо приложение тут 👉 ТЫК

📲 Напиши мне в личку, покажу демо, расскажу, как начать:
👉 @gymotik

Не упусти шанс войти в рынок ИИ и Web3 на старте!

📣 Делаем RAG из коробки за 1 час с помощью Khub

Что делать, если хочется протестировать базу знаний на своих данных — а тратить часы на выбор чанкинга, эмбеддингов и LLM не хочется?

🚀 Jay Knowledge Hub = готовый RAG с GUI и API.

Плюсы решения:
— встроенные пайплайны с ретривером, реранкингом и гибридным поиском
— поддержка PDF, Word, Excel, Confluence, OneDrive
— автоматическая синхронизация и переиндексация данных
— интеграция через RESTful API: загружайте файлы, подключайте внешние источники, отправляйте запросы на поиск чанков и генерацию ответов
— работают популярные модели: OpenAI, Deepseek, Qwen, GigaChat, YandexGPT

✨Документация: https://khub.just-ai.com/docs/

🔥 Всё из коробки. Без кода. За час —> Jay Knowledge Hub

🧠 LangChain vs LangGraph — архитектурный разбор для инженеров AI-агентов

На Хабре вышел фундаментальный материал:
📖 «От LangChain к LangGraph: детально разбираемся с фреймворками и всей Lang-экосистемой»

Автор подробно сравнивает подходы LangChain и LangGraph — двух ключевых фреймворков от одной команды — и показывает, как устроено ядро langchain-core, интерфейс Runnable, LCEL-цепочки и state-machine-графы.

🔹 LangChain — модульный фреймворк для построения линейных LLM-пайплайнов, где всё завязано на цепочки вызовов.
🔹 LangGraph — графовый движок нового поколения: состояния, чекпоинты, human-in-the-loop, мультиагентность.
Фактически, LangGraph — это то, что превращает прототип в устойчивую оркестрацию.

Дополнительно разбираются:

система трейсинга: LangSmith (SaaS) vs LangFuse (open-source, on-premise);

визуальный билдер LangFlow;

деплой-инструменты: LangServe и LangSmith Deployment;

практические примеры кода и сравнительная таблица по памяти, persistence и orchestration.

💬 Цитата по сути:

“Если у вас возникает вопрос, что выбрать — LangChain или LangGraph, то на 90% ответ — LangChain. Но если строите сложную stateful-систему с циклической логикой — LangGraph вне конкуренции.”

📌 Рекомендуется к прочтению всем, кто проектирует мультиагентные системы или готовит LLM-решения к продакшену.
👉 habr.com/ru/articles/956940

🔥 Готовлю мини-серию разборов по локальным AI-агентам на базе LangGraph и Ollama.

Будет три практических примера:

📝 Drafter — одиночный агент для подготовки документов

🧠 Supervisor — мультиагентная система с централизованным управлением

🕸 Swarm — роевой multi-agent без единого центра

Общая идея серии:

запускать локальную LLM через Ollama;

показывать, как строить агентов и мультиагентные системы на LangGraph;

разбирать архитектуры Single Agent → Supervisor → Swarm;

смотреть на то, как меняется сложность и возможности системы.

Если интересны локальные LLM, LangGraph и multi-agent-архитектуры — оставайтесь на связи, скоро выкатится первая публикация 🚀

✍️ Первая часть: Drafter (Single AI Agent)
Продолжаю серию про локальные AI-агенты с LangGraph + Ollama.
Выложил первый пример — про Single Agent (проект Drafter).
📝 Что такое AI Agent
AI Agent — это автономная система, которая:
• использует LLM для принятия решений;
• имеет доступ к инструментам (tools, функциям, API, БД);
• может самостоятельно выполнять последовательность шагов для достижения цели;
• сохраняет состояние и контекст взаимодействия (история сообщений, переменные).

📝 Что такое Drafter
Drafter — это одиночный AI-агент, который помогает:
• быстро готовить черновики документов, писем, служебных записок;
• интерактивно дорабатывать текст вместе с человеком;
• сохранять финальную версию в файл.
Ключевая идея — Human-AI Collaboration:
человек даёт уточнения и правки, агент — переписывает, улучшает и сохраняет.
🧠 Как это работает внутри
На уровне кода:
• Локальная модель через Ollama:
ChatOllama(model="qwen3:latest")
• Агент построен на LangGraph StateGraph:
o узел agent — логика диалога;
o узел tools — автоматический вызов инструментов.
• Два инструмента:
o update(content) — заменить содержимое документа;
o save(filename) — сохранить текст в .txt и завершить работу.
• Логика завершения:
o граф крутится в цикле agent → tools → agent,
o пока не зафиксировано успешное сохранение документа.
🧰 Что даёт этот пример
• Минимальный рабочий пример одиночного агента.
• Понятный шаблон, как:
o привязать LLM к инструментам;
o организовать цикл совместной работы с пользователем;
o аккуратно завершать процесс после сохранения.
См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Agent_04_Drafter/README.md
🔥 Видео запишу отдельно…
🔥 Далее перейдём от single-agent к мультиагентной системе с Supervisor 🧠

✍️ Первая часть: Drafter (Single AI Agent) Видео 9 минут

См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Agent_04_Drafter/README.md

✍️ Вторая часть: Supervisor (Multi-Agent)
Продолжаю серию про локальные AI-агенты с LangGraph + Ollama.
Выложил второй пример — про Supervisor (Multi-Agent).
Если в Drafter всё делал один агент, то здесь мы переходим к команде агентов, которыми управляет Supervisor.

🧩 Состав системы
В проекте два специализированных агента:
1. research_agent
— имитация веб-поиска через инструмент web_search(query)
— умеет «доставать» факты (например, численность сотрудников FAANG).
2. math_agent
— решает арифметику через add(a, b) и multiply(a, b).
Над ними стоит Supervisor, который решает:
• куда отправить запрос пользователя;
• как скоординировать последовательность действий.
Пример сценария:
“What’s the combined headcount of the FAANG companies in 2024?”
• Supervisor → research_agent (получаем данные по компаниям);
• Supervisor → math_agent (складываем значения);
• результат возвращается пользователю.

🔍 Зачем нужен Supervisor
По сравнению с одиночным агентом:
• появляется чёткое разделение ролей (исследование vs математика);
• повышается управляемость и предсказуемость;
• архитектура ближе к реальным бизнес-системам, где много разных «экспертов».

См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Supervisor/README.md
🔥 Видео запишу отдельно…
🔥 В следующем посте — ещё один шаг вперёд: роевая архитектура Swarm, где вместо строгого центра — гибкий handoff между агентами 🕸

✍️ Вторая часть: Supervisor (Multi-Agent) Видео 12 минут

См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/Supervisor/README.md

✍️ Завершение серии про локальные AI-агенты с LangGraph + Ollama.
Выложил третий пример — про Swarm (рой)
Вот ссылка https://github.com/kvoloshenko/LocalMultiAgents_01/tree/main/Python/Swarm

В рамках данного проекта мы разобрали три уровня сложности локальных AI-агентов:

1. 📝 Single-agent: Drafter — одиночный агент для подготовки и правки документов
👉 Пост: https://t.me/AiExp01/133 , Видео: https://t.me/AiExp01/134
2. 🧠 Multi-agent: Supervisor — строгий контроль и маршрутизация между research и math агентами
👉 Пост: https://t.me/AiExp01/135 , Видео: https://t.me/AiExp01/136
3. 🕸 Multi-agent: Swarm — сегодняшняя тема, децентрализованный «рой» агентов, Видео: https://t.me/AiExp01/138.

________________________________________

🕸 Swarm: рой агентов Alice ↔️ Bob
В этом примере мы строим систему, где:
• Alice — эксперт по сложению (add(a, b)), знает математику.
• Bob — «пират», сам не считает и передаёт математические задачи Alice через handoff.

Технически это:
• 🧠 LangGraph Swarm (create_swarm, create_handoff_tool)
• 🖥 Локальная LLM Qwen3 через Ollama (ChatOllama("qwen3:latest"))
• 🧠 Память диалога через InMemorySaver + thread_id, чтобы рой помнил, кто был активен последним.

Сценарий работы:
1. Пользователь: «я хотел бы поговорить с Бобом» → активна Alice → handoff к Bob.
2. Пользователь: «Сколько будет 5 + 7?» → активен Bob → он передаёт задачу Alice →
Alice вызывает add(5, 7) → возвращает 12.

Никакого единого управления нет, как это было у Supervisor:
агенты сами передают управление друг другу, а Swarm обеспечивает общую структуру и память.
________________________________________

🔚 Что мы в итоге получили
За три публикации мы прошли всю линию от простого к сложному:
1. Drafter (Single Agent)
o один агент + update / save;
o Human-AI collaboration над документом;
o хороший шаблон для «умного редактора» текстов.
2. Supervisor (Multi-Agent)
o research_agent + math_agent;
o Supervisor чётко решает, кого вызывать и когда;
o архитектура для бизнес-систем, где важна управляемость и предсказуемость.
3. Swarm (Multi-Agent Swarm)
o равноправные агенты, без центрального контроллера;
o гибкий handoff, естественное разделение задач;
o основа для сценариев, где роли и потоки могут динамически меняться.

Общее для всех трёх подходов:
• 🚀 Полная локальность: всё крутится на вашей машине через Ollama и qwen3:latest.
• 🧱 LangGraph даёт единый подход к графам, агентам, тулзам и состоянию.
• 🧪 Есть поддержка LangGraph Studio и LangSmith для визуализации и отладки.
________________________________________

📌 Что дальше
Репозиторий этого проекта можно использовать как стартовый набор:
• для своих AI-ассистентов по документам (Drafter),
• для контролируемых мультиагентных решений (Supervisor),
• для экспериментов с роевыми системами (Swarm).
Вот ссылка на на весь проект: https://github.com/kvoloshenko/LocalMultiAgents_01

✍️ Заключительная третья часть: Swarm (Multi-Agent) Видео 12 минут

См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/tree/main/Python/Swarm

🧠 Local Deep Researcher — полностью локальный ассистент для глубоких веб-исследований
Хотите полноценного AI-исследователя у себя на компьютере — без подписок, без облака, полностью бесплатно?
Теперь это реально.
См. подробности здесь: https://github.com/kvoloshenko/LocalDeepResearcher_01 .

Local Deep Researcher — это открытый проект от LangChain, который позволяет запускать полностью локальный Deep Research-ассистент на базе LangGraph + Ollama/LMStudio.
Даете тему → агент сам генерирует запросы → делает веб-поиск → собирает тезисы → находит пробелы → уточняет → собирает итоговый отчёт в удобном Markdown cо ссылками на источники.
________________________________________
🔥 Что умеет Local Deep Researcher
• Работает полностью локально, все LLM-вызовы через Ollama или LMStudio.
• Умеет делать многошаговое deep research в стиле IterDRAG:
o генерирует поисковые запросы,
o делает несколько циклов веб-поиска,
o суммаризирует материалы,
o анализирует пробелы,
o задаёт уточняющие вопросы,
o собирает итоговый отчёт.

• Использует разные поисковые движки:
o DuckDuckGo (по умолчанию, без ключей),
o Tavily,
o Perplexity,
o SearXNG.

• Визуализируется в LangGraph Studio:
o видно состояние графа,
o все промежуточные заметки,
o финальный отчёт с источниками.

• Настраивается одной переменной MAX_WEB_RESEARCH_LOOPS — хотите 2 итерации? Хотите 6? Пожалуйста.
________________________________________
🎥 Видео, по которому всё построено
“Building a fully local research assistant from scratch with Ollama” (English: 15 минут):
https://youtu.be/XGuTzHoqlj8
Автор показывает, как за несколько минут поднять локального AI-исследователя, выбрать модель (например Qwen 2.5 или Llama 3.2), задать число итераций и получить структурированный отчёт за ~1 минуту — полностью бесплатно.
________________________________________
📘 Конспект + ключевые идеи из видео
• Исследование и суммаризация — один из самых востребованных сценариев для агентных систем.
• Подход основан на итеративном цикле:
вопрос → поиск → сводка → рефлексия → уточняющий вопрос → повтор.
• Локальные модели отлично подходят, потому что параллелить десятки запросов тяжело, а итеративный подход — идеален.
• Выбор модели — через Ollama. Автор рекомендует Qwen 2.5 и Llama 3.2, проверяя их по локальным бенчмаркам на HuggingFace.
• Всё работает “из коробки”: достаточно запустить ollama pull, настроить .env и запустить граф через langgraph dev.
________________________________________
🛠 Как это выглядит в работе
1. Вы выбираете модель (например qwen2.5:14b).
2. Указываете количество циклов исследования.
3. Вводите тему, например: “Как была обучена модель Qwen 2.5?”
4. Агент делает:
o генерацию поискового запроса,
o поиск,
o суммаризацию,
o рефлексию,
o второй цикл поиска,
o сбор итогового отчёта.
5. На выходе — структурированный markdown-отчёт со ссылками.
________________________________________
📦 Репозиторий
Готовый проект здесь:
https://github.com/langchain-ai/local-deep-researcher
________________________________________
💡 Вывод
Local Deep Researcher — это, по сути, ваш личный AI-аналитик, который работает локально и бесплатно.
Отличный инструмент для разработчиков, исследователей, тех, кто готовит отчёты, обзоры или учится работать с Deep Research-подходом.
Если хотите — могу также:
✅ подготовить README для твоего проекта
✅ собрать учебный пример
✅ сделать видео-сценарий или PDF-гайд
✅ адаптировать Deep Researcher под твою задачу
См. подробности здесь: https://github.com/kvoloshenko/LocalDeepResearcher_01 .
Видеобзор планирую сделать чуть позднее…

🧠 Local Deep Researcher — полностью локальный ассистент для глубоких веб-исследований (Видео 5 минут)
См.
📘 https://t.me/AiExp01/139
🛠 https://github.com/kvoloshenko/LocalDeepResearcher_01

📣Всем привет! Следующая интересная тема будет «Deep Agents» это новое поколение LLM-агентов, рассчитанных на:

✨длительные горизонты (десятки–сотни шагов),
✨работу с большим количеством инструментов,
✨планирование и постоянное само-корректирование,
✨использование внешней памяти (файлы),
✨разделение задач между субагентами.


🧠 Готовлю обзор по материалам учебного курса:
https://academy.langchain.com/courses/deep-agents-with-langgraph
https://github.com/langchain-ai/deep-agents-from-scratch

🚀 Пробую переделать под локальную LLM…

🔗Исходники здесь: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch

📣Local-Deep-Agents-from-Scratch (Видео 7 минут)

Deep-Agents - это новое поколение LLM-агентов, рассчитанных на:

✨длительные горизонты (десятки–сотни шагов),
✨работу с большим количеством инструментов,
✨планирование и постоянное само-корректирование,
✨использование внешней памяти (файлы),
✨разделение задач между субагентами.

🚀 Используя эти принципы, вы можете создавать:
аналитические агенты,
исследовательские системы,
кодовые ассистенты,
бизнес-агентов,
сложные workflow-пайплайны.


🧠 по материалам учебного курса:
https://academy.langchain.com/courses/deep-agents-with-langgraph
https://github.com/langchain-ai/deep-agents-from-scratch


🔗Исходники здесь: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch
🔗 Конспект: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch/blob/main/Conspect_01.md

👉Что еще посмотреть и прикрутить: https://github.com/langchain-ai/deep-agents-ui

📣UI для Deep-Agents (Видео 9 минут)


📚 Про Deep-Agents см. пост здесь: https://t.me/AiExp01/142


Ссылки:


🚀Local-Deep-Agents-from-Scratch: https://github.com/kvoloshenko/Local-Deep-Agents-from-Scratch

🚀Deep Agents from Scratch: https://github.com/langchain-ai/deep-agents-from-scratch

🚀Deepagents UI: https://github.com/langchain-ai/deep-agents-ui

🧠 Выбор правильной мультиагентной архитектуры
Multi-Agent системы — мощный инструмент, но не универсальный.

❓ А точно ли вам нужен мультиагент?
❗️ Не факт, что вам вообще нужна мультиагентная система.
Часто бывает, что:
• достаточно одного агента
• с тулзами / ручками
• где агент сам принимает решение, какие инструменты дергать


📏 Критерии оценки архитектур
Чтобы сравнивать разные подходы, автор вводит 4 критерия:
1️⃣ Распределённая разработка Можно ли независимо развивать разные части системы?
2️⃣ Многошаговые диалоги (multi-hop) Можно ли вызывать агентов последовательно, передавая контекст?
3️⃣ Параллельное выполнение Могут ли несколько агентов работать одновременно?
4️⃣ Общение с пользователем Общаются ли агенты напрямую с пользователем или только через специально выделенного агента?


🧩 Архитектура 1: Subagents / Supervisor
Первая архитектура — Subagents, она же очень близка к уже знакомой нам Supervisor-архитектуре.
Суть:
• есть главный агент Supervisor
• он общается с другими агентами
• итоговый ответ пользователю всегда выдаёт Supervisor
Оценки по критериям:
• распределённая разработка — ⭐️⭐️⭐️⭐️⭐️
• параллельность — ⭐️⭐️⭐️⭐️⭐️
• multi-hop — ⭐️⭐️⭐️⭐️⭐️
• прямое общение с пользователем — ⭐️
📌 Применима, когда:
• нужна строгая централизация
• сложная логика
• разные подагенты выполняют специализированные роли


🔁 Архитектура 2: Handoff / Swarm (Рой)
Следующий паттерн — Handoff, он близок к ранее рассмотренному Swarm (Рой).
Суть:
• агенты могут общаться каждый с каждым
• каждый агент может:
◦ продолжать диалог
◦ передавать управление
◦ общаться напрямую с пользователем
Важно:
• в каждый момент времени активен только один агент
• параллельности здесь по сути нет
Оценки:
• распределённая разработка — ❌
• параллельность — ❌
• multi-hop — ⭐️⭐️⭐️⭐️⭐️
• прямое общение — ⭐️⭐️⭐️⭐️⭐️
📌 Подходит для:
• сложных диалогов
• reasoning-heavy сценариев
• живых ассистентов с переключением ролей



🧠 Архитектура 3: Skills / Tools
Третий паттерн — Skills (или Tools).
По картинке он похож на Supervisor, но принципиально отличается:
👉 здесь всего один агент, а skills / tools — это ручки, а не отдельные агенты.
Контекст подключается по мере необходимости (подход progressive disclosure).
Оценки:
• распределённая разработка — ⭐️⭐️⭐️⭐️⭐️
• параллельность — ⭐️⭐️⭐️
• multi-hop — ⭐️⭐️⭐️⭐️⭐️
• прямое общение — ⭐️⭐️⭐️⭐️⭐️
📌 Очень сильный и практичный подход:
• для production
• для контроля контекста
• как следующий шаг после single-agent


🧭 Архитектура 4: Router
Последний паттерн — Router.
Он тоже похож на Supervisor, но есть ключевые отличия:
Суть:
• есть специальный агент Router
• он распределяет задачи по агентам
• есть отдельный Synthesizer, который:
◦ собирает ответы
◦ и выдает финальный результат пользователю
👉 Итог выдает не Router, а именно синхронизатор.
Оценки:
• распределённая разработка — ⭐️⭐️⭐️
• параллельность — ⭐️⭐️⭐️⭐️⭐️
• multi-hop — ❌
• прямое общение — ⭐️⭐️⭐️
📌 Отличен для:
• fan-out задач
• классификации + агрегации
• высокопараллельных систем


🧩 Главный вывод
Общий вывод автора (и мой тоже):
1️⃣ Начинайте с простого попробуйте single-agent
2️⃣ затем skills / tools
3️⃣ и только если этого не хватает — subagents, handoff или router
Архитектура должна следовать за сложностью задачи, а не быть сложной «на всякий случай».


Ссылки
Этот материал: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/ChoosingArchitecture.md
Single AI Agent: https://t.me/AiExp01/133
Supervisor (Multi-Agent) https://t.me/AiExp01/135
Swarm (рой) https://t.me/AiExp01/137
Использовано видео "Choosing the Right Multi-Agent Architecture" https://www.youtube.com/watch?v=fqvbxkgU6vE
Документация: https://docs.langchain.com/oss/python/langchain/multi-agent#choosing-a-pattern

🧠 Выбор правильной мультиагентной архитектуры
Multi-Agent системы — мощный инструмент, но не универсальный.


Ссылки
Этот материал: https://github.com/kvoloshenko/LocalMultiAgents_01/blob/main/Python/ChoosingArchitecture.md
Single AI Agent: https://t.me/AiExp01/133
Supervisor (Multi-Agent) https://t.me/AiExp01/135
Swarm (рой) https://t.me/AiExp01/137
Использовано видео "Choosing the Right Multi-Agent Architecture" https://www.youtube.com/watch?v=fqvbxkgU6vE
Документация: https://docs.langchain.com/oss/python/langchain/multi-agent#choosing-a-pattern