Как конечные автоматы помогают сделать агента надежнее и при чем тут pydantic-graph?

Вот важная новость с фронта ИИ: Когда пишешь библиотеку, рано или поздно упираешься в движок. Не в красивый внешний интерфейс и не в обёртки, а в ту часть внутри, которая гоняет процесс по состояниям: что-то сгенерировал, проверил, решил, что делать дальше, повторил. Пара флагов, цикл while, большой if посередине, и через месяц вы уже сами не помните, какие переходы там вообще возможны и почему одна из веток недостижима.

Недавно я собирал ровно такой движок и наткнулся на библиотеку, которая делает эту работу заметно аккуратнее. Называется pydantic-graph. Про неё почти не пишут, хотя на ней стоит весь pydantic-ai, агентский фреймворк от авторов Pydantic.

Технические детали

Дальше я расскажу про неё на конкретном примере, харнессе надёжности для слабых языковых моделей. Сразу оговорюсь термин, потому что оно сейчас на слуху. Харнесс это не только MCP, скиллы и память.

Это ещё и робастность, в том числе у совсем небольших моделей. Вот эту вторую часть я и беру за пример. Но статья не столько про модели, сколько про сам подход.

Основная мысль простая: это удобный способ собрать движок для чего угодно, где есть состояния и переходы, и при этом не утонуть в собственном цикле.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.