Путеводитель автостопщика по агентному ИИ: от основ к системам

Аннотация

«Путеводитель автостопщика по агентному ИИ» — это всестороннее практическое руководство по созданию автономных систем искусственного интеллекта. Книга охватывает полный стек — от первых принципов до развертывания в производственной среде, и построена вокруг центрального тезиса: для создания качественных агентных систем необходимо понимать каждый уровень пайплайна, а не только один. Книга начинается с уровня LLM-основы — архитектуры трансформеров, систем GPU, обучения и тонкой настройки (SFT, LoRA, MoE), сжатия моделей и оптимизации инференса, — которые рассматриваются как необходимый фундамент, но не основной фокус. Затем развивается уровень согласования и рассуждений: обучение с подкреплением на основе обратной связи от человека (RLHF), PPO, DPO и его варианты, GRPO, моделирование вознаграждений и RL для больших моделей рассуждений, включая цепочку мыслей и масштабирование на этапе тестирования. Вторая половина посвящена непосредственно агентному ИИ. Рассмотрены такие темы, как агентное обучение и траекторный RL, генерация с дополнением по извлечению (RAG и Agentic RAG), системы памяти (контекстная, внешняя, эпизодическая и семантическая), проектирование обвязки агента и управление контекстом, а также таксономия шаблонов проектирования агентов. Вопросы координации между агентами освещены глубоко: протокол контекста модели (MCP), навыки агентов и использование инструментов, протокол связи «агент-агенту» (A2A) и мультиагентные архитектуры, охватывающие централизованные, децентрализованные и иерархические топологии. Книга завершается фреймворками для разработки агентов, проектированием агентных пользовательских интерфейсов, методологией оценки для агентных задач и развертыванием в производственной среде. Каждая глава сочетает строгие теоретические основы с рекомендациями по реализации, примерами кода и ссылками на первоисточники.

English

The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.