🤖

ИИ-агенты для самых маленьких

Интерактивный учебник на TypeScript

8 шагов от «привет, LLM» до полноценного интерактивного агента с планированием, tools и human-in-the-loop. Никакой магии — только код, который ты напишешь сам.

Начать обучение ↓
~2 часа
📦 TypeScript + OpenRouter
🎯 От нуля до агента
scroll

Что такое ИИ-агент?

Прежде чем писать код — разберёмся в главной идее. Она на удивление простая.

LLM structured output execute tool add to context LLM → …
↑ вот и весь агент — это цикл

Агент — это LLM в цикле. Модель получает запрос, решает какой инструмент вызвать (или не вызвать), мы выполняем этот инструмент, добавляем результат в контекст и отправляем обратно в LLM. И так до тех пор, пока модель сама не решит, что пора остановиться.

Современные LLM API (Anthropic, OpenAI) уже имеют нативную поддержку tools — ты описываешь доступные инструменты в запросе, и модель сама возвращает tool_calls в структурированном виде. Не нужно просить «верни JSON» — это уже встроено.

Claude Code, Cursor, GitHub Copilot — все работают на этом же фундаменте. Разница в количестве tools, quality of prompts и UX вокруг. Ядро — одно и то же. Давай построим его с нуля.

В учебнике есть кнопки «Запустить демо» — это симуляция вывода. Реальные ответы LLM могут отличаться.

Оглавление

Урок 01 · Начало
Базовый LLM-вызов
Отправляем запрос в LLM , получаем ответ. Просто чтобы убедиться что всё работает.
Урок 02 · Начало
Добавляем первый Tool
Даём модели возможность «действовать» — вызывать функции ( tool ). Ключевой момент: модель не выдумывает данные, а просит нас выполнить функцию.
Урок 03 · Ключевой момент
Agent Loop — замыкаем петлю
Вот это и делает агента агентом. Модель вызывает tool → мы выполняем → результат обратно в LLM → repeat.
Урок 04 · Практика
Реальные Tools — bash и файловая система
Заменяем фейковые данные настоящими инструментами. Агент теперь может выполнять команды и читать файлы через tools . Запусти и посмотри: 5 итераций, модель сама решила что делать на каждом шаге — ls , read_file , ошибка, обходной путь, ответ.
Урок 05 · Архитектура
Skills — модульная архитектура по стандарту agentskills.io
В уроке 04 tools были захардкожены прямо в коде. Добавить новый — значит переписать агента. Skill решает эту проблему: это папка с файлом SKILL.md , которую агент подключает как плагин. Стандарт agentskills.io — открытый формат, чтобы разные агенты могли использовать одни и те же skills.
Урок 06 · Продвинутый
Multi-step Planning
В уроке 5 мы собрали агента из skills. Но стратегия была одна — отпустить агента в свободный полёт. Теперь мы добавим два новых skill'а и покажем, что одни и те же skills поддерживают принципиально разные стратегии: Plan-then-Execute и ReAct . Разница не в tools, а в том, как agent loop их оркестрирует.
Урок 07 · Продвинутый
Adaptive Agent — Plan + ReAct + Replan
Урок 6 показал две стратегии, но обе были фиксированы. Что если реальность отличается от плана? Мы добавляем request_replan — системный tool (не skill!), который позволяет агенту запросить перепланирование. Важное различие: skills — переиспользуемые способности; системные tools — механизмы архитектуры агента.
Урок 08 · Финал
Human-in-the-Loop + Wizard
У нас есть skills для файлов, bash и рассуждений. Теперь добавляем ещё один: interaction — три tool'а для общения с пользователем. Добавить human-in-the-loop = добавить ещё один skill. Agent loop не меняется.