🎯 О чём этот конспект: Разбор эволюции нейросетей от простых чат-ботов до автономных агентских систем (Claude Code, Codex, OpenClaude). Автор на практике показывает, как работают механизмы планирования, использования инструментов (MCP), управления контекстом и долгосрочной памяти.

👤 Кому будет полезно: Вайбкодерам, разработчикам и AI-энтузиастам, которые хотят выйти за рамки обычного ChatGPT и строить автономные системы для кодинга и автоматизации бизнес-процессов.

✨ Что получите: Понимание разницы между детерминированными workflow и агентами, инструкции по настройке терминальных агентов и готовые стратегии преодоления ограничений контекста LLM.

1. Отличие детерминированных Workflow от ИИ Агентов

Контекст: Обычные автоматизации (например, в n8n) часто называют «агентами», но это ошибка. В стандартном workflow нейросеть лишь классифицирует данные или преобразует форматы внутри жестко заданных рельс. Она не может сама решить сделать 3 действия вместо 1 или выбрать другой инструмент, если это не прописано в схеме. Настоящий агент обладает «свободой воли» в рамках выданных инструментов.

Выгода: Переход к агентской архитектуре позволяет решать нелинейные задачи, где заранее неизвестно количество шагов или тип необходимых инструментов.

Как применить:

• Шаг 1: Создание агентской ноды — n8n — Вместо последовательных цепочек используйте ноду AI Agent.
• Шаг 2: Подключение инструментов — n8n Tools — Подключите к агенту набор инструментов (Google Search, HTTP Request, Custom JS) на одном уровне. Теперь LLM сама решает, какой инструмент вызвать и сколько раз.
• Шаг 3: Настройка памяти — Window Buffer Memory — Добавьте модуль памяти, чтобы агент помнил контекст предыдущих сообщений (оптимально 5-10 сообщений).

Результат: Система, которая может самостоятельно планировать выполнение сложной задачи (например, «найди информацию, создай картинку и отправь в Telegram»).

2. Терминальные агенты и протокол MCP (Model Context Protocol)

Контекст: Для серьезного вайбкодинга обычных чатов мало. Инструменты вроде Codex CLI или Claude Code работают напрямую с файловой системой и терминалом. Ключевая технология здесь — MCP, позволяющая подключать к AI внешние сервисы (GitHub, базы данных, серверы управления) через единый стандарт.

Выгода: Агент может не только писать код, но и деплоить его, создавать репозитории и фиксить баги в реальном времени.

Как применить:

• Шаг 1: Установка агента — Codex / Claude Code — Запустите терминальный агент в папке проекта.
• Шаг 2: Настройка провайдера — Польза AI — Для экономии и обхода ограничений используйте агрегаторы (например, Польза AI), прописав Base URL и API ключ в .env.

# Пример .env для Codex/Claude Code
OPENAI_BASE_URL=https://api.polza.ai/v1
OPENAI_API_KEY=your_polza_key
MODEL_NAME=gemini-1.5-flash # или gpt-4o

• Шаг 3: Подключение MCP серверов — Coolify / GitHub MCP — Подключите инструменты для деплоя. Теперь фраза «раскатай это на сервер» приведет к реальному деплою через API.

Результат: Полностью автономная среда разработки, управляемая голосом или текстом.

3. Стратегии управления контекстом (Суммаризация vs Тримминг)

Контекст: У любой LLM есть лимит «оперативной памяти» (контекстное окно). Когда оно заполняется, агент начинает «тупить» или терять нить задачи. Существует три основных способа борьбы с этим: суммаризация, тримминг и чекпоинты.

Выгода: Возможность вести длинные сессии разработки без потери критически важной информации о проекте.

Как применить:

• Метод 1: Суммаризация — Система вызывает скрытый промпт, который сжимает историю чата, оставляя только суть.
• Метод 2: Тримминг — Жесткое отсечение старых сообщений (используется в простых ботах).
• Метод 3: Auto Memory (Claude Code) — Использование файла memory.md, куда агент записывает важные факты о проекте.

# Содержимое memory.md
- Проект использует FastAPI на порту 8080.
- Видео нужно генерировать БЕЗ звука (параметр --no-audio).
- API ключи лежат в корне в .env.

Результат: Агент не забывает важные архитектурные решения даже через 2 часа активного кодинга.

4. Иерархия субагентов и Команды (Agent Teams)

Контекст: Для гигантских задач (например, создание SaaS с нуля) одного контекста не хватит даже с суммаризацией. Решение — делегирование. Главный агент (Lead) создает субагентов (Frontend Dev, Backend Dev, DevOps), у каждого из которых свой чистый контекст и узкая роль.

Выгода: Параллельное выполнение задач и огромный суммарный объем памяти системы.

Как применить:

• Шаг 1: Включение экспериментальных фич — Claude Code — Включите режим команд.

export CLAUDE_CODE_AGENT_TEAMS=1
claude

• Шаг 2: Постановка задачи — Опишите глобальную цель. Lead-агент сам создаст нужных специалистов.
• Шаг 3: Наблюдение — Используйте утилиты типа TMUX, чтобы видеть логи работы каждого субагента одновременно.

Результат: Сложный проект разбивается на модули, которые пишутся параллельно разными «личностиями» AI.

5. Долгосрочная память через Графы Знаний (Mem0)

Контекст: RAG (поиск по документам) хорош, но он не понимает связей между сущностями. Использование графовой памяти (Mem0 / MemZero) позволяет агенту помнить ваши предпочтения, прошлые проекты и взаимосвязи между ними годами.

Выгода: Агент становится персональным ассистентом, который знает, что вы «любите историю Кореи» или «всегда используете Tailwind», без повторных промптов.

Как применить:

• Шаг 1: Интеграция Mem0 — Python — Установите библиотеку и подключите её к логике обработки сообщений бота.
• Шаг 2: Извлечение фактов — На каждое сообщение пользователя Mem0 сначала ищет релевантные факты в графе и подмешивает их в системный промпт.
• Шаг 3: Обновление графа — После ответа модель анализирует новый диалог и обновляет связи (например: Пользователь -> Любит -> Python).

Результат: Агент с «пожизненной» памятью, чья эффективность растет с каждым диалогом.

FAQ

В: В чем главное отличие Claude Code от обычного чата Claude?

О: Claude Code — это терминальный агент. У него есть доступ к вашим файлам, он может сам запускать тесты, выполнять команды в консоли и использовать MCP-инструменты. В чате вы копируете код вручную, здесь агент сам меняет строки в файлах.

В: Что такое MCP и зачем он нужен вайбкодеру?

О: Model Context Protocol (MCP) — это открытый стандарт, который позволяет подключать к любому AI-агенту любые инструменты (базы данных, Google Drive, Slack, локальные скрипты). Это «розетка», через которую AI взаимодействует с реальным миром.

В: Как избежать огромных трат на токены при работе агентов?

О: Используйте «умную» маршрутизацию: для простых задач (поиск, суммаризация) ставьте дешевые модели типа Gemini 1.5 Flash через агрегаторы (Польза AI), а для сложной логики и архитектуры — Claude 3.5 Sonnet или GPT-4o. Также обязательно настраивайте лимиты (budget limits) в коде агента.

В: Безопасно ли давать агенту доступ к терминалу?

О: Не совсем. Существует риск промпт-инъекций (если агент прочитает вредоносный код на сайте). Рекомендуется использовать режим «Manual Approval» для опасных команд (rm -rf, деплой) и ограничивать область видимости агента только папкой проекта.

В: Можно ли запустить агента на слабом ПК?

О: Да, так как сами вычисления (LLM) происходят в облаке. Вам нужен только интернет и установленный Node.js/Python для работы самого агентского движка (Codex/Claude Code). Для тяжелых локальных задач (если захотите запустить Llama 3 локально) лучше использовать GPU-облака типа Immerscloud.

Конспект создан на основе видео «ИИ Агенты: Как это устроено? Claude Code, Codex, MCP, Память и Автономность» канала Олег Лоньков. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/kgSy4NPWZ_4