# 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](../docs/ru/README.md) · 📖 [Читать главу](../book-ru/chapter1.md)

## Как читать эксперименты

В основном тексте короткие скелеты механизмов объясняют поток управления; в каталогах экспериментов находятся полные адаптеры SDK, журналы, тесты и приёмочные доказательства. Читать каждый файл построчно не требуется.

- **Starter:** Начните с цели, минимальной команды и условий приёмки; начните с [context](context/);
- **Builder:** Проследите точку входа, основной цикл, схему состояния/сообщений, инструменты и проверяющий модуль.
- **Maintainer:** Затем изучите тесты, манифесты доказательств, обработку сбоев, откат и адаптеры провайдеров.

При первом чтении можно пропустить ключи, слой представления и совместимость провайдеров; вернитесь при воспроизведении чисел.

## Сопутствующие проекты

| Эксп. | Проект | Тип | Описание |
| :--: | --- | :--: | --- |
| 1-1 | [context](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](web-search-agent/) | ✅ | Реализует агента с базовой возможностью глубокого поиска — многораундовый поиск и интеграция информации. |
| 1-3 | [search-codegen](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](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 |