Transcription
Я занимаюсь созданием AI-агентов с 2022 года, и в глобальном масштабе это не так уж много времени, но для AI-агентов это определённо так. Я начал создавать агентов очень рано, когда Chat GPT только начинал набирать популярность. У нас даже не было таких вещей, как вызов функций или других конкурирующих больших языковых моделей, таких как Claude или Gemini. И за несколько лет ситуация дошла до того, что я теперь очень уверен в себе, независимо от того, какой агент мне нужно построить. Но потребовалось много времени, чтобы достичь этого, и множество очень сложных уроков, извлечённых по пути. И поэтому я очень рад прямо сейчас погрузиться вместе с вами в ясный и простой процесс, которому я бы следовал сегодня, если бы мне пришлось учиться создавать AI-агентов с нуля. И я могу гарантировать, что если вы будете следовать этому процессу, вы научитесь создавать AI-агентов в 10 раз быстрее, чем я, пропуская все сложные уроки. И поэтому, независимо от вашего уровня опыта, вы можете чувствовать себя уверенно, создавая агентов для себя, своего бизнеса или других людей. Итак, давайте погрузимся в это.
Итак, вот общий обзор пути, которому я бы следовал прямо сейчас, если бы мне пришлось учиться создавать AI-агентов с нуля. И я разделил его на 10 разных этапов. И не волнуйтесь, я буду достаточно конкретен на каждом этапе. Так что это не займёт много времени, чтобы пройти этот процесс. На самом деле, даже если вы совершенно новичок в AI-агентах, вы легко сможете пройти всё это всего за пару месяцев. И я буду достаточно высокоуровневым здесь, когда мы будем проходить через этапы, но я буду указывать на видео на моём канале, которые относятся к тому, о чём мы говорим, если вы хотите глубже погрузиться в эту конкретную тему. Итак, давайте перейдём к первому шагу, который является первым этапом, созданию нашей основы. И это начинается с абсолютных основ, таких как что такое большая языковая модель? Изучение лучших из них, которые существуют прямо сейчас, таких как Claude или Gemini, GPT, даже изучение локального ИИ. Это большие языковые модели, которые вы можете запустить на своём собственном компьютере, такие как Mistl или Quinn. А затем также изучение AI-агентов в отличие от традиционной автоматизации. Это целая парадигма сдвига, когда мы добавляем это дополнительное рассуждение в нашу автоматизацию через AI-агентов. Это намного мощнее, но также и непредсказуемее. И поэтому у меня есть видео прямо здесь, где я углубляюсь в это. Очень важно понимать эту разницу.
А затем мы переходим к эффективным подсказкам, изучению того, как общаться с этими большими языковыми моделями и агентами. И я специально опускаю фразу «инженерия подсказок», потому что я думаю, что это слишком часто используется и переоценено, но всё же для нас очень важно научиться общаться с этими большими языковыми моделями, так же как важно для нас научиться общаться с другими людьми. И наконец, использование готовых инструментов. И поэтому я хочу поговорить об этом прямо сейчас, хотя это путь к созданию наших собственных агентов, потому что важно для вас создать агента, который не просто решает проблему, которая уже решена. И я часто вижу это, когда кто-то хочет создать AI-агента. Они хотят автоматизировать что-то с помощью большой языковой модели, но существует готовое решение, которое уже делает именно то, что им нужно, за 5 долларов в месяц. Так что зачем тратить время на создание этого агента? И поэтому проявите должную осмотрительность, прежде чем создавать агента, убедившись, что нет ничего, что уже существует и решает вашу проблему полностью или, по крайней мере, большей частью. Итак, у нас есть такие инструменты, как Chat GPT или Claude Desktop для ваших чат-приложений. Такие вещи, как MCP-серверы, которые являются способом очень легко предоставлять возможности изначально нашим AI-агентам. У меня есть видео здесь, где я говорю об этом. Я просто очень быстро покажу вам пару инструментов ИИ, которые я использую изначально. Ни одна из этих платформ не спонсирует это видео. Поэтому я просто хочу показать вам хотя бы несколько инструментов, которые я использую практически ежедневно. Начиная с Claude Desktop. Это моё любимое приложение, чтобы быстро вести беседы с большой языковой моделью. Обсуждать идеи. И у них есть поддержка MCP-серверов и других интеграций инструментов, чтобы очень легко подключаться к моим другим AI-агентам.
А затем, вместе с ним, мне нравится использовать эту платформу под названием Aqua Voice. Вы можете видеть внизу посередине, что я сейчас говорю. А затем он может взять то, что я сказал, и превратить это в текст в любом текстовом поле на моём компьютере. Посмотрите на это. Это просто так мощно. Я люблю использовать свой голос для быстрого общения, особенно с большими языковыми моделями. А затем мне также нравится эта платформа под названием MEM. Это моё место для организации всех моих заметок и таких вещей, как сценарии для моих видео на YouTube. И у них есть отличный API, чтобы очень легко интегрироваться с моими другими агентами, практически так же, как Claude Desktop. А затем последний, который я покажу прямо сейчас, это Perplexity. Это мощный инструмент для исследований, который я буду использовать всё время. Когда появляются новые технологии ИИ, новые большие языковые модели или фреймворки, которые я хочу изучить, я буду использовать Perplexity для этого. Итак, это лишь некоторые из инструментов, которые я люблю использовать. Последнее, что я скажу здесь для первого этапа, это то, что вам всегда нужно помнить о возможностях, а не об инструментах. И я имею в виду, что вы хотите сосредоточиться на том, чего вы способны достичь, а не углубляться в мельчайшие детали освоения конкретных инструментов. И это так важно. Это относится ко всем другим этапам, когда мы перейдём к другим вещам, таким как инструменты без кода или помощь в кодировании ИИ. Вы хотите изучить навыки высокого уровня, которые будут полезны независимо от инструмента, который вы в конечном итоге будете использовать. Вы не хотите застревать, тратя часы и часы на освоение очень специфических инструментов, которые могут стать неактуальными в следующем месяце. И я сам постоянно попадал в такую ситуацию. Это действительно один из самых важных советов, которые я могу дать вам в этом видео, это возможности, а не инструменты. И у меня есть несколько очень конкретных примеров этого в дальнейшем. И это приведёт нас к следующему этапу, который заключается в создании AI-агентов с помощью инструментов без кода.
Не имеет значения, являетесь ли вы новичком в автоматизации или у вас большой опыт кодирования. Я всё ещё настоятельно рекомендую начать с этих инструментов без кода. Когда вы впервые узнаёте, как создавать AI-агентов, и для этого существует множество отличных платформ, таких как N8N или Flowise, другие, такие как Voice Flow и Relevance AI. И я всё ещё использую эти инструменты всё время. Особенно для прототипирования моих AI-агентов, потому что вы можете так быстро запустить своих агентов с помощью этих инструментов. Даже если у вас большой опыт кодирования, как у меня, это стоит использовать. И это ваше время, чтобы узнать, как вы можете интегрировать инструменты со своими агентами, чтобы они могли делать вещи от вашего имени и ваши сервисы, такие как Gmail, Slack и Outlook. Изучение поиска с помощью усиленного генерирования. Это очень важный процесс для предоставления внешних знаний вашим AI-агентам. Это, по сути, делает их экспертами в области ваших документов. И я много рассказываю о RAG на своём канале. Вот видео, где я специально реализую RAG в N8N, который является моим любимым строителем агентов без кода. Поэтому обязательно посмотрите его, если вас это заинтересовало. Также изучение базовой памяти агента очень важно на этом этапе. Мы постоянно видим это в таких приложениях, как Chat GPT и Claude Desktop, где агент может помнить разговор и предыдущие сообщения, которые мы отправили. Но важно, чтобы вы понимали, как это работает и как эти данные хранятся в нашей базе данных. И наконец, я очень практичный ученик. И честно говоря, я твёрдо убеждён, что каждый такой. Вы не получите многого от университетского курса, например, когда вам просто нужно прочитать учебник и пройти кучу тестов. И я был там, делал это. Я всегда узнаю гораздо больше, когда я на самом деле что-то делаю. И поэтому я буду указывать на это на многих разных этапах. Вы хотите учиться, делая. Для второго этапа это означает создание агентов без кода. Поэтому создайте хотя бы одного, надеюсь, множество разных агентов с помощью таких инструментов, как N8N, и получите этот опыт, эту уверенность, прежде чем переходить к нашему следующему шагу, который заключается в изучении того, как использовать помощь в кодировании ИИ.
Если вы не используете ИИ для помощи в кодировании ваших приложений и автоматизации, вы отстанете. Даже Anthropic, компания, которая создала Claude, 70% кода, написанного для их компании, теперь написано ИИ. Так что это не просто хайп. Будущее создания программного обеспечения — это, безусловно, люди, работающие бок о бок с ИИ с помощью этих помощников по кодированию. У вас есть ваши AI IDE, такие как Windsurf, Cursor, Rue. Они работают на вашем компьютере в вашей среде разработки. Затем у вас также есть специальные конструкторы интерфейса, такие как Lobe, Bolt.diy или Bolt.new. Они будут работать в вашем браузере. Также очень важно научиться создавать подсказки для помощников по кодированию ИИ. И это возвращает нас к первому этапу, разработке эффективных подсказок, но также есть много других конкретных вещей, которые нужно изучить для работы с помощниками по кодированию ИИ. А затем также использование MCP-серверов. Я уже упоминал это однажды, но предоставление этих дополнительных инструментов нашим помощникам по кодированию ИИ, чтобы они могли делать такие вещи, как управлять нашей базой данных или искать в Интернете актуальную документацию. У меня есть видео прямо здесь, где я описываю свой полный процесс использования помощников по кодированию ИИ, включая такие вещи, как подсказки и MCP-серверы, а также настройку глобальных правил, чтобы вы могли диктовать поведение своих помощников по кодированию ИИ. А затем, что касается обучения на практике, опять же, возвращаясь к тому, чтобы быть очень практичным, создайте несколько простых автоматизаций и агентов с помощью кода. Загрузите один из этих AI IDE, таких как Windsurf, Cursor или Rue Code. Создайте что-нибудь простое. Просто привыкните к использованию этих помощников по кодированию ИИ, прежде чем перейти к следующему шагу, который заключается в использовании кода для создания наших AI-агентов, а не инструментов без кода.
И даже если у вас нет большого опыта кодирования, я всё ещё настоятельно рекомендую погрузиться в этот этап, особенно из-за того, что у нас было на предыдущем этапе, используя помощь в кодировании для помощи в этом процессе. И это на самом деле то, что я много рассказываю в курсе AI Agent Mastery, который у меня есть в сообществе Dynamis. Поэтому проверьте это, если вас это заинтересовало. Подробнее об этом позже. Но да, этот этап очень важен, потому что мы можем придерживаться инструментов без кода, таких как N8N. Он очень прост в использовании. Он позволяет нам так быстро начать. Мне нравится использовать их для прототипирования. И вы можете использовать такие мощные инструменты, как N8N, очень далеко. Но всё же, в конце концов, когда вы хотите максимальной гибкости, контроля, скорости и производительности, я обычно хочу перейти к созданию своих агентов с помощью кода, особенно с помощью Python, потому что большинство наших фреймворков AI-агентов, таких как те, которые вы видите ниже, используют Python. Немного JavaScript, в основном Python — это язык для создания AI-агентов. И я не большой поклонник слепого кодирования. Я думаю, что для нас важно всё ещё понимать, что создаётся с помощью помощи в кодировании ИИ. Поэтому я бы порекомендовал изучить основы Python, получить представление о программировании, а затем перейти к выбору своего фреймворка AI-агента. Например, у нас есть Pyantic AI и Langchain. Это два из моих любимых. У нас есть OpenAI Agents SDK. Есть Agno, Crew AI. Существует так много хороших вариантов. Поэтому изучите, выберите те, которые подходят вам в зависимости от простоты, производительности и других критериев, которые у вас есть. Но также не слишком задумывайтесь об этом. Помните о возможностях, а не об инструментах. Мы не хотим слишком сильно увязнуть в конкретном фреймворке. Мы хотим изучить навыки более высокого уровня, которые будут применимы независимо от фреймворка, который мы в конечном итоге будем использовать, потому что мы не знаем, может быть, в следующем месяце появится какой-то фреймворк, который просто переплюнет все остальные. Поэтому сосредоточьтесь на возможностях более высокого уровня. И мы можем сделать это, применяя этапы два и три. Например, вы уже научились интегрировать инструменты со своими агентами, кратковременную память и поиск с помощью усиленного генерирования, а также использовать помощь в кодировании ИИ. Примените всё это здесь. Учитесь на практике, переместив одного из агентов, которые вы создали с помощью такого инструмента, как N8N, в закодированную версию вашего агента, используя такой фреймворк, как Pyantic AI. Так что получите этот опыт, почувствуйте себя комфортно, кодируя агентов, и тогда мы сможем перейти к нашему следующему этапу, который заключается в применении расширенной архитектуры.
Поднимите своих AI-агентов на новый уровень. Здесь мы переходим к многоагентным рабочим процессам и различным схемам архитектуры для этого. Это очень важно для нас для более сложных систем, чтобы распределять ответственность между агентами, так же как это мощно распределять ответственность между людьми. Есть статья Anthropic, которую я приложу ниже, которая углубляется в это. Определённо стоит проверить. А затем у нас также есть другие компоненты, такие как системы памяти для долговременной памяти, защитные механизмы для ввода и вывода, механизмы резервирования. У меня есть ссылка на видео прямо здесь, где я разбираю эти разные компоненты. Защитные механизмы, вероятно, один из самых важных, потому что у нас есть защитные механизмы ввода, которые гарантируют, что в наш агент не будет отправлен мусор. А затем у нас есть защитные механизмы вывода, которые гарантируют, что в конечного пользователя не будет отправлен мусор. Именно такие вещи так важны для того, чтобы наши AI-агенты были действительно надёжными, потому что, как я сказал в начале, в отличие от традиционной автоматизации, AI-агенты более мощные, но также намного более непредсказуемые. Поэтому мы хотим реализовать такие вещи, как защитные механизмы. Итак, учитесь на практике. Улучшите агента, которого вы закодировали на прошлом этапе. Добавьте такие вещи, как долговременная память или защитные механизмы ввода. Может быть, объедините его с другим агентом и создайте многоагентный рабочий процесс. Просто получите этот опыт, эту уверенность, улучшая своих агентов, чтобы сделать их более надёжными и эффективными. И как только вы дойдёте до этой точки, пришло время внедрить наших AI-агентов. Это приведёт нас к следующему этапу, который заключается во внедрении наших AI-агентов.
Ключевым для меня при внедрении моих AI-агентов в производство является использование инструмента под названием Docker. Именно здесь я могу упаковать своих агентов в изолированную среду, которую я затем могу развернуть где угодно в облаке, начать использовать моего агента пользователями. Существует множество доступных облачных платформ. Поэтому просто проведите исследование, найдите то, что подходит вам. Существуют простые в использовании платформы, такие как Digital Ocean и Hostinger. Если вы — крупная компания, вы, вероятно, захотите использовать что-то вроде Amazon Web Services или Google Cloud Platform. Если вам нужен экземпляр GPU для запуска более крупных локальных больших языковых моделей, то вы можете использовать что-то вроде Vast AI или RunPod. И я показываю, как выглядит этот процесс, в этом видео прямо здесь, где я упаковываю своего агента, а затем разворачиваю его на платформе под названием Render. Для вас это будет выглядеть очень похоже, практически независимо от того, какую облачную платформу вы в конечном итоге будете использовать. И отчасти это благодаря использованию Docker для создания очень хорошего стандарта для развертывания агентов. Итак, учитесь на практике, взяв этого агента, которого вы уже создали на протяжении этих этапов, и развернув его в облаке. Привыкните к одной из этих платформ. Узнайте, что нужно, чтобы развернуть вашего агента. Разверните его, масштабируйте его, поместите его в среду, где другие люди могут его использовать. Но как только ваш агент работает в реальных условиях, очень важно перейти к следующему этапу, который полностью посвящен мониторингу наших агентов. Это часто называется наблюдаемостью агента. Это наш способ заглянуть в нашего AI-агента, что особенно важно в производстве, чтобы видеть входящие запросы от наших пользователей, решения, которые принимает наш агент в отношении вызова инструментов, а также вывод, который передаётся нашим конечным пользователям. И это очень важно для нас, чтобы выявлять любые ошибки в наших агентах или просто видеть возможности улучшить нашего AI-агента. И мы перейдём к этому на другом этапе, но возможность постоянно улучшать наших агентов очень важна. И существует множество хороших вариантов для наблюдаемости агентов, таких как Langfuse, Helicone, Langsmith, Logfire, Impidantic AI. У меня есть это видео, которое я приложу сюда, где я рассказываю об использовании Langfuse. Настроить наблюдаемость агента не так уж сложно, но это очень сильно продвинет ваших AI-агентов. И как я говорю здесь, это 100% необходимо для производства.
И говоря о постоянном улучшении наших агентов, это приводит нас к восьмому этапу, который заключается в оценке агента. Есть очень интересная статистика, которую я слышал довольно много раз в последнее время. Когда вы создаёте AI-агентов, это всего 25% от фактического кодирования или автоматизации. А остальные 75% — это оценка вашего AI-агента и внесение корректировок для улучшения вашего агента на основе оценки. Это очень важно, а также отличается от тестирования. Итак, когда мы тестируем нашего агента или просто наш код в целом, мы проверяем общую правильность кода. Убеждаемся, что наше приложение не будет полностью крашиться или конечный пользователь вообще не получит результат. Но оценка отличается. Она полностью посвящена правильности поведения агента. Итак, если оценка даёт отрицательный результат, это не значит, что есть ошибка или приложение вылетело, это просто значит, что наш агент не даёт приемлемый ответ, каким бы он ни был. И есть много разных способов оценить агентов. У нас есть вся идея большой языковой модели в качестве судьи, например, использование другой большой языковой модели для оценки вывода нашего агента. У нас есть тестирование на выполнение задачи. Это больше связано с вызовом инструментов, например, вызывал ли агент необходимые инструменты на основе этого запроса, чтобы сделать что-то вроде обновления задачи в Asana или составления электронного письма в Gmail, что бы это ни было. И просто и понятно, у нас также есть человеческая оценка, когда люди, возможно, наши конечные пользователи, заполняют опрос после использования нашей платформы и просто пробуют наших агентов, проверяя, приемлемы ли для них результаты. И оценка ваших агентов — это то, что действительно продвинет вас вперёд. Все предыдущие этапы посвящены созданию надёжного агента, созданию эффективного агента, который выполняет свою работу, но оценка — это то, где мы можем убедиться, что всё это действительно даёт нам результаты, которые нам нужны для системы, которую мы пытаемся построить или автоматизировать. И это приводит нас к следующему этапу, который заключается в освоении ИИ с другими людьми.
Одно из самых больших сожалений, которые у меня были, когда я только начинал изучать AI-агентов, это то, что я не делал этого с другими людьми. Я учился практически в одиночку, и это в конечном итоге изменилось, но это так ускорило бы мой процесс обретения уверенности в создании AI-агентов, если бы я делал это с другими людьми, потому что освоение AI-агентов — это нелегко. Эти большие языковые модели дают нам так много возможностей. Но с большой силой приходит большая ответственность. Есть вся эта непредсказуемость с агентами, с которой нам приходится иметь дело. Вот почему так важно найти сообщество и учиться и сотрудничать с другими людьми. И это как раз подходящее время для меня, чтобы поговорить о моём сообществе Dynamus AI Mastery. Я вкладывал всю свою душу в Dynamus за последний месяц, делая его идеальным местом для вас, чтобы освоить ИИ с другими людьми, а также сотрудничать. И вы знаете, что я также вкладываю всю свою душу в YouTube. Поэтому я делаю то же самое, если не больше, с Dynamis. И у меня есть курс AI Agent Mastery, где я подробно рассказываю о своём полном процессе создания AI-агентов, от этапа планирования до прототипирования с помощью N8N, создания агента в Python, создания полноценного приложения frontend и его развертывания, мой полный процесс. Поэтому обязательно проверьте dynamis.ai, если вас это заинтересовало. И у меня уже есть сотни других ранних пользователей ИИ в сообществе, готовых сотрудничать с вами. Ежедневные мероприятия, такие как консультации и мастер-классы и многое другое. Шаблоны и ресурсы AI-агентов, которые сразу же доступны вам после вступления в сообщество, и ежедневная поддержка и обмен идеями. Так много всего предлагается. Обязательно посетите dynamis.ai. И это приводит нас к нашему последнему этапу, который заключается в использовании вашего нового набора навыков. Честно говоря, больше всего в AI-агентах меня привлекает то, насколько разнообразны возможности, которые у вас есть, как только вы действительно хорошо научитесь их создавать. Вы можете автоматизировать вещи в своём собственном бизнесе или своей собственной жизни. Вы можете создавать и продавать шаблоны или фреймворки AI-агентов. И это действительно мощная вещь. Кстати, создание систем вокруг ваших AI-агентов, упаковка их и продажа — это очень выгодно. Вы можете начать агентство по автоматизации ИИ, что несколько связано с вышеупомянутым, но, возможно, создавая более индивидуальные решения. Вы можете создать продукт SaaS на основе AI-агентов. Вы можете стать консультантом или советником по ИИ для разных компаний. Вы можете присоединиться к компании, ориентированной на ИИ, или создать её. Даже на…
Корпоративный уровень, этот опыт продвинет вас лишь до определённой точки. Вы можете обучать других, создавая контент, как я делаю это постоянно. Вносите свой вклад в проекты с открытым исходным кодом, посвященные агентам ИИ. Существует так много различных способов использовать этот новый опыт. Он продвинет вас лишь до определённой точки. И это не имеет значения, какая отрасль или ниша. Всем нужны агенты ИИ. И поэтому, если вы пройдёте весь этот процесс, вы дойдёте до точки, когда будете уверенно создавать агентов ИИ, вы сможете сделать всё что угодно. Мир станет вашей устрицей. И именно поэтому я каждый день так радуюсь агентам ИИ. И я очень мотивирован продолжать выкладывать материалы на своём канале YouTube, запускать Dynamis и развивать его. Всё, что я делаю, я делаю с огромной мотивацией, потому что агенты ИИ – это действительно будущее. Вот почему важно начать этим заниматься сейчас.
Итак, вот он, мой полный процесс обучения созданию агентов ИИ, если бы мне пришлось начать всё сначала сегодня. Надеюсь, вы нашли это действительно полезным. Независимо от того, являетесь ли вы новичком или уже частично прошли этот путь, и я просто осветил для вас следующие шаги. И если вы думаете, что я что-то упустил в этом пути, пожалуйста, дайте мне знать в комментариях. Я люблю продолжать работать над этим, потому что самое важное для меня – это то, что тяжёлые уроки, которые мне пришлось выучить, и трата времени на изучение ненужных вещей, я хочу убедиться, что вам не придётся с этим сталкиваться. Поэтому я просто пытаюсь передать это вам.
Итак, если вам понравился этот контент, вы с нетерпением ждёте больше материалов об ИИ и агентах ИИ, я был бы очень признателен за лайк и подписку.