Готов материал по первой части грядущего мини-курса по LangGraph. Публикацию планирую на понедельник. Осталось вычитать материал.

Поддержка автора ☕️
Даже скромный вклад помогает мне писать чаще и сосредоточиться на полезных публикациях,
а не на рутине разработки.
Ваша поддержка — буст для новых идей, статей и полезного контента! 🚀

🚀 Подключаем нейросеть к PostgreSQL за 5 минут - минимум кода!

Показываю самый простой способ дать любой нейросети доступ к вашей базе данных PostgreSQL. Всего 30 строк кода! 💪

🔧 Установка зависимостей:

# MCP сервер для PostgreSQL
npm install -g mcp-postgres-server

# Python библиотеки
pip install langchain-deepseek langchain-mcp-adapters langgraph python-dotenv

📝 Создаем .env файл:

DB_HOST=localhost
DB_PORT=5432
DB_NAME=your_database
DB_USER=your_user
DB_PASSWORD=your_password
DEEPSEEK_API_KEY=your_api_key

💻 Полный рабочий код (30 строк!):

import asyncio
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek
from langchain_mcp_adapters.client import MultiServerMCPClient
from langgraph.prebuilt import create_react_agent
import os

load_dotenv()

async def get_all_tools():
    """Получение инструментов для работы с PostgreSQL"""
    mcp_client = MultiServerMCPClient(
        {
            "postgres": {
                "command": "npx",
                "args": ["-y", "mcp-postgres-server"],
                "env": {
                    "PG_HOST": os.getenv("DB_HOST"),
                    "PG_PORT": os.getenv("DB_PORT"),
                    "PG_USER": os.getenv("DB_USER"),
                    "PG_PASSWORD": os.getenv("DB_PASSWORD"),
                    "PG_DATABASE": os.getenv("DB_NAME"),
                },
                "transport": "stdio",
            },
        }
    )
    return await mcp_client.get_tools()

async def main():
    # Получаем инструменты PostgreSQL
    tools = await get_all_tools()
    
    # Создаем агента с нейросетью
    agent = create_react_agent(
        model=ChatDeepSeek(model="deepseek-chat"),
        tools=tools,
        prompt="Ты помощник для работы с PostgreSQL базой данных.",
    )
    
    # Делаем запрос на естественном языке
    result = await agent.ainvoke(
        {
            "messages": [
                {
                    "role": "user",
                    "content": "Расскажи про пользователя с id 1",
                }
            ]
        }
    )
    # Выводим финальный ответ нейросети
    final_message = result["messages"][-1]
    print(final_message.content)

# Запуск
asyncio.run(main())

🎯 Пример вывода:

Пользователь с id 1 имеет следующие данные:

- **Имя**: Алексей (админ)
- **Email**: mr.mnogo@gmail.com (подтверждён)
- **Телефон**: не указан  
- **Тип входа**: EMAIL
- **Роль**: 1 (предположительно администратор)
- **Юридическое лицо**: нет
- **Физическое лицо**: да

Пароль зашифрован и хранится в хешированном виде.

✨ Что получаем:
• Нейросеть сама пишет и выполняет SQL запросы
• Отвечает на естественном языке
• Работает с любой PostgreSQL базой
• Всего 30 строк кода!

🔄 Смена нейросети:

Замените ChatDeepSeek на:
- ChatOpenAI для GPT
- ChatAnthropic для Claude
- ChatOllama для локальных моделей

💡 Примеры вопросов:
- "Сколько активных пользователей?"
- "Покажи заказы за вчера"
- "Найди самый популярный товар"
- "Кто не заходил более месяца?"

Просто спрашивайте на обычном языке - нейросеть все поймет! 🚀

🚀 GPT‑5 теперь с нами — и умнее, чем когда-либо!

OpenAI не просто выкатили GPT‑5. Они сделали кое-что круче — внедрили автоматическую маршрутизацию моделей. Что это значит?

🤖 Больше не нужно выбирать модель вручную.
ChatGPT сам понимает, насколько сложный у тебя запрос, и:

- простые задачи решает супербыстрая mini‑модель,
- а вот на сложные рассуждения подключается мощнейшее ядро GPT‑5 (reasoning engine).

💡 В итоге:

- ты получаешь максимум скорости там, где это нужно,
- и глубокие, логичные ответы там, где нужна «мозговитость».

✨ Что нового принесла GPT‑5?

✅ Ещё более человеческий стиль ответов
✅ Улучшено логическое и цепочечное мышление
✅ Повышена точность кода, формул, reasoning
✅ Быстрее, экономнее, умнее
✅ Всё работает *на лету* — не надо переключать модели

🟢 Доступен всем — даже на бесплатном плане.
🔥 Plus / Pro / Team — получают полный доступ к reasoning‑ядру без серьёзных ограничений.

📺 Презентация и детали

Процесс подготовки к выходу новой статьи идет полным ходом. Публикация, ориентировочно, выйдет в пятницу (19-го сентября). Будет много информации😉

🎉 Вторая часть курса по LangGraph уже доступна!

Статья "Создание умных AI-агентов: полный курс по LangGraph от А до Я. Часть 2. Диалоговые агенты: память, сообщения и контекст" опубликована и готова к изучению!
В этой части мы превратили безжизненные графы в настоящих AI-агентов с интеллектом и памятью!

Что вы найдете в статье:

🧠 Теоретическая база (без занудства):

- Типы сообщений (AIMessage, HumanMessage и зачем это нужно)
- Контекстная память агентов
- Шаблонизаторы и парсеры
-Архитектура мультимодельных систем

⚡️ Практические кейсы:

- Агенты с долговременной памятью (100+ сообщений)
- Гарантированное получение валидного JSON от нейросетей
- Интеграция нескольких LLM в одном графе
- Интеллектуальная маршрутизация сообщений

Создадим агента, который запоминает ваше имя и профессию, ведет осмысленный диалог и получает функционал, который изначально в графовую систему не закладывали!

🔗 Читать статью: ЧИТАТЬ

📚 Полезные материалы:

📝 Первая часть: Архитектура: графы, узлы и состояния

💻 Исходный код: GitHub

🚀 А что дальше?

Уже собираю материал для третьей части! Там речь пойдет про Инструменты, действия, MCP - создадим агентов, которые умеют ДЕЛАТЬ, а не только говорить!

Понравилась статья? Делитесь впечатлениями! 👇

🚀 Начал активную подготовку 3-й части курса по LangGraph!

После более чем месячной паузы между первой и второй частью решил не затягивать с продолжением. Материал уже собираю, код пишу — третья часть выйдет намного быстрее!

Тема: "Реактивные агенты: инструменты, действия, MCP"

🎯 От слов к делам:

Во второй части мы создали умных болтунов с памятью и JSON-ответами. Но они всё ещё не могут НИЧЕГО ДЕЛАТЬ в реальном мире.

В третьей части исправляем это критическое ограничение!

⚡️ Что будет в статье:

🔧 Model Context Protocol (MCP) — стандарт для подключения любых инструментов
📁 Файловые операции — агент читает CSV, создаёт отчёты
🗄 Работа с БД — SQL-запросы через естественный язык
🚀 DevOps-автоматизация — от git-мониторинга до автодеплоя
🛡 Безопасность — как дать агентам силу, но сохранить контроль

Представьте диалог:

"Проанализируй продажи за месяц"
🔍 Подключаюсь к БД...
📊 Анализирую данные...
📈 Создаю отчёт в Excel...
"Готово! Отчёт сохранён в sales_report.xlsx"

Пока кажется фантастикой? К концу статьи сами научитесь такое создавать!

📅 Планы по срокам:

Активно работаю над материалом, код уже тестирую. Третья часть выйдет в на следующей неделе (надеюсь), а не через месяц как в прошлый раз 😅

🔥 Будете ждать продолжение?

⚡️ Как быстро превратить CSV в JSON на Python

Часто данные прилетают в формате CSV, а работать удобнее в JSON. Решается в пару строк кода:

import csv
import json

def csv_to_json(filename_in, filename_out):
    with open(filename_in, "r", encoding="cp1251") as csvfile:
        reader = csv.DictReader(csvfile, delimiter=";")
        rows = list(reader)
    with open(filename_out, "w", encoding="utf-8") as jsonfile:
        json.dump(rows, jsonfile, ensure_ascii=False, indent=2)

# Пример:
csv_to_json("price.csv", "output.json")

🔑 На что стоит обратить внимание:

* Кодировка: в России CSV-файлы часто в cp1251, а JSON лучше сохранять в utf-8.
* Разделитель: Excel любит ; вместо привычной запятой ,. Если структура другая — не забудьте поменять delimiter.

В итоге получаем аккуратный output.json с красивыми отступами и без кракозябр. 🚀

Помню те времена, когда ещё не было нейронок и именно Stack Overflow был нашей единственной надеждой.

Найдёшь то самое ключевое слово — и будто свет в конце туннеля. Покойся с миром, старый друг 😔

Карьерный буст, робот в подарок и призовой фонд 7 500 000 рублей 🤖
Успей зарегистрироваться до 20 октября.

Все это ждет участников трека «Программирование роботов» на всероссийском ИТ-чемпионате МТС True Tech Champ 2025. Присоединяйся, если пишешь на С++, Go, Python, JS, Java, C# или другом языке.

Соревнования пройдут в командах от 2 до 4 человек в несколько этапов:

— Квалификация. Тебе предстоит запрограммировать робота на прохождение виртуального лабиринта.
— Полуфинал. Ты будешь дистанционно управлять роботом на офлайн-полигоне и наблюдать за его перемещениями в трансляции.
— Финал. За две недели до финала организаторы отправят тебе настоящего робота для кастомизации. Ты сможешь модифицировать его, чтобы он оказался быстрее других в многоуровневом офлайн-лабиринте и смог выбить соперников с платформы в шоу-битве.

Команды финалистов получат по одному роботу Waveshare Cobra Flex в подарок и сразятся за крупные денежные призы: 4 000 000 ₽ за первое место, 2 500 000 ₽ за второе и 1 000 000 ₽ за третье.

Еще ты сможешь:

— Получить практический опыт работы с инструментами, с помощью которых создают домашних и промышленных роботов.
— Прокачать компетенции, которые помогут развиваться в ИТ.
— Заявить о себе на всю Россию и ускорить свой профессиональный рост.

📍 Финал состоится 21 ноября в МТС Live Холл в Москве.
👉🏻 Регистрируйся на сайте до 20 октября.

Мой боевой набор MCP-серверов для работы с AI

Делюсь инструментами, которые реально меняют подход к разработке с нейросетями. Использую их и в личных проектах, и в связке с агентами вроде Claude Code или Cursor.

Что такое MCP и почему это важно

Model Context Protocol — это протокол, который даёт AI-ассистенту прямой доступ к вашим инструментам: файловой системе, базам данных, git-репозиториям и API. Вместо бесконечного копипаста нейросеть сама читает код, выполняет запросы к БД и коммитит изменения.

Пять серверов, которые я настраиваю в каждом проекте

1. Filesystem — фундамент работы

"filesystem": {
  "command": "npx",
  "args": [
    "-y",
    "@modelcontextprotocol/server-filesystem",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI получает доступ к файлам проекта — может читать код, анализировать структуру, вносить изменения. Это базовый инструмент, без которого остальное не имеет смысла. Особенно актуальный инструмент в работе с собственными ии-проектами.

Совет: указывайте путь к корню конкретного проекта, а не к домашней директории. Это и безопаснее, и помогает AI сфокусироваться на релевантных файах.

2. Git — версионирование на автопилоте

"git": {
  "type": "stdio",
  "command": "uvx",
  "args": [
    "mcp-server-git",
    "--repository",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI может изучать историю коммитов, создавать ветки, делать коммиты. Особенно полезно для code review и анализа того, как менялся код со временем.

Требования: нужен Python и установленный uvx.

3. Postgres — работа с БД без головной боли

"postgres": {
  "command": "uv",
  "args": ["run", "postgres-mcp", "--access-mode=unrestricted"],
  "env": {
    "DATABASE_URI": "postgresql://user:password@localhost:5432/dbname"
  }
}

Зачем нужен: AI может выполнять SQL-запросы, анализировать схему базы данных, помогать с миграциями. Экономит массу времени на отладке запросов и оптимизации.

Важно:
- Флаг --access-mode=unrestricted используйте только в dev-окружении
- Никогда не коммитьте реальные пароли в конфиг — используйте переменные окружения

4. cURL — свобода работы с API

"curl": {
  "command": "npx",
  "args": ["-y", "@mcp-get-community/server-curl"]
}

Зачем нужен: AI может делать HTTP-запросы к любым API. Тестирование эндпоинтов, интеграция с внешними сервисами — всё через простое текстовое описание задачи.

5. Context7 — актуальная документация библиотек

"context7": {
  "command": "npx",
  "args": ["-y", "@upstash/context7-mcp"],
  "env": {
    "CONTEXT7_API_KEY": "ваш_api_ключ"
  }
}

Зачем нужен: даёт AI доступ к актуальной документации популярных библиотек и фреймворков. Вместо того чтобы полагаться на устаревшие знания из обучающей выборки, нейросеть получает свежую информацию об API, best practices и изменениях в новых версиях. Особенно критично для быстро развивающихся экосистем вроде React, Next.js или FastAPI.

API-ключ: получить можно на Сontext7

Как это работает в реальной жизни

Мой типичный workflow выглядит так:

1. Filesystem + Git — AI читает код, вносит изменения, коммитит их с осмысленными сообщениями
2. Postgres — проверяю и оптимизирую SQL-запросы, анализирую данные
3. cURL — тестирую API endpoints прямо в диалоге с AI
4. Context7 — AI работает с актуальной документацией библиотек, не галлюцинирует устаревшие методы

Безопасность превыше всего

Несколько правил, которых я строго придерживаюсь:

- Никогда не давайте AI доступ к продакшн-базам данных
- Создавайте отдельного пользователя БД с минимально необходимыми правами
- Храните секреты и пароли в переменных окружения, а не в конфигах
- Всегда ревьюте действия AI, особенно git-коммиты и изменения в БД

Эти пять MCP-серверов покрывают около 90% моих задач при работе с AI в проектах. Настраиваются один раз, работают везде. AI получает все необходимые инструменты для реальной работы — не просто генерации кода, а полноценного участия в разработке.

Какие MCP-серверы используете вы? Поделитесь опытом в комментариях! 👇