Глава 1 · Основы агентов

Отталкиваясь от новой парадигмы «модель как агент», формулирует базовую формулу Агент = LLM + Контекст + Инструменты и вводит harness-инженерию — все инженерные возможности за пределами модели и есть настоящее конкурентное преимущество.

← К оглавлению · 📖 Читать главу

Сопутствующие проекты

Эксп.	Проект	Тип	Описание
1-1	context	✅	На систематических абляционных экспериментах показывает важность различных компонент контекста агента. Поддерживает несколько провайдеров LLM (SiliconFlow Qwen, ByteDance Doubao, Moonshot Kimi), позволяя настраивать разные режимы контекста и наблюдать изменение поведения агента.
1-2	web-search-agent	✅	Реализует агента с базовой возможностью глубокого поиска — многораундовый поиск и интеграция информации.
1-3	search-codegen	✅	Строит агента с базовыми возможностями глубокого поиска и песочницы кода, применяя веб-поиск и исполнение кода для сложного анализа.
7-1, 7-2	learning-from-experience	✅	Сравнивает традиционное обучение с подкреплением (Q-learning) с обучением в контексте на основе LLM, воспроизводя ключевые выводы из эссе Shunyu Yao «The Second Half». На игре-поиске сокровищ показывает, как LLM превосходит традиционный RL по эффективности выборки в 250–400 раз.
## Типы проектов

Значок	Тип	Значение
✅	Автономный	Полный код в этом репозитории, запускается после настройки API-ключа
📖	Гайд по воспроизведению	Подробный документ, зависящий от внешних репозиториев через git clone
🚧	Проектный документ	Только архитектура/план реализации, рабочий код ещё в разработке