Agentic patterns: от дефиниция до реализация

Тази статия представя малко демо върху agentic patterns — но преди да говорим за самата демонстрация, нека изясним малко теория.

Първо: какво е агент

Ако все още не сте сигурни какво значи „AI агент", ето най-простата дефиниция. Обикновеният чат е един въпрос и един отговор: подаваш текст, моделът връща текст, край. Агентът е нещо друго — това е езиков модел, на който си дал цел, инструменти и свободата сам да реши стъпките към целта.

Работи в цикъл: моделът е мозъкът и разсъждава какво трябва да се направи, действа (извиква инструмент — търсене, база данни, API, изпълнение на код), наблюдава резултата и решава следващата стъпка. И така, докато целта е постигната. Разликата с обикновения промпт е в четири неща: инструменти, цикъл, състояние (памет за това какво вече е свършено) и автономия над това кой е следващият ход. Агентът не просто отговаря — той действа, проверява и коригира.

Какво са agentic patterns

Agentic patterns са повтарящите се структури, по които организираме този цикъл. Не изобретяваш всеки агент от нулата — комбинираш няколко утвърдени шаблона според задачата. Най-често срещаните:

• Tool use (ReAct) — базовият шаблон: моделът редува разсъждение и действие (reason + act), докато събере достатъчно контекст, за да отговори.
• Reflection — агентът критикува собствения си резултат и го подобрява в няколко итерации, вместо да върне резултата от първия опит.
• Planning — сложна задача се разбива на отделни стъпки, които се изпълняват последователно.
• Multi-agent — няколко специализирани агента си сътрудничат: например един изследва, друг пише, трети ревюира.
• Router / orchestrator — един агент насочва задачата към правилния подагент или инструмент.

Frameworks

LangGraph е рамка за оркестрация на агенти. Моделира агента като граф от три части: State (споделеното състояние), Nodes (възли, които вършат работа — извикване на модела, изпълнение на инструмент) и Edges (ребра, които решават кой е следващият възел). Условните ребра и циклите позволяват сложни, повтарящи се потоци, а рамката добавя durable execution, human-in-the-loop и постоянна памет. LangGraph дава изричен, детайлен контрол — избираш го, когато потокът трябва да е точен, проследим и предвидим.

CrewAI е рамка от по-високо ниво, оптимизирана за сътрудничещи си агенти, които действат в различни роли. Дефинираш агенти (всеки със своя роля, цел и инструменти), които образуват „crew" — екип, който си разпределя и делегира задачите автономно; отгоре Flows дават контрол над състоянието и събитийното изпълнение. С по-малко boilerplate вдигаш мулти-агентен екип бързо, за сметка на по-малко нискониво управление. CrewAI е подходящ, когато задачата естествено се разбива на роли — например изследовател, автор, ревюиращ — които трябва да си сътрудничат.

Накратко: LangGraph за контрол над потока, CrewAI за бърз старт на ролеви мулти-агентни екипи. И двата в крайна сметка правят едно и също — въртят цикъла разсъждение → действие → наблюдение около един или повече езикови модели.

Демото

Цялата тази теория може да се пробва наживо. Събрах двадесет и четири agentic pattern-а (плюс един бонус, който комбинира няколко) в едно интерактивно демо, подредени в четири категории: Foundational & Workflow, Reasoning & Strategy, Orchestration & Topology и Reliability & Safety. Деветнадесет са реализирани с LangGraph, шест с CrewAI, а всеки извиква реален езиков модел (Qwen2.5 3B, локално през Ollama) и показва междинните си стъпки, така че виждаш как всеки pattern „разсъждава" в реално време, направо в браузъра. Демото може да се пробва тук: agentic-patterns-demo.angeloff.dev. Кодът е отворен: github.com/nikolay-angeloff/agentic-patterns.

Бележка: демото е оптимизирано за десктоп, не е адаптирано за мобилни устройства.