Мой личный джун. Часть 1. Учим агента писать код и пользоваться git

Значимый прорыв формирует отрасль ИИ: GoldenGekko 28 минут назад Мой личный джун. Учим агента писать код и пользоваться git Средний 13 мин 1K Искусственный интеллект Python * Туториал Привет, Хабр! Меня зовут Владимир и я стал немного более GPU-rich.

А это значит, что пора сдуть пыль со старого проекта)Некоторое время назад захотелось мне немного повайбкодить. Но злобные корпорации не захотели брать мои рубли, поэтому я решилИмеющаяся в то время в наличии 5080 на 16 Гб не дала мне развернуть адекватные модели, а загоняться с постоянным высвобождением памяти и перезагрузкой моделей мне было не охота, поэтому проект был заброшен. Но недавно я стал счастливым обладателем 5090 на 32 Гб, а это значит, что настало время новой попытки!

Технические детали

Статьи будет две - в первой мы создадим необходимую инфраструктуру, напишем простого агента, а также добавим нашему агенту MCP-инструменты. Во второй усложним логику агента и контейнеризируем его. ПодготовительноеПервым делом установим зависимостиuv init uv add langchain==1.

2 langchain-mcp-adapters==0. 2 langchain-openai==1. 3 pydantic-settings==2.

1Сразу накидаем примерную структуру проекта - так как это агент, да ещё и с инструментами, создадим соответствующие папки. Плюс папку для настроек:├── agent/ │ └── __init__. py ├── core/ │ ├── __init__.

Отраслевые последствия

py ├── tools/ │ └── __init__. pyВ предыдущей статье про трассировку агентов на LangGraph я постарался достаточно подробно описать свой подход к настройкам проекта (переменным окружения), а также базовые вещи по разработке LangGraph агента и использованию LangFuse для трассировки и хранения промптов, поэтому на этих частях кода подробно останавливаться не буду. Для настройки проекта нам необходимы:настройки запуска агента (хост, порт и путь к рабочей директории, в которой агент будет помогать)настройки для LLM (имя, url, API-ключ)настройки для логированияРеализуем core\settings.

py для парсинга настроек. Сначала напишем модель для настроек самого сервиса:class ServiceConfig(BaseModel): host: str port: int workspace: str loglevel: str log_to_file: boolСледующий класс - модель настроек LLM:class LLMConfig(BaseModel): host: str port: Annotated model_name: str api_key: SecretStr temperature: Annotated @property def url(self) -> str: if self. port is not None: return f' return f' @cached_property def llm(self) -> ChatOpenAI: return ChatOpenAI( base_url=self.

model_name, temperature=self. temperature, )Здесь всё как в прошлой статье - port=None для определения локальное развёртывание модели или облачное, что позволит сформировать правильный URL для передачи в конструктор класса ChatOpenAI. Так как агент у нас кодер, то будем использовать две разных модели - одну для общения, вторую - для кодинга.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.