GigaChain от Сбера - пакет LangChain для русскоязычных агентов
Фреймворк обеспечивает интеграцию с LangChain, поддержку GigaChat и разработку агентов через LangGraph.
Платформа предлагает настройку версий API, управление SSL-сертификатами и потоковую генерацию токенов.
Инструментарий включает средства прототипирования, исследований и production-запуска с фокусом на русскоязычные приложения.
Наконец-то отечественные агенты!
Команда Сбера не отстаёт от мировых трендов 🚀
#GigaChat #LangChain #LangGraph #Сбербанк #Сбер
-------
@tsingular
Фреймворк обеспечивает интеграцию с LangChain, поддержку GigaChat и разработку агентов через LangGraph.
Платформа предлагает настройку версий API, управление SSL-сертификатами и потоковую генерацию токенов.
Инструментарий включает средства прототипирования, исследований и production-запуска с фокусом на русскоязычные приложения.
Наконец-то отечественные агенты!
Команда Сбера не отстаёт от мировых трендов 🚀
#GigaChat #LangChain #LangGraph #Сбербанк #Сбер
-------
@tsingular
⚡5🍾2
🤖 Рубрика крутые инструкции от AWS:
Построение мультиагентной системы на базе AWS, LangGraph и Mistral
Система собирает информацию о городе из разных источников: события (локальная база + поиск онлайн), погода, рестораны. И всё работает в связке:
Если в локальной базе нет событий, она автоматически ищет информацию через Tavily API:
1. Модульность — можно быстро заменить/обновить любого агента, не ломая всю систему
2. Гибкость — каждый агент можно оптимизировать под конкретную задачу
3. Безопасность — у каждого агента доступ только к тем инструментам, которые ему нужны
Вся система собрана на LangGraph, который управляет состоянием и потоками данных между агентами.
Для поиска ресторанов используется RAG с Amazon Titan Embeddings + FAISS, хотя в статье рекомендуют для продакшена использовать Amazon Bedrock Knowledge Bases.
#AWS #LangGraph #Agents #MistralAI
———
@tsingular
Построение мультиагентной системы на базе AWS, LangGraph и Mistral
Система собирает информацию о городе из разных источников: события (локальная база + поиск онлайн), погода, рестораны. И всё работает в связке:
workflow.add_node("Events Database Agent", events_database_agent)
workflow.add_node("Online Search Agent", search_agent)
workflow.add_node("Weather Agent", weather_agent)
workflow.add_node("Restaurants Recommendation Agent", query_restaurants_agent)
workflow.add_node("Analysis Agent", analysis_agent)Если в локальной базе нет событий, она автоматически ищет информацию через Tavily API:
def route_events(state):
if f"No upcoming events found for {state.city}" in state.events_result:
return "Online Search Agent"
else:
return "Weather Agent"
1. Модульность — можно быстро заменить/обновить любого агента, не ломая всю систему
2. Гибкость — каждый агент можно оптимизировать под конкретную задачу
3. Безопасность — у каждого агента доступ только к тем инструментам, которые ему нужны
«Агенты революционизируют ландшафт генеративного ИИ, соединяя крупные языковые модели с приложениями реального мира. Эти умные, автономные системы скоро станут краеугольным камнем внедрения ИИ в разных отраслях»
Вся система собрана на LangGraph, который управляет состоянием и потоками данных между агентами.
Для поиска ресторанов используется RAG с Amazon Titan Embeddings + FAISS, хотя в статье рекомендуют для продакшена использовать Amazon Bedrock Knowledge Bases.
#AWS #LangGraph #Agents #MistralAI
———
@tsingular
✍5👨💻1
Google выпустила готовый шаблон для создания ИИ-агентов на Gemini 2.5
Компания Google опубликовала на GitHub открытый проект для быстрого старта разработки полноценных ИИ-агентов. Шаблон использует модель Gemini 2.5 и фреймворк LangGraph.
Агент умеет проводить комплексные исследования по запросам пользователей - генерирует поисковые термины, ищет информацию в Google, анализирует пробелы в знаниях и уточняет поиск до получения полного ответа с источниками.
Проект включает React-фронтенд и бэкенд на LangGraph. Для продакшена требуется Redis и PostgreSQL. Есть готовые Docker-образы и подробная документация по развертыванию.
Разработчики могут использовать этот шаблон как основу для создания собственных исследовательских ИИ-помощников с веб-интерфейсом.
#LangGraph #Gemini #Google #агенты
------
@tsingular
Компания Google опубликовала на GitHub открытый проект для быстрого старта разработки полноценных ИИ-агентов. Шаблон использует модель Gemini 2.5 и фреймворк LangGraph.
Агент умеет проводить комплексные исследования по запросам пользователей - генерирует поисковые термины, ищет информацию в Google, анализирует пробелы в знаниях и уточняет поиск до получения полного ответа с источниками.
Проект включает React-фронтенд и бэкенд на LangGraph. Для продакшена требуется Redis и PostgreSQL. Есть готовые Docker-образы и подробная документация по развертыванию.
Разработчики могут использовать этот шаблон как основу для создания собственных исследовательских ИИ-помощников с веб-интерфейсом.
#LangGraph #Gemini #Google #агенты
------
@tsingular
🔥9❤5⚡4🆒3
Собираем ReAct-агент на базе LangGraph и GigaChat
Сбер опубликовал детальный гайд по созданию ReAct-агентов с помощью LangGraph на базе GigaChat Max.
ReAct-агенты объединяют пошаговое рассуждение с выполнением задач — непрерывный цикл размышления и действия.
Агенты автономно разбивают сложные задачи на подзадачи и выполняют их итеративно, динамично подключая внешние инструменты по мере необходимости.
LangGraph помогает быстро собрать такие мультиагентные процессы с параллельными ветками исполнения задач в виде графов.
В гайде подробная инструкция по сборке и код с вызовом функций, памятью, поиском в интернете и самооценкой действий.
#ReAct #LangGraph #Сбербанк #Gigachain #habr #агенты
———
@tsingular
Сбер опубликовал детальный гайд по созданию ReAct-агентов с помощью LangGraph на базе GigaChat Max.
ReAct-агенты объединяют пошаговое рассуждение с выполнением задач — непрерывный цикл размышления и действия.
Агенты автономно разбивают сложные задачи на подзадачи и выполняют их итеративно, динамично подключая внешние инструменты по мере необходимости.
LangGraph помогает быстро собрать такие мультиагентные процессы с параллельными ветками исполнения задач в виде графов.
В гайде подробная инструкция по сборке и код с вызовом функций, памятью, поиском в интернете и самооценкой действий.
#ReAct #LangGraph #Сбербанк #Gigachain #habr #агенты
———
@tsingular
⚡5👍4🔥3❤1
Да, что началось то...
LangChain Deep Agents: Опенсорсный ответ Claude Code и новый стандарт «боевых» агентов
LangChain выкатил Deep Agents — готовый системный обвес для агентов на базе LangGraph.
По сути, это архитектурный клон Claude Code, но лишенный его главного недостатка: привязки к одной модели.
Теперь автономного агента на базе langchain с планированием и сабагентами можно запускать на любом движке — от GPT-4o до локального Qwen.
🚀 Что внутри:
🛡 Планирование (Planning):
Инструмент
📂 Файловая система (Filesystem):
Набор
🤖 Сабагенты (Sub-agents):
Команда
🔌 MCP & Sandboxing:
Встроенная поддержка Model Context Protocol и запуск команд в изолированных песочницах. Безопасность через ограничение инструментов, а не через «честное слово» нейросети.
🔮 Итог: Эпоха чат ботов окончательно уходит в прошлое. Наступает эра автономных роев, которые умеют планировать, ошибаться, откатываться к чекпоинтам и звать на помощь человека, только когдауже поздно нужна помощь.
#агенты #LangGraph #DeepAgents #OpenSource #langchain
------
@tsingular
LangChain Deep Agents: Опенсорсный ответ Claude Code и новый стандарт «боевых» агентов
LangChain выкатил Deep Agents — готовый системный обвес для агентов на базе LangGraph.
По сути, это архитектурный клон Claude Code, но лишенный его главного недостатка: привязки к одной модели.
Теперь автономного агента на базе langchain с планированием и сабагентами можно запускать на любом движке — от GPT-4o до локального Qwen.
🚀 Что внутри:
🛡 Планирование (Planning):
Инструмент
write_todos для декомпозиции задач. Агент сам бьет задачу на шаги и отслеживает прогресс. 📂 Файловая система (Filesystem):
Набор
read/write/edit/grep/ls. Агент не просто «видит» код, он с ним работает, правит и ищет зависимости в контексте всего проекта.🤖 Сабагенты (Sub-agents):
Команда
task для делегирования работы в изолированные контекстные окна. Большой агент спавнит малых для рутины, не раздувая свой основной контекст (прямой аналог sessions_spawn у openclaw).🔌 MCP & Sandboxing:
Встроенная поддержка Model Context Protocol и запуск команд в изолированных песочницах. Безопасность через ограничение инструментов, а не через «честное слово» нейросети.
🔮 Итог: Эпоха чат ботов окончательно уходит в прошлое. Наступает эра автономных роев, которые умеют планировать, ошибаться, откатываться к чекпоинтам и звать на помощь человека, только когда
#агенты #LangGraph #DeepAgents #OpenSource #langchain
------
@tsingular
1🤣14🔥11✍3❤3⚡1😁1