Анатомия ИИ-агента: что на самом деле происходит между запросом и ответом LLM

Агенты — главный хайп последних месяцев, но под капотом у них всё та же LLM, которая предсказывает следующий токен. Вокруг неё нарастает «луковица» обёрток: фреймворки, MCP-серверы, облачные прослойки. Автор, пришедший в агентов из ML, предлагает разобрать эту архитектуру от модели наружу — чтобы понимать, где именно ломается логика, когда агент делает не то, что нужно.

Статья родилась из практического опыта: после очередного совместного поиска бага с командой стало ясно, что без понимания слоёв вокруг LLM отладка превращается в гадание. Если собирать агента не из готового конструктора, знание того, как каждый уровень влияет на поведение, помогает быстро локализовать проблему — она может быть не в модели, а в промпт-инжиниринге, инструментах или оркестрации.

Материал обещает практическую пользу: от базового понимания, как LLM генерирует шаги, до конкретных слоёв, которые добавляются поверх. Это не очередной обзор фреймворков, а попытка систематизировать знания для тех, кто строит агентов с нуля и хочет меньше гадать при отладке.