Собираем AI-агента нового поколения: Python, RAG и внешние инструменты через MCP (Model Context Protocol)

Ещё пару лет назад типичное LLM-приложение выглядело как последовательная цепочка вызовов: взяли промпт, добавили контекст из векторной базы, отправили в модель, получили ответ. LangChain популяризировал эту парадигму — chains, retrievers, memory — и это работало для простых сценариев вроде «ответь на вопрос по документации». Но бизнес-задачи редко укладываются в линейный пайплайн. Пользователь хочет не просто получить ответ, а чтобы система совершила действие : создала тикет в Jira, отправила письмо, запросила данные из CRM, проверила погоду и только потом сформулировала ответ. Именно здесь на сцену выходят AI-агенты — системы, которые не просто генерируют текст, а автономно принимают решение, какой инструмент вызвать , в каком порядке, и интерпретируют результат. Проблема в том, что до недавнего времени подключение каждого нового инструмента требовало написания «клея» — кастомных функций, обёрнутых в @tool декоратор LangChain, с ручным управлением аутентификацией, обработкой ошибок и сериализацией данных. Для продакшена это быстро превращалось в зоопарк нестандартных интеграций, который сложно поддерживать и масштабировать. Model Context Protocol (MCP) от Anthropic решает эту проблему, предлагая единый стандарт для подключения инструментов и источников данных к LLM-приложениям. Вместо того чтобы для каждого API писать свой адаптер, мы просто запускаем MCP-сервер, который предоставляет инструменты по стандартизированному протоколу. Агент подключается к этому серверу через MCP-клиент и получает доступ ко всем инструментам без лишнего кода. В этой статье мы соберём полноценного агента, который: 1. Умеет работать с внешним миром через MCP (узнавать погоду и создавать GitHub Issues); 2. Имеет доступ к внутренней базе знаний через RAG; 3. Принимает решения по ReAct-подходу с использованием LangGraph. Разбираем код и архитектуру

https://habr.com/ru/articles/1025428/

#python #ai #machine_learning #langchain #langgraph #mcp #rag #chromadb #fastmcp #llm

RAG system. Day 5: Deploy.
End-to-end pipeline:

query → similarity_search → context → LLM → answer
ChromaDB retrieves relevant chunks.
Claude generates answers grounded in real data.
95 years of Oscars history → now queryable.
From raw data → embeddings → retrieval → generation → answers.
Full code + GitHub repo now live.
#RAG #AI #LLM #Python #ChromaDB #LangChain

RAG system. Day 3: Indexing.

95 years of Oscars data. Now stored as vectors.
ChromaDB finds relevant chunks. Claude reads them. Answers grounded in facts.
Day 4 tomorrow: the full retrieval + generation chain.
#RAG #LangChain #Python #AI #ChromaDB #LLM

Мультиагентная система без LangChain: почему абстракции ломаются и как строить production на чистом Python

LangChain обещает: переключите модель одной строкой, подключите RAG за две. У меня в production мультиагентная система с RAG, CRM и тремя мессенджерами — и я построил её без LangChain. Под катом — почему абстракции ломаются, сколько стоит фоллбек на YandexGPT и при чём тут медведь с удочкой.

https://habr.com/ru/articles/1020810/

#LangChain #Python #мультиагентная_система #RAG #LLM #YandexGPT #OpenAI #FastAPI #production #ChromaDB

Databases for #AI: Should you use a vector #database? 🤔

This article compares #opensource projects competing to handle modern #AI workloads, including #machinelearning and #LLMs. Discover which databases best meet today’s AI challenges: https://lpi.org/636x

(Disclaimer: This post contains an AI-generated image.)

#AndyOram #AI #vectordatabase #machinelearning #LLMs #SQL #opensource #hybridsearch #generativeAI #MariaDB #MongoDB #Milvus #Qdrant #Weaviate #Vespa #ChromaDB #LanceDB

AA (@measure_plan)

사진 검색·뷰잉 실험: threejs 인터페이스 위에 smolVLM + Roboflow RF-DETR 기반 컴퓨터 비전과 ChromaDB 시맨틱 검색을 결합해, 도시·색상·객체 같은 자연어로 전체 사진 라이브러리를 검색할 수 있게 구성한 사례를 공유함.

https://x.com/measure_plan/status/2034272042158108907

#threejs #smolvlm #roboflow #chromadb #semanticsearch

AA (@measure_plan)

로컬의 무료 AI 모델들을 활용해 컴퓨터에 있는 오래된 여행 사진을 자연어로 검색하는 앱을 제작한 사례: smolVLM으로 장면·색상 설명, Roboflow RF-DETR로 객체 검출, ChromaDB에 메타데이터 저장·시맨틱 검색을 수행하고 Python과 Streamlit으로 UI를 구현했습니다.

https://x.com/measure_plan/status/2033941877750436037

#smolvlm #roboflow #chromadb #localai #streamlit

Как мы с ИИ сделали локальный ИИ, который учится по моим книгам и пишет за меня отчёты

Я с GitHub Copilot (Claude) собрал полностью локальную RAG-систему с GUI, которая индексирует мои учебники и генерирует по ним отчёты, презентации, конспекты и эссе. Всё работает офлайн. В статье — архитектура, выбор компонентов, процесс совместной разработки с ИИ-ассистентом, грабли и рабочий код.

https://habr.com/ru/articles/1006662/

#python #ai #nlp #LLM #qwen #copilot #claude #chromadb