Как построить self‑hosted RAG‑систему с LangGraph‑агентом на локальных LLM
Введение Обычно стек для RAG‑систем и AI‑агентов строится вокруг облачных API (OpenAI, Anthropic) и управляемых векторных баз. Но для ряда задач критически важна полная автономность: устойчивость к санкциям и независимость от внешних провайдеров.В этой статье я расскажу, какие архитектурные решения и инженерные компромиссы позволили мне построить такую систему полностью на локальных моделях. Мы пройдем путь от сбора RSS‑лент до умного агента, который сам вызывает инструменты, и разберём грабли, на которые я наступил.Стек: Python 3.12, FastAPI, PostgreSQL + pgvector, Celery, LangGraph, Ollama (Qwen 2.5 14B, BGE‑M3), Streamlit, Langfuse, Docker.
От языка к действию: как устроены агентные ИИ‑системы
Привет, Хабр!Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Получившие широкое распространение в последние годы технологии искусственного интеллекта состоят из множества различных направлений, которые могут пересекаться друг с другом или существенно отличаться.Сегодня мы попробуем разобраться в том, чем агент принципиально отличается от большой языковой модели (LLM).Для начала давайте посмотрим, что собой представляет LLM или RAG‑система.RAG
1С Напарник. Стоит он того?
Что решает — дорогое и долгое дообучение узкой модели или хорошая обвязка вокруг обычной облачной?На первый взгляд кажется очевидным, что модель от вендора, у которого привилегированный и неограниченный доступ к материалам, не оставит камня на камне от конкурентов. Но, может, мы уже дошли до того момента, когда разница в качестве ответов общих и специализированных моделей не оправдывает затрат на дообучение?Попробуем сравнить нашего интерактивного помощника на open-source стеке и Напарника
Что такое ИИ-оркестраторы и зачем они вам
Представьте себе систему, которая позволят собрать разных ИИ-агентов в команду и дать им задачу, над которой они будут работать вместе. Каждый агент будет делать то, в чем лучше всего разбирается. Это называется ИИ-оркестрацией.Сегодня мы поговорим о том, что такое ИИ-оркестратор. и чем он реально полезен.Ответим на главные вопросы:Чем оркестратор отличается от обычного агента?Как устроены мультиагентные системы?Где оркестраторы работают хорошо — и где не очень?С древности люди пришли к разделению труда
Один ИИ уже не справляется. Как работают ИИ‑оркестраторы
Представьте себе систему, которая позволят собрать разных ИИ‑агентов в команду и дать им задачу, над которой они будут работать вместе. Каждый агент будет делать то, в чем лучше всего разбирается. Это называется ИИ‑оркестрацией.Сегодня мы поговорим о том, что такое ИИ‑оркестратор. И чем он реально полезен.Ответим на главные вопросы:Чем оркестратор отличается от обычного агента?Как устроены мультиагентные системы?Где оркестраторы работают хорошо — и где не очень?С древности люди пришли к разделению труда
Как мы делали многоуровневую память для корпоративных AI-агентов в VK AI Space
Привет, Хабр. Меня зовут Сергей Врулин, я Team Lead в команде агентов VK AI Space — корпоративной платформы для создания и запуска AI-агентов.В июле 2026 года VK AI Space
Deep Agents: open source-обвязка на LangGraph
Привет, на связи команда GigaChain! Мы занимаемся агентными системами и развиваем набор open source-решений для подключения агентов к GigaChat API.
От болтливых LLM-агентов к управляемым системам
Путеводитель по LLM-агентам и мультиагентным системам: от ReAct и команд из нескольких агентов до графов, durable execution, sandbox, памяти, evals и безопасности в production.Эта статья предназначена для разработчиков, которым нужно быстро составить цельную карту мира агентных систем: понять, чем агент отличается от обычного workflow, когда достаточно одного агента, когда оправдано несколько и какие инфраструктурные слои делают их работу управляемой в production.
Архитектурный паттерн «LangGraph, гибридный RAG + Сигнатурный движок»: универсальный граф для потоковых данных
В чем проблема?При обработке больших потоков неструктурированного текста разработчики обычно выбирают один из двух путей:Первый — использовать детерминированные методы. Регулярки, сигнатуры, и подобные инструменты работают быстро. Вот только никак не поймают новые, ранее не описанные паттерны. Путь второй — скармливать сырые данные в ЛЛМ напрямую. В реальности этот подход быстро умирает. Отправлять огромные объемы нефильтрованного текста в языковые модели слишком дорого и медленно.
