Единый стандарт для 35 архитектур
Новый проект all-agentic-architectures решает проблему фрагментации в разработке ИИ-агентов. Библиотека упаковывает 35 известных архитектур (от Reflexion до GraphRAG) в единый Python-пакет с унифицированным контрактом. Ключевое преимущество — одинаковый метод .run(task) и структура ответа ArchitectureResult для всех моделей. Это позволяет разработчикам менять алгоритм работы агента, не переписывая код интеграции.
Техническая дисциплина: Deterministic-Picker
Центральная инновация репозитория — паттерн deterministic-picker. Он устраняет нестабильность LLM-as-Scorer, заставляя модель возвращать строгие категориальные данные (булевы значения, перечисления), которые затем обрабатываются Python-кодом. Этот подход применяется в 13 из 35 архитектур, а еще 9 архитектур защищены им архитектурно. Библиотека также включает 283 проходящих теста и 17 задач для бенчмаркинга.
Результаты бенчмарка: Llama-3.3-70B
Авторы провели сравнительное тестирование всех архитектур на наборе из 17 задач, используя модель Nebius Llama-3.3-70B. Тестирование заняло ~25 минут и стоило около $1.50. Общий результат корректности составил 78% (33 из 42). Ниже приведена выборка архитектур, показавших лучшие результаты:
| Архитектура | Категория | Результат бенчмарка |
|---|---|---|
| Reflection | Reasoning & Reflection | Strong (2/2 или 3/3 задач) |
| SelfConsistency | Sampling & Search | Strong (2/2 или 3/3 задач) |
| SelfDiscover | Reasoning & Reflection | Strong (2/2 или 3/3 задач) |
| BrowserAgent | Tools & Actions | Strong (2/2 или 3/3 задач) |
| ReAct | Tools & Actions | Perfect on attempted (1/1) |
Поддержка провайдеров и интеграция
Библиотека провайдер-агностична и поддерживает Nebius, OpenAI, Anthropic, Groq, Ollama, Together, Fireworks, Mistral и Google. Переключение между ними осуществляется через переменную окружения LLM_PROVIDER без изменения кода. Для локального тестирования доступна установка через pip install agentic-architectures[nebius,faiss,tavily].
Почему это важно
Проект предоставляет не просто код, а «живой учебник» с Jupyter-ноутбуками, где теория объясняется на основе реальных выходов LLM, а не синтетических примеров. Это ускоряет внедрение сложных паттернов, таких как GraphRAG или Multi-Agent Debate, в промышленные продукты, снижая порог входа для работы с агентными системами.
Источник: Github ↗