# агенты Published articles for агенты. This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles. ## Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU DevFeed: [Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU]() Original publisher: [Read original article]() Author: prohor33 (Яндекс) Published: 2026-09-14T08:01:22Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Artificial Intelligence](), [Retrieval Augmented Generation (RAG)](), [SDKs](), [Large Language Model]() Tags: [agent](), [ai](), [ai-867179ebf949](), [deepresearch](), [llm](), [rag](), [research](), [sdk](), [tag-14fcd5db6179](), [tag-1605473766c5](), [tag-6237da65686b]() ### AI overview The article describes how the Alice AI team built and deployed a Deep Research agent without changing the model weights. It traces the evolution from a reasoning mode with a multi-query RAG pipeline into a full agent capable of planning research, searching the web, handling dynamic JavaScript content, running Python code, and working with downloaded files. It also discusses production rollout, answer quality, latency, and GPU consumption. ### Source excerpt Меня зовут Прохор, я лид команды агента "Исследовать" -- это режим глубокого исследования в чате с Алисой AI. Напомню, про что вообще речь, если никогда не пользовались Deep Research: это специальный режим работы, который строит уникальный план решения задачи пользователя, делает сотни поисков по вашему запросу, умеет ходить на сайты (даже с динамическим JavaScript-контентом), писать и выполнять Python-код (для сложных расчётов), работать со скачанными файлами и так далее. Всё это для того, чтобы дать лучший ответ на ваши сложные запросы, например: "Спланируй мне путешествие в Дагестан на две недели на машине с детьми". За год агент прошёл путь от первого прототипа до продакшена -- вместе с ним менялись качество ответов, скорость работы и потребление GPU. За продуктовую часть отвечал Руслан Илиев, продакт менеджер агента: он сформулировал продуктовые цели, определил набор инструментов и валидационный набор запросов, а затем вёл запуск от закрытого вейтлиста до 100% продакшена. Как мы к этому пришли -- через выброшенный прототип, десятки слоёв обвязки и пару болезненных уроков, -- расскажу по порядку. Добро пожаловать под кат! Читать далее ## Контроль против гибкости: два подхода к созданию AI-агентов DevFeed: [Контроль против гибкости: два подхода к созданию AI-агентов]() Original publisher: [Read original article]() Author: Mentalitet (red\_mad\_robot) Published: 2025-11-14T17:15:42Z Content type: article Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [Artificial Intelligence](), [Large Language Model](), [AI Development](), [Natural language processing](), [Langgraph](), [SDKs](), [OpenAI](), [cursor]() Tags: [agent](), [agents](), [ai](), [cursor](), [development](), [development-kit](), [langgraph](), [llm](), [llm-05dacf5e57d9](), [llm-12323b29df45](), [nlp](), [openai](), [red-mad-robot](), [sdk](), [software-development](), [tag-1605473766c5](), [tag-61cd5a476b1d](), [tag-68e701e78517](), [tag-93edcb27480f](), [tag-b0a411324cb6](), [tag-dd24610a6838]() ### AI overview The article compares code-first and graph-first approaches to building multi-agent systems. It describes how LLMs coordinate tools and other agents, including ReAct, handoff, agent-as-tool, and group-chat patterns, drawing on the author's development experience and documentation from OpenAI and LangGraph. ### Source excerpt Привет! Меня зовут Женя Орлов, я руковожу NLP-разработкой в red_mad_robot. Мы экспериментируем с мультиагентными системами и изучаем, как LLM ведут себя в разных архитектурах. В процессе накопилось много наблюдений и рабочих инсайтов -- хочу поделиться тем, что помогает нам при проектировании AI-агентов. В последнее время внимание инженеров и исследователей привлекают агентные архитектуры -- системы, где LLM координирует работу внутренних инструментов и других моделей. Разберём два основных подхода к построению агентных систем. Читать далее ## AI Agents and Multi-Agent Systems: A Practical Case for Analyzing and Fixing Code Vulnerabilities DevFeed: [AI Agents and Multi-Agent Systems: A Practical Case for Analyzing and Fixing Code Vulnerabilities]() Original publisher: [Read original article]() Author: redmadrobot (red\_mad\_robot) Published: 2025-10-16T15:18:12Z Content type: tutorial Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [Artificial Intelligence](), [Natural language processing](), [Large Language Model]() Tags: [agents](), [ai](), [ai-agents](), [graph](), [llm](), [nlp](), [sast](), [systems](), [tag-1605473766c5](), [tag-4d5248fd6bfe](), [workflow]() ### AI overview The article explains the defining characteristics and autonomy levels of AI agents, focusing on workflow agents and multi-agent systems. It presents a practical case involving a multi-agent environment for automatically analyzing and fixing code vulnerabilities. ### Source excerpt Привет! Меня зовут Егор Козлов, я работаю NLP-инженером в red_mad_robot. Мы активно внедряем в бизнес AI-агентов -- автономных и полуавтономных программных сущностей, которые самостоятельно выполняют задачи и принимают решения в интересах бизнеса. В статье расскажу о принципах работы AI-агентов -- с особым вниманием к workflow-агентам и мультиагентным системам (MAS). И поделюсь практическим кейсом внедрения мультиагентной среды для автоматического анализа и исправления уязвимостей в коде. Читать далее ## Все LLM в одном окне: как мы сделали AI-сервис Daisy DevFeed: [Все LLM в одном окне: как мы сделали AI-сервис Daisy]() Original publisher: [Read original article]() Author: redmadrobot (red\_mad\_robot) Published: 2025-08-27T16:20:22Z Content type: article Language: ru Sources: [Redmadrobot EN](), [Redmadrobot RU]() Topics: [Artificial Intelligence](), [Large Language Model](), [genai](), [User experience (UX)](), [API]() Tags: [ai](), [api](), [chatgpt](), [claude](), [deepseek](), [gemini](), [genai](), [llm](), [tag-1605473766c5](), [ux]() ### AI overview This article describes Daisy, an AI service that provides access to multiple large language models in one interface. It explains the service's modular architecture, content filtering, document recognition, image generation, semantic search, and planned AI-agent and routing capabilities. ### Source excerpt Знакомьтесь, Daisy -- наш сервис для быстрого доступа ко всем передовым LLM. Он вырос из инициативы друзей, которым хотелось разобраться, какие пользовательские сценарии работают в GenAI и как сделать удобный AI-based UX. Начав с внутреннего исследования, мы открыли доступ к сервису для внешнего мира и увидели, что им начали активно пользоваться. За полгода у Daisy -- 300 тыс. пользователей, 5 тыс. DAU и более 3,5 млн обращений к моделям. Рассказываем, как мы пошли дальше простого доступа к LLM через API -- и сделали полноценный AI-сервис со своим подходом к архитектуре и взаимодействию с пользователями. Читать далее