Фреймворки для AI-агентов

from agno.agent import Agent
from agno.models.ollama import Ollama
from agno.tools.duckduckgo import DuckDuckGoTools

agent = Agent(
    model=Ollama(id="qwen3.5:4b"),
    tools=[DuckDuckGoTools()],
    description="Ты — полезный ассистент с доступом к интернету",
    markdown=True
)

agent.run("Какие тренды в AI-агентах в 2026 году?")

from agno.agent import Agent
from agno.models.ollama import Ollama

def get_server_status(host: str) -> str:
    """Проверить статус сервера"""
    import subprocess
    result = subprocess.run(["ping", "-c", "1", host], capture_output=True, text=True)
    return "доступен" if result.returncode == 0 else "недоступен"

agent = Agent(
    model=Ollama(id="qwen3.5:4b"),
    tools=[get_server_status],
    show_tool_calls=True  # 👈 видно, какие инструменты вызывает
)

agent.run("Проверь статус сервера google.com")

from agno.agent import Agent
from agno.models.ollama import Ollama
from agno.team import Team

researcher = Agent(
    name="Исследователь",
    model=Ollama(id="qwen3.5:4b"),
    instructions="Находи информацию и передавай её редактору",
)

writer = Agent(
    name="Редактор",
    model=Ollama(id="qwen3.5:4b"),
    instructions="На основе полученных данных пиши краткий отчёт",
)

team = Team(
    name="Контент-команда",
    members=[researcher, writer],
    model=Ollama(id="qwen3.5:4b"),
    instructions="Координируй работу команды для создания контента",
)

team.run("Напиши краткий обзор последних новостей про AI")

from crewai import Agent, Task, Crew, Process, LLM

# 1. Создаём LLM с Ollama
llm = LLM(
    model="ollama/qwen3.5:4b",
    base_url="http://localhost:11434"
)

# 2. Агенты с ролями
researcher = Agent(
    role="Исследователь рынка",
    goal="Найти актуальные данные о трендах в AI",
    backstory="Опытный аналитик с 10-летним стажем",
    llm=llm,
    allow_delegation=False
)

writer = Agent(
    role="Технический писатель",
    goal="Создать понятный отчёт на основе данных",
    backstory="Пишет документацию для сложных технологий",
    llm=llm,
    allow_delegation=False
)

# 3. Задачи
research_task = Task(
    description="Найди 5 ключевых трендов в AI-агентах за 2026 год",
    agent=researcher,
    expected_output="Список из 5 трендов с кратким описанием каждого"
)

write_task = Task(
    description="На основе трендов напиши краткий отчёт (3 абзаца)",
    agent=writer,
    expected_output="Текст отчёта в markdown"
)

# 4. Создаём команду
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,  # 👈 по очереди
    verbose=True
)

result = crew.kickoff()
print(result)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.hierarchical,  # 👈 менеджер управляет
    manager_llm=llm,
    verbose=True
)

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langchain_ollama import ChatOllama
from langchain_core.tools import tool

# 1. Состояние агента
class AgentState(TypedDict):
    messages: Annotated[list, add_messages]

# 2. Инструменты
@tool
def search_web(query: str) -> str:
    """Поиск информации в интернете"""
    return f"Результаты поиска по запросу: {query}"

tools = [search_web]

# 3. Модель
llm = ChatOllama(model="qwen3.5:4b", base_url="http://localhost:11434")
llm_with_tools = llm.bind_tools(tools)

# 4. Узел агента
def agent_node(state: AgentState):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

# 5. Строим граф
graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("tools", ToolNode(tools))
graph.add_edge(START, "agent")
graph.add_conditional_edges("agent", tools_condition, {"tools": "tools", END: END})
graph.add_edge("tools", "agent")

# 6. Компилируем
agent = graph.compile()

# 7. Запускаем
result = agent.invoke({
    "messages": [("user", "Что нового в мире AI в 2026 году?")]
})
print(result["messages"][-1].content)

from langgraph.graph import StateGraph, START, END, MessagesState
from langchain_ollama import ChatOllama

llm = ChatOllama(model="qwen3.5:4b", base_url="http://localhost:11434")

# Агент-исследователь
def researcher(state: MessagesState):
    response = llm.invoke([
        {"role": "system", "content": "Ты — исследователь. Ищи факты и данные."},
        *state["messages"]
    ])
    return {"messages": [response]}

# Агент-писатель
def writer(state: MessagesState):
    response = llm.invoke([
        {"role": "system", "content": "Ты — писатель. Создавай тексты на основе фактов."},
        *state["messages"]
    ])
    return {"messages": [response]}

# Supervisor — решает, кто следующий
def supervisor(state: MessagesState):
    response = llm.invoke([
        {"role": "system", "content": (
            "Ты — supervisor. Выбери, кто будет работать дальше: "
            "'researcher' для поиска данных, 'writer' для написания текста, "
            "'FINISH' если задача выполнена."
        )},
        *state["messages"]
    ])
    return {"messages": [response]}

# Строим граф
graph = StateGraph(MessagesState)
graph.add_node("supervisor", supervisor)
graph.add_node("researcher", researcher)
graph.add_node("writer", writer)

graph.add_edge(START, "supervisor")
graph.add_conditional_edges("supervisor", lambda s: s["messages"][-1].content)
graph.add_edge("researcher", "supervisor")
graph.add_edge("writer", "supervisor")

from agents import Agent, Runner, function_tool

@function_tool
def get_weather(city: str) -> str:
    return f"Погода в {city}: +22°C"

agent = Agent(
    name="Weather assistant",
    instructions="Помогай с прогнозом погоды",
    tools=[get_weather],
    model="qwen3.5:4b"  # через Ollama, если настроен proxy
)