Что такое AI-агенты: создание, примеры и возможности в 2026 году

Про агентов сейчас не пишет только ленивый. Из каждого утюга слышно «агент да агент», в каждом втором тексте про искусственный интеллект непременно есть автономный помощник, который вот-вот заменит половину профессий, а к любому продукту торопятся приклеить приставку «агентный». За этим ажиотажем мало внимания уделяют вопросу, что такое агент на самом деле и чем он отличается от чат-бота, к которому все уже привыкли.

Ниже разберем, из чего агент собран и почему без ограничителя шагов он способен всю ночь жечь бюджет впустую.

Эволюция от чат-ботов к агентам

Чат-бот отвечает на реплику и замолкает, дальше он ждёт вас. Агент работает иначе, он получает цель, сам дробит ее на подзадачи, вызывает инструменты и повторяет цикл до результата, не переспрашивая на каждом шаге. Разница может показаться несущественной, но из-за неё агент часто становится дорогим и капризным. Один прогон не равен одному вызову модели, и каждый лишний виток стоит денег, а порой заканчивается петлёй. Приглядывать за таким приходится иначе, чем за чат-ботом, пристальнее. Несмотря на эту особенность агентов, их популярность только растёт. И если кратко описать становление агентов, то их путь примерно таков.

Начиналось со сценарных ботов на деревьях правил, ломавшихся от любого отклонения формулировки. Языковые модели эту хрупкость убрали, но ранние из них, вроде GPT-2, только продолжали текст и не помнили разговора. Дальше слои пошли один за другим. Модель научили держать историю переписки, доставать свежие и закрытые данные из внешней базы (этот приём — retrieval-augmented generation), описали в Meta ещё в 2020 году), рассуждать вслух по шагам и, наконец, вызывать инструменты. Оставалось замкнуть это в петлю, где модель сама решает, нужен ли ещё шаг, и в 2023 году идея вылилась в волну автономных агентов вроде AutoGPT и BabyAGI, а следом в мультиагентные системы с разделением ролей. Последним слоем стали стандарты связи, MCP от Anthropic в конце 2024 года и A2A от Google весной 2025.

Из-за этой слоистой истории граница между чат-ботом и агентом размытая. Добавьте продвинутому чат-боту память, доступ к инструментам и право крутить цикл, и он де-факто превращается в агента. 

Почему агенты — будущее AI

С этим выводом стоит быть осторожнее, вокруг агентов слишком много шума. За последние несколько лет технология действительно быстро развивается. Модели надёжнее вызывают инструменты, для их подключения появился общий стандарт, а у фреймворков вышли первые стабильные версии.

О том, куда движется отрасль, лучше всего говорят вложения крупных компаний. Их всё меньше интересуют показательные запуски, когда агент якобы сам справился с задачей, и всё больше практичные вещи. Например, чтобы агент не терял ход работы после сбоя, чтобы повторный запуск давал тот же результат, а важные действия шли через подтверждение человеком. Оправдаются ли ожидания от автономных помощников, покажет время.

Что такое AI-агент: простыми словами

Определение

Под агентом принято понимать большую языковую модель, помещенную в управляющий цикл и снабженную доступом к внешним инструментам. Модель здесь работает как рассуждающее ядро, а цикл и инструменты превращают это ядро из собеседника в исполнителя. В типичном агенте таких частей три, хотя состав подвижен. Без управляющего цикла остаётся разовый ответ, а без доступа к инструментам модель ничего не делает во внешнем мире. Память при этом уже не обязательна, встречаются и агенты без долговременной памяти, и агенты с единственным инструментом, и агенты вовсе без отдельного планировщика.

Отличие от обычных чат-ботов

Чат-бот отвечает на одну реплику, и его работа заканчивается вместе с ответом. Агент за одну поставленную цель делает много вызовов модели, между которыми ходит во внешний мир и меняет план по результатам. Качество агента определяется не столько силой самой модели, сколько качеством обвязки вокруг неё, то есть тем, как устроен цикл, как описаны инструменты и как ловятся ошибки. Мощная модель на кривой обвязке проигрывает средней модели на аккуратной.

Ключевые характеристики

У рабочего агента обычно выделяют пять свойств, и они держатся друг за друга.

• Автономность. Агент сам выбирает следующий шаг, а не ждёт очередной команды на каждое действие.
• Целеполагание. На вход идёт цель формулировкой на естественном языке, а не готовый пошаговый рецепт. Разбивка на подзадачи остаётся за агентом.
• Использование инструментов. Поиск, вызов внешнего интерфейса, запуск кода, чтение файла. Через инструменты агент получает доступ к внешним данным и возможностям, которых нет внутри самой модели.
• Память и контекст. Краткосрочная память удерживает ход текущей задачи, долгосрочная сохраняет факты между запусками.
• Итеративность. Цикл размышление, действие, наблюдение, повторяющийся до достижения цели или до срабатывания стоп-условия.

Пять свойств агента на цикле размышление, действие, наблюдение 

Как работают AI-агенты

Архитектура агента

В основе почти любого агента лежит одна и та же связка. Языковая модель как ядро принятия решений, управляющая программа-оркестратор, которая крутит цикл и исполняет вызовы, набор инструментов с описаниями и память двух видов. Оркестратор здесь ключевая деталь, потому что именно он, а не модель, реально запускает код инструмента, подставляет результат обратно в контекст и следит за стоп-условиями.

Цикл ReAct (Reasoning + Acting)

В октябре 2022 года Shunyu Yao и коллеги из Google Research и Принстона опубликовали работу ReAct, где модель чередует рассуждение и действие. Сначала она формулирует мысль о том, что делать дальше, затем вызывает инструмент, читает наблюдение и корректирует план. На каждом витке модель получает всю накопленную историю и список доступных инструментов, генерирует следующую мысль и следующее действие, и так до тех пор, пока не решит, что цель достигнута, либо пока не сработает внешний ограничитель.

Стоит помнить, что ReAct — это не единственный способ организовать агента, и в 2026 году далеко не всегда основной. Всё больше боевых систем строятся не вокруг свободного цикла размышления и действия, а вокруг структурированных вызовов инструментов и явных графов состояний, где переходы заданы заранее. Тот же LangGraph по своей сути про граф состояний, а не про вольную петлю. ReAct остаётся важной базовой концепцией, поверх которой удобно объяснять остальное, а вот в эксплуатации всё чаще предпочитают предсказуемую оркестрацию свободному рассуждению на каждом шаге.

Планирование задач

В простом агенте отдельного планировщика нет, планирование сидит в тех же рассуждениях перед каждым действием. В системах посложнее его выносят вперёд, чтобы агент сперва набросал список подзадач, а потом шёл по нему. У такого разделения есть минус. План, составленный в начале, устаревает, как только агент сталкивается с тем, что не предвидел, и переписывать его приходится по ходу дела.

Использование инструментов (tools)

Инструменты с точки зрения модели — это просто описания функций, которые ей разрешено вызывать. Модель обычно не выполняет код самостоятельно, она возвращает имя инструмента и аргументы, а исполняет вызов уже оркестратор и отдает результат обратно в контекст. Есть системы со встроенной средой выполнения, где эта грань размыта, но и там решение о запуске остаётся за управляющим слоем. Отсюда растёт большая часть уязвимостей, о которых поговорим ниже, потому что агент буквально решает, какой рычаг дернуть, на основании текста, который прочитал.

Память (краткосрочная и долгосрочная)

Память разделяют по сроку жизни. Краткосрочная — это накопленная история текущего диалога, которая на каждом шаге, как правило, передается в контекст модели целиком либо в сжатом виде. Сжатие, суммаризация и выборочная подгрузка нужны как раз для того, чтобы длинная история не раздувала расход токенов. Долгосрочная живёт между запусками и нередко реализуется через векторное хранилище, где прошлые факты лежат эмбеддингами и достаются по смысловой близости, хотя в ход идут и обычные реляционные базы, и графовые, и гибридные схемы. 

Типы AI-агентов

Single-agent (один агент)

Один агент с набором инструментов проще в отладке, дешевле и предсказуемее. Он держит весь контекст в одном месте и не тратит вызовы модели на переговоры с самим собой. Для большинства задач вида «сходи в несколько источников и собери сводку» этого достаточно, и усложнять тут смысла мало.

Multi-agent (команда агентов)

Команда оправдана, когда задача естественно распадается на роли с разной специализацией, а результат одного шага становится входом для другого. За гибкость приходится платить, ведь каждый агент — это отдельный поток вызовов модели, а общение между ними съедает и токены, и время, и добавляет мест, где всё может рассинхронизироваться. На практике я видел, как команду из четырёх агентов переписывали обратно в одного, как только выяснялось, что три роли из четырёх ничего осмысленного не делают.

Специализированные агенты (code, research, data analysis)

Отдельная ветка — это агенты, заточенные под узкий класс задач. Кодовый агент умеет читать репозиторий, запускать тесты и править файлы. Исследовательский заточен под поиск и сверку источников. Аналитический пишет и исполняет код над вашими данными. Специализация обычно дает больше пользы, чем универсальный агент на все случаи, потому что и промпт, и набор инструментов подогнаны под одну работу.

Популярные примеры AI-агентов

AutoGPT

AutoGPT опубликовали в конце марта 2023 года его собрал Торан Брюс Ричардс из студии Significant Gravitas. Агенту задают имя, роль и до пяти подцелей, после чего он уходит работать сам, разбивая большую цель на шаги. Возможности по тем временам впечатляли, потому что один и тот же цикл писал код, искал в сети и собирал отчеты без человека на каждом шаге. Работал он именно как автономная петля поверх GPT-4, и та же петля породила и знаменитый эксперимент ChaosGPT, и вал жалоб на застревание. К 2026 году это уже не тот скрипт, а платформа с визуальным конструктором, где агенты собираются из связанных блоков, плюс отдельно живущая классическая версия в том же репозитории.

BabyAGI

BabyAGI от венчурного инвестора Yohei Nakajima вышел в конце марта 2023 года и стал вирусным за неделю. По сути, это простой менеджер задач на языковой модели. Первые версии скрипта занимали около ста сорока строк и работали по кругу, то есть брали цель, дробили ее на задачи, выполняли одну, из результата порождали новые задачи и переставляли приоритеты. Сам Nakajima в сентябре 2024 года отправил оригинальный репозиторий в архив, оставив его как учебный артефакт. Уже к весне 2024 года на BabyAGI ссылались десятки академических работ, а дальше их стало заметно больше, так что как проба пера он своё отработал.

AgentGPT

AgentGPT от команды Reworkd взял идею AutoGPT и завернул её в браузерный интерфейс. Смысл в том, чтобы запускать агента прямо в вебе, без возни с окружением и ключами в консоли. Ниша понятная, порог входа ниже, а цена этого удобства — в меньшем контроле над деталями.

MetaGPT

MetaGPT зашёл с другой стороны, через мультиагентную систему. В работе Sirui Hong и коллег из DeepWisdom агентам раздали роли реальной команды разработки, то есть продакт-менеджера, архитектора, инженера и тестировщика, и заставили передавать работу друг другу по стандартным процедурам. На вход идёт однострочное требование, на выходе получается набор проектных документов и код. Философия проекта формулируется как «код — это стандартная процедура, примененная к команде».

CrewAI

CrewAI довёл ролевую метафору до готового фреймворка, где вы собираете команду агентов, как штат под проект. Каждому агенту задаётся роль, цель и предыстория, а задачи распределяются между ними. О нём подробнее в следующем разделе, потому что сегодня это уже не столько исторический пример, сколько рабочий инструмент.

Фреймворки для создания AI-агентов

LangChain

LangChain это самый известный из фреймворков, и в конце 2025 года он серьёзно поменялся, вышла версия 1.0 с обещанием не ломать совместимость до 2.0, а низкоуровневая часть переехала в отдельную среду выполнения LangGraph. Здесь прячется главная ловушка для тех, кто вернется к старым проектам. Прежний способ через AgentExecutor уехал в пакет langchain-classic, а прежняя готовая функция create_react_agent в LangChain помечена устаревшей в пользу create_agent. Речь именно про LangChain, чтобы не возникло впечатления, будто это имя исчезло из экосистемы целиком. Стандартным способом собрать агента стал create_agent, и модуль агентов теперь строится вокруг него.

from langchain.agents import create_agent

def get_weather(city: str) -> str:
		"""Вернуть текущую погоду для города."""
		return f"В городе {city} солнечно, +22"

agent = create_agent(
		model="claude-sonnet-4-6",  # строку модели подставляете под своего поставщика
		tools=[get_weather],
)

result = agent.invoke(
		{"messages": [{"role": "user", "content": "Какая погода в Москве?"}]}
)
print(result["messages"][-1].content)

LlamaIndex

Сила LlamaIndex в связке агентов с данными. Если основная работа агента — это ходить по вашим документам, базам и индексам, отвечать по ним и не выдумывать, то инструменты LlamaIndex для поиска и извлечения ложатся под задачу плотнее универсальных. Здесь агент получает поисковые движки по вашим данным как обычные инструменты и опирается на них вместо памяти модели.

AutoGen (Microsoft)

Здесь важная поправка, потому что старые туториалы отстали от жизни. Первого октября 2025 года Microsoft объединила AutoGen и Semantic Kernel в единый Microsoft Agent Framework, а в апреле 2026 года выпустила его версию 1.0 для Python и .NET. AutoGen отвечал за исследовательскую многоагентность, Semantic Kernel — за корпоративную надёжность, теперь у них общий код и общие интерфейсы. Оба прежних проекта переведены в режим преемника, поэтому новый проект разумнее начинать сразу на Agent Framework. Заодно держите в голове подводный камень с именами пакетов, ведь пакет autogen в PyPI — это не текущий AutoGen от Microsoft.

CrewAI

CrewAI Это фреймворк João Moura, вокруг которого выросла компания CrewAI Inc. Ключевое изменение последних версий в том, что он избавился от зависимости от LangChain и стал самостоятельным. Раньше эта связка была главной претензией в обсуждениях, теперь её нет. Внутри два режима работы. Crews — это команды автономных агентов с ролями, а Flows — это событийный слой оркестрации с явным управлением состоянием и ветвлениями, куда команды встраиваются как шаги.

from crewai import Agent, Task, Crew, Process

researcher = Agent(
		role="Аналитик",
		goal="Собрать факты по теме {topic}",
		backstory="Ведущий аналитик с опытом в исследовании рынка",
)
writer = Agent(
		role="Редактор",
		goal="Написать понятный разбор по собранным фактам",
		backstory="Технический автор, который упрощает сложное",
)

research = Task(
		description="Изучить тему {topic} и собрать ключевые находки",
		expected_output="Список тезисов с источниками",
		agent=researcher,
)
write = Task(
		description="Написать разбор по собранным находкам",
		expected_output="Готовый текст в разметке Markdown",
		agent=writer,
)

crew = Crew(
		agents=[researcher, writer],
		tasks=[research, write],
		process=Process.sequential,
)
result = crew.kickoff(inputs={"topic": "агентные фреймворки 2026"})

Как создать своего AI-агента: пошаговое руководство

1. Установка зависимостей

Ставите выбранный фреймворк и клиентскую библиотеку вашего поставщика модели. Для примера с LangChain это pip install langchain langgraph. Ключ поставщика удобнее держать в переменной окружения, а не в коде.

2. Выбор LLM (GPT-4, Claude)

Здесь важнее не конкретное имя модели, а то, что современные фреймворки модельно-независимы. Вы подставляете строку своего поставщика, будь то семейство Claude, GPT или локальная модель через Ollama, и логика агента при этом не переписывается. Если смена модели тянет за собой переделку всего агента, это плохой признак самого фреймворка.

3. Определение инструментов (tools)

Функция становится инструментом, когда у неё есть понятное имя, аннотированные аргументы и человекочитаемое описание в docstring. Модель выбирает инструмент именно по описанию, поэтому расплывчатый docstring напрямую бьёт по качеству выбора. Начинать проще с одного-двух инструментов, а расширять по мере надобности.

4. Написание промпта для агента

В системном промпте вы задаете роль агента, границы дозволенного и правила остановки. Отдельно проговорите, что делать при неудаче инструмента, иначе агент склонен повторять неудачный вызов. Чем конкретнее описаны стоп-условия, тем реже агент уходит в лишние витки.

5. Запуск агента

Никогда не запускайте автономный цикл без потолка по числу шагов и без лимита бюджета, иначе агент рано или поздно уйдёт в бесконечную петлю и сожжёт бюджет. Ограничитель на число итераций — это самая дешёвая страховка от бесконечной петли, и ставится он одной строкой.

Пример кода на Python с LangChain

Минимальный рабочий агент на LangChain 1.0 умещается в десяток строк, и он приведён выше в разделе про LangChain. Разберу его по частям. Функция get_weather с аннотациями и docstring — это инструмент. Вызов create_agent связывает модель и список инструментов в готовый цикл. Метод invoke запускает этот цикл на конкретном запросе пользователя, а ответ забирается из последнего сообщения. Чтобы добавить агенту новую способность, достаточно написать ещё одну функцию-инструмент и передать её в тот же список.

Инструменты (Tools) для AI-агентов

Набор инструментов у типичного агента предсказуем, и добрая половина закрывает слабые места самой модели. Поиск в интернете добавляет свежие факты за пределами даты обучения, а калькулятор берёт на себя арифметику, в которой языковые модели традиционно плавают. Доступ к внешнему интерфейсу (API) превращает агента из советчика в исполнителя, от отправки письма до создания задачи, а работа с базами данных переводит вопрос на естественном языке в запрос к вашим данным. Генерацией и запуском кода агент считает и проверяет гипотезы, а чтением файлов подтягивает в контекст локальные документы.

Долгое время каждый инструмент подключали по-своему, и связка из десяти агентов и сотни инструментов грозила сотней разных интеграций. В ноябре 2024 года Anthropic представила Model Context Protocol (MCP), открытый стандарт подключения моделей к внешним данным и инструментам. Каждый инструмент один раз реализует серверную часть протокола, каждое приложение один раз — клиентскую, и дальше любой совместимый агент говорит с любым совместимым инструментом. В марте 2025 года MCP поддержала OpenAI, в апреле подключилась Google DeepMind, а в декабре 2025 года Anthropic передала протокол в профильный фонд под крылом Linux Foundation. Для того, кто собирает агента в 2026 году, это значит, что подключение инструментов через MCP — это работа с общей инфраструктурой, а не ставка на дорожную карту одной компании.

Практические примеры использования

Research agent (исследовательский агент)

Такой агент собирает и сверяет информацию из многих источников. Мини-пример из практики. Задача «сравнить трёх облачных поставщиков по цене и условиям», инструменты — поиск и чтение страниц. Агент находит тарифы, открывает страницы, сводит числа в таблицу и помечает, где данные противоречат друг другу. На такой задаче агент легко срывается в перепроверки по кругу, поэтому потолок по шагам здесь обязателен.

Code assistant (помощник программиста)

Кодовый агент работает внутри репозитория. Мини-пример. Задача «найти и починить падающий тест», инструменты — чтение файлов, запуск тестов и правка кода. Агент прогоняет тесты, читает трассировку ошибки, вносит правку и снова запускает прогон, и так по циклу, пока тест не станет зелёным либо пока не кончится лимит попыток.

Data analyst (анализ данных)

Аналитический агент пишет и исполняет код над вашими данными. Мини-пример. Задача «посчитать выручку по регионам из выгрузки и построить график», инструмент — запуск Python в песочнице. Агент читает файл, сам пишет код на pandas, исполняет его, смотрит на результат и при ошибке правит код. Человеку остаётся проверить логику, а не набирать всё руками.

Content creator (создание контента)

Здесь хорошо ложится команда из ролей. Мини-пример на CrewAI из раздела выше. На входе тема, дальше исследователь собирает факты с источниками, редактор превращает их в черновик. Такой конвейер экономит время на рутине, но финальную вычитку смысла и тона разумнее оставлять человеку, потому что фактические огрехи агент замечает плохо.

Personal assistant (личный ассистент)

Личный ассистент действует в ваших сервисах. Мини-пример. Задача «найти свободный слот на неделе и отправить приглашение», инструменты — календарь и почта, подключенные через MCP. Важная оговорка. Здесь агент совершает действие с последствиями, поэтому отправку письма имеет смысл ставить на подтверждение человеком, а не отдавать на полный автомат.

Ограничения и проблемы AI-агентов

Hallucinations (галлюцинации)

Агент уверенно придумывает факт, а затем строит на нём цепочку действий, и ошибка расходится по всем последующим шагам. В агенте это опаснее, чем в чат-боте, ведь на выдуманном основании совершаются реальные действия, а не просто произносится реплика. Частичная защита — это инструменты, которые дают агенту сверяться с настоящими данными вместо памяти модели.

Стоимость API-запросов

Здесь прячется неочевидная механика. На каждом витке цикла в модель уезжает вся накопленная история плюс описания инструментов, и с ростом числа шагов расход токенов растёт быстрее, чем линейно. Многоагентная команда множит это на число участников и их переговоры. В итоге «простая» задача незаметно превращается в десятки обращений к модели, и счёт за автономный прогон удивляет сильнее всего именно новичков.

Безопасность

Агент принимает решения на основе текста, который прочитал, поэтому вредоносная инструкция, спрятанная в веб-странице или в документе, способна перехватить его поведение. Это называют инъекцией в промпт, и чем шире права у инструментов агента, тем дороже обходится такой перехват. Права инструментов разумно держать по минимуму, ровно под задачу, а к MCP-серверу относиться как к любой другой точке доступа с аутентификацией и аудитом.

Бесконечные циклы

Без ограничения по шагам агент ходит по кругу до упора, снова и снова перепроверяя сам себя. Излечить это можно просто и надежно: ограничителем итераций, лимитом бюджета и таймаутом.

Память принято считать главным узким местом, и это чаще всего не так. AutoGPT поначалу закладывал под память полноценную векторную базу, а на практике проект отказался от неё в пользу обычного поиска через `np.dot` по эмбеддингам. Модель тратит на генерацию одной записи секунды, так что сто тысяч записей набегают за полторы недели работы, а перебрать их перемножением можно за миллисекунды даже на ноутбуке. Векторная база тут ничего не ускоряла, её держали, потому что так было принято. Разбор с замерами есть у Дариуша Сембы.

Будущее AI-агентов

Тренды 2026

Главный тренд — стандартизация связи. MCP закрыл вопрос «как агенту дотянуться до инструмента», и рядом поднимается протокол общения агентов между собой, чтобы разные системы обменивались задачами через общий язык. Второй тренд — это сдвиг от демонстраций к эксплуатации, из-за чего мажорные версии фреймворков этого года напирают на устойчивость и наблюдаемость, а не на новые эффектные возможности.

Интеграция с реальным миром

Агенты всё чаще получают право на действия с последствиями, от покупок до управления инфраструктурой. Пока агент только советует, о правах доступа можно рассуждать спокойно. Как только он сам жмёт кнопки, это перестаёт быть отвлечённым вопросом, ведь ошибка автономного цикла стоит уже не лишних токенов, а реальных денег или упавшего сервиса. Поэтому подтверждение человеком на опасных шагах из временной подстраховки становится постоянной частью архитектуры.

Автономные агенты

Полностью автономные агенты, которые неделями ведут длинные задачи без человека, пока остаются скорее направлением, чем повседневностью. Долговечное состояние и восстановление после сбоев для этого уже есть в свежих фреймворках, а вот надёжность рассуждения на длинной дистанции всё ещё хромает. Сбудется ли обещание сотрудника вместо инструмента, покажут ближайшие годы.

FAQ

Чем AI-агент отличается от ChatGPT?

ChatGPT в базовом виде отвечает на реплику и ждет следующую. Агент получает цель, сам дробит ее на шаги, ходит в инструменты и повторяет цикл до результата. Грань размывается по мере того, как в чат-интерфейсы встраивают инструменты и автономные режимы, так что различие сегодня скорее в степени самостоятельности, чем в жесткой границе.

Можно ли создать агента бесплатно?

Сами фреймворки открыты и бесплатны, включая LangChain, CrewAI и Microsoft Agent Framework. Платить придется за вызовы модели, и вот здесь локальная модель через Ollama снимает эту статью расходов ценой ваших вычислительных ресурсов и более скромного качества.

Какие языки программирования нужны?

Основная экосистема живёт в Python. Заметное исключение — это Microsoft Agent Framework с полноценной поддержкой .NET, так что мир C# без Python тоже закрыт. Знание конкретного языка тут вторично по сравнению с пониманием цикла, инструментов и ограничителей.

Заключение

Агент — это языковая модель в управляющем цикле с инструментами и памятью. Его сила в самостоятельности, из нее же растут застревания, лишние расходы и дыры в безопасности. Для результата важнее не громкое имя модели, а то, что собрано вокруг неё, туда и стоит вкладывать силы. За последний год выбор фреймворков сократился и устоялся, но именно поэтому сверяйтесь со свежей документацией. `create_react_agent` в LangChain устарел, AutoGen переехал в Microsoft Agent Framework, BabyAGI давно в архиве.

Одно правило не зависит от того, какие инструменты вы выбрали. Автономный цикл запускают только с потолком по шагам и бюджету, иначе он рано или поздно уходит в бесконечную петлю и жжёт деньги. Ссылки в тексте ведут на первоисточники, но версии и имена инструментов лучше перепроверять на момент чтения, они меняются быстро.