Многоагентные системы в Yandex AI Studio: Создаём своего кодинг-агента для анализа данных за 90 мин

В ходе демонстраций посмотрим, как создать своего кодинг-агента "с нуля" на платформе Yandex Cloud и OpenAI Agents. Репозиторий с кодом: https://github.com/yandex-ai-studio/building-data-agent

2. TL;DR: свой кодинг-агент за 90 мин 2
3. Подробнее 1. Responses API в Yandex AI Studio 2. OpenAI Agents 3. Делаем красивее с Codex 4. Многоагентность и т. д. 3
4. УДК 519.68:[681.3.06+007.51] Д. В. Сошников АРХИТЕКТУРА РАСПРЕДЕЛЕННОЙ ФРЕЙМОВОЙ ИЕРАРХИИ ДЛЯ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ РАСПРЕДЕЛЕННОГО НАКОПЛЕНИЯ И МНОГОКРАТНОГО ИСПОЛЬЗОВАНИЯ ЗНАНИЙ Введение Распределенные интеллектуальные системы могут использоваться для решения широкого класса задач. Во многих случаях эти задачи сводятся к рапределенному накоплению знаний, обмену знаниями в некотором представлении по сети или использованию распределенных знаний для решени задач. Задачи такого рода t.me/shwarsico На фото — Билл Гейтс, американский предприниматель, бывший крупнейший акционер Microsoft. Источник: https://clck.ru/3VzU6o. 4
5. Агенты Автономные интеллектуальные системы, взаимодействующие с окружением, способные принимать решения, выполнять действия и решать задачи с минимальным взаимодействием с человеком 5
6. Многоагентные системы в 1990-x RDF + OWL Код + знания KQML Код KIF 6
7. Многоагентные системы в 2024–2025 Привет, как дела? LLM LLM Общение на естественном языке = интерпретируемость Спасибо! Что надо? Знания в LLM = онтология 7
8. Платформа Yandex AI Studio Agent Atelier Графические интерфейсы для создания ИИ-агентов Agent Core Агентские API Инструменты Навыки Model Gallery Каталог ИИ-моделей для любых задач Security & observability MCP Hub
9. Практическая часть notebooks/AIStudio_Demo.ipynb github.com/yandex-aistudio/building-data-agent 9
10. OpenAI Responses API from openai import OpenAI Стандартные SDK от OpenAI model_uri = f"gpt://{folder_id}/deepseek-v4-flash" Доступны open-weights-модели client = OpenAI( base_url="https://ai.api.cloud.yandex.net/v1", Указываем endpoint url для Yandex Cloud instructions="Ты экономист, специалист по работе с данными. Системный промпт Сейчас 25 сентября 2026 года", input="Как менялся индекс потребительских цен в России в последние 5 лет") Входной текст 10
11. OpenAI Responses API + cтандарт Персистентный Агентский Мультимодальный Сохраняет диалоги на стороне облака Поддерживает инструменты/MCP Кеширование токенов Встроенный RAG, веб-поиск, интерпретатор кода, генерация изображений Поддерживает работу с изображениями (Qwen3.6) Явное/неявное управление контекстом Облачная упаковка контекста (compaction) Выполнение инструментов на стороне облака 11
12. Multimodal models: image input (VLM) Generate HTML code for this page Визуальная LLM <HTML><BODY>… </BODY></HTML> 12
14. Агентский цикл Generate HTML code for this page VLM-генератор <HTML><BODY>… </BODY></HTML> VLM-критик 14
15. Tool calling Tools External code LLM System prompt + conversation 15
16. Function calling I need papers on agents LLM LLM search_arxiv: search papers in arXiv repository get_paper_details: detailed information on a paper Func = search_arxiv Args = { query = “агенты”, field = “all” } Dispatcher code Here are 5 papers I have found… 16
17. Внутренние и внешние инструменты Tools External code LLM MCP System prompt + conversation Web Search MCP server File Search 17
18. MCP servers mcp.library.ru Agent mcp.library.ru What can you do? Publications on agents Function list LLM Here you go! GetPubList MCP server … 18
19. MCP Hub Agent What can you do? Cloud Functions Function list LLM get_weather { “temp” : 10 } MCP Hub HTTP endpoint Workflows External MCP Marketplace 19
20. Code Interpreter Tools Python® code Internet LLM System prompt + conversation Sandbox 20
21. Shell tool + skills Tools Shell commands Internet LLM System prompt + conversation Skills 21
22. Deep research Web Search Алгоритм 1. Раздели задачу на подзадачи 2. Ищи необходимую информацию 3. 4. Извлекай факты и сохраняй в заметках Напиши отчёт по образцу System prompt Notes Инструменты LLM Задание Результат История диалога Deep research agent Агентский цикл 22
23. OpenAI Agents с Yandex AI Studio from agents import Agent, Runner, WebSearchTool, function_tool from agents.models.openai_responses import OpenAIResponsesModel from openai import AsyncOpenAI set_tracing_disabled(True) Используем OpenAI Agents Выключаем трассировку, она работает только с OpenAI yandex_client = AsyncOpenAI( base_url="https://ai.api.cloud.yandex.net/v1", api_key=api_key, project=folder_id) Используем async-клиент с правильными base_url и api_key model_uri = f"gpt://{folder_id}/deepseek-v4-flash/latest" yandex_model = OpenAIResponsesModel( model=model_uri, openai_client=yandex_client) Класс моделей для Agents SDK 23
24. Deep research с Agents SDK @function_tool def save_note(topic: str, content: str) -> str: """ Saves note in research database. Args: topic: What is the note about content: The body of the note """ Инструмент — просто Python® -функция Важна типизация! Описываем назначение инструмента подробно для LLM @function_tool 24
25. ReAct-инструкции deep_research_instructions = """ You are a deep research agent, an expert in in-depth topic research. ## Your methodology: 1. **Planning**: Break down the topic into 3–5 key aspects for research. 2. **Search**: For each aspect, perform internet searches. 3. **Analysis**: Extract key facts and save notes. 4. **Synthesis**: Combine the found information into a coherent report. ## Rules: - Always start with research planning - Make multiple search queries for a complete picture - Save important findings using save_note - Indicate sources of information - In the final report, structure the information logically ## Final report format: … """ 25
26. Описываем и запускаем агента в Agents SDK deep_research_agent = Agent( name="DeepResearchAgent", model=yandex_model, instructions=deep_research_instructions, tools=[ WebSearchTool(), save_note, get_all_notes, clear_notes] ) result = await Runner.run( deep_research_agent, f"Conduct deep research on the topic: {topic}") 26
27. Агент для анализа данных Имеющиеся данные Агент Результат Tools LLM System prompt + conversation Постановка задачи 27
28. Harness Агентский цикл Управление контекстом Базовые инструменты Память Файловая система Скилы Tools Встроенные инструменты LLM MCP Web Search System prompt + conversation File Search Project filesystem 28
29. Кодинг-агенты Две модели оплаты По подписке с лимитами С оплатой за токены (очень дорого) OpenAI Codex / YC Codex Работает в составе подписки ChatGPT Plus, есть немного бесплатных лимитов. Подключается к Yandex AI Studio Есть специальная версия для Yandex AI Studio OpenCode / SourceCraft CLI Открытый инструмент, чуть менее дружелюбный. Есть в составе подписки SourceCraft — SourceCraft CLI. Подключается к Yandex AI Studio Anthropic: Claude Code Работает только по подписке, кушает много токенов 29
30. Стили использования В терминале (TUI) В приложении (GUI) 30
31. Инструкция по подключению Codex с патчем 1. Установить Codex с патчем от Yandex Cloud 2. Оформить подписку 3. Авторизоваться в Yandex Cloud 4. Открыть проект и поставить задачу clck.ru/3W4FXv 32
32. Codex как агент для анализа данных Имеющиеся данные А где выполняется код? 33
33. Наш агент для анализа данных Данные Upload is inspect LLM Code Interpreter TODO Download Постановка задачи 34
34. Сделаем нашему агенту красивый TUI! 35
35. Опция 1: idea file Реализуй мне текстовый интерфейс для агентов, описанный в @ideas/text-shell.md. Результат положи в apps/tui. Спасибо! 36
36. Опция 2: MA console agent shell pip install git+https://github.com/shwars/ma Agents/agent_1 agent = Agent( name=“MyAgent", instructions=…, tools=[ WebSearchTool()] ) Agents/agent_2 agent = Agent( name=“My Second Agent", instructions=…, tools=[…] ) 37
37. Deep research Web Search Алгоритм 1. Раздели задачу на подзадачи 2. Ищи необходимую информацию 3. 4. Извлекай факты и сохраняй в заметках Напиши отчёт по образцу System prompt Notes Инструменты LLM Задание Результат История диалога Deep research agent Агентский цикл 38
38. Многоагентный deep research Причины многоагентности Planner Researcher Writer Задача Результат TODOs Меньше инструментов у агента = более стабильный tool calling Агенты могут работать в своём контексте → минимизация контекста Research notes Разные роли/специализации, можно взглянуть на задачу с разных сторон Управленческие причины 39
39. Agent handoff Агенты, которым можно при необходимости передать управление handoffs=[searcher_agent] Важно! Управление передаётся другому агенту и не возвращается Новый агент видит всю предыдущую переписку Handoff реализован через Function Calling 40
40. Архитектура с координатором Coordinator Задача Результат Двунаправленный handoff Planner Searcher TODOs Writer Research notes 41
41. Архитектура Agents as Tools Важно! История переписки не передаётся между агентами, вся информация явно передаётся через ввод-вывод агентов или состояние Не поддерживается сквозной стриминг. Зато субагенты могут работать параллельно Coordinator Задача Результат Tool call Planner Tool call Searcher TODOs Writer Research notes 42
42. Agent as Tools tool_name="planner_tool", tool_description=“Creates plan for topic research"), searcher_tool_agent.as_tool(…), writer_tool_agent.as_tool(…) Важно описать инструмент, чтобы модель знала, когда его вызывать Важно: нет единой истории переписки! 43
43. Многоагентные паттерны Single agent Network Supervisor Supervisor (as tools) Hierarchial Custom Anthropic. Building effective agents: anthropic.com/ engineering/buildingeffective-agents 44
44. Спектр многоагентных технологий Явная оркестрация Планирование и выполнение на основе LLM LangGraph LlamaIndex SmolAgents Microsoft AutoGen Строгая Предсказуемая Меньше требований к LLM Гибкость Непредсказуемость Требует более мощных LLM 45
45. Data analysis agent Harness Агентский цикл Управление контекстом Базовые инструменты Память Файловая система Скилы Tools Filesystem tools LLM File upload Inspect System prompt + conversation Skills 46
46. Bonus: Kaggle data analyst Harness Tools Code Interpreter LLM Inspect System prompt + conversation Skills Агентский цикл Управление контекстом Базовые инструменты Память Файловая система Скилы 47
47. Мораль Yandex AI Studio полностью поддерживает все OpenAI-совместимые инструменты, включая OpenAI Agents Поддерживается последнее поколение Responses API, для проприетарных и open-weights-моделей Yandex AI Studio поддерживает кодингассистентов Codex/OpenCode, включая более практичную модель по подписке На базе OpenAI Agents можно строить многоагентные системы, но выбор конкретной архитектуры — непростое дело Важно организовать harness, который будет максимизировать информационную плотность контекста и проверки 48