Обзор примеров AI-агентских решений на базе локальных LLM. Третья часть: Swarm (Multi-Agent)

Обзор примеров AI-агентских решений на базе локальных LLM. Третья часть: Swarm (Multi-Agent) 🔥 См. описание здесь: https://t.me/AiExp01/137 🔥 См. подробнее с исходниками здесь: https://github.com/kvoloshenko/LocalMultiAgents_01/tree/main/Python/Swarm Мы за три части разобрали три уровня сложности локальных AI-агентов: 1. 📝 Single-agent: Drafter — одиночный агент для подготовки и правки документов 👉 Пост: https://t.me/AiExp01/133, Видео: https://t.me/AiExp01/134 2. 🧠 Multi-agent: Supervisor — строгий контроль и маршрутизация между research и math агентами 👉 Пост: https://t.me/AiExp01/135, Видео: https://t.me/AiExp01/136 3. 🕸 Multi-agent: Swarm — сегодняшняя тема, децентрализованный «рой» агентов, Видео: https://t.me/AiExp01/138. ________________________________________ 🕸 Swarm: рой агентов Alice ↔️ Bob В этом примере мы строим систему, где: • Alice — эксперт по сложению (add(a, b)), знает математику. • Bob — «пират», сам не считает и передаёт математические задачи Alice через handoff. Технически это: • 🧠 LangGraph Swarm (create_swarm, create_handoff_tool) • 🖥 Локальная LLM Qwen3 через Ollama (ChatOllama("qwen3:latest")) • 🧠 Память диалога через InMemorySaver + thread_id, чтобы рой помнил, кто был активен последним. Сценарий работы: 1. Пользователь: «я хотел бы поговорить с Бобом» → активна Alice → handoff к Bob. 2. Пользователь: «Сколько будет 5 + 7?» → активен Bob → он передаёт задачу Alice → Alice вызывает add(5, 7) → возвращает 12. Никакого единого управления нет, как это было у Supervisor: агенты сами передают управление друг другу, а Swarm обеспечивает общую структуру и память. ________________________________________ 🔚 Что мы в итоге получили За три публикации мы прошли всю линию от простого к сложному: 1. Drafter (Single Agent) o один агент + update / save; o Human-AI collaboration над документом; o хороший шаблон для «умного редактора» текстов. 2. Supervisor (Multi-Agent) o research_agent + math_agent; o Supervisor чётко решает, кого вызывать и когда; o архитектура для бизнес-систем, где важна управляемость и предсказуемость. 3. Swarm (Multi-Agent Swarm) o равноправные агенты, без центрального контроллера; o гибкий handoff, естественное разделение задач; o основа для сценариев, где роли и потоки могут динамически меняться. Общее для всех трёх подходов: • 🚀 Полная локальность: всё крутится на вашей машине через Ollama и qwen3:latest. • 🧱 LangGraph даёт единый подход к графам, агентам, тулзам и состоянию. • 🧪 Есть поддержка LangGraph Studio и LangSmith для визуализации и отладки. ________________________________________ 📌 Что дальше Репозиторий этого проекта можно использовать как стартовый набор: • для своих AI-ассистентов по документам (Drafter), • для контролируемых мультиагентных решений (Supervisor), • для экспериментов с роевыми системами (Swarm). Вот ссылка на на весь проект: https://github.com/kvoloshenko/LocalMultiAgents_01 ________________________________________ ✨ Что еще изучить и посмотреть: • AI Agents: https://www.youtube.com/watch?v=qlVX4i1ztW4&list=PLAzpexGM7JajamgkiOR3TLwCXlT5oSC1E • Ollama: https://www.youtube.com/watch?v=49YZh-fxb14&list=PLAzpexGM7JagOkDWjdcM7phvA3fDihDQn&index=2 • OpenAI API (API ChatGPT): https://www.youtube.com/watch?v=FoLquyNFE_c&list=PLAzpexGM7JagNMDIWUsoO8fbTwbY82ZEN • RAG (Retrieval-Augmented Generation): https://www.youtube.com/watch?v=NkjkqsLCweQ&list=PLAzpexGM7Jai1qgfxMkY-6ivOft-7dh8Q • GigaChain: https://www.youtube.com/watch?v=Y0bJjG_U4y0&list=PLAzpexGM7Jain-HzWb324xj72SPSMGWq_ • LM Studio: https://www.youtube.com/watch?v=pK6rrx8rSeU&list=PLAzpexGM7Jaj94QWxTbFWKmtyUgca_xqK&index=2