Ты уже умеешь собрать AI-бота с нуля: API, инструменты, память, база данных, сервер. Но в реальном мире никто не начинает с чистого листа каждый раз. Существуют готовые платформы и фреймворки, которые решают типовые задачи за тебя. В этом уроке — какие они бывают, когда их использовать и как устроен OpenClaw — open-source AI-ассистент, который мы упоминали с первого урока.
Вспомни, что ты строила в этом курсе:
Урок 2.3 — вызов Claude API (один запрос → один ответ)
Урок 3.1 — агентный цикл (while True: подумай → сделай → проверь)
Урок 3.2 — инструменты (tools) для агента
Урок 3.3 — память (краткосрочная, долгосрочная, суммаризация)
Урок 4.1 — Telegram-бот (интерфейс пользователя)
Урок 4.2 — база данных (постоянное хранение)
Урок 4.3 — деплой на сервер (24/7)
Каждый раз ты решала одни и те же проблемы: как вызвать модель, как передать результат инструмента обратно, как хранить историю, как обрабатывать ошибки.
Фреймворк — это библиотека, которая решает эти типовые задачи за тебя. Ты не пишешь цикл while True вручную — фреймворк делает это внутри. Ты не придумываешь формат памяти — фреймворк предоставляет готовый.
Аналогия: можно построить дом из кирпичей по одному. А можно купить готовые стеновые панели и собрать за неделю. Фреймворк — это панели: стандартные блоки, которые покрывают 80% задач.
Вот основные инструменты, которые существуют сейчас:
Что тебе нужно?
│
├── Простой бот (один запрос → один ответ)
│ → Просто API: anthropic, openai
│ → Фреймворк не нужен. 20 строк кода.
│
├── Агент с инструментами (поиск, файлы, код)
│ → Claude Agent SDK, LangChain
│ → Фреймворк берёт на себя цикл и вызов инструментов
│
├── Сложный workflow с ветвлениями
│ → LangGraph (граф шагов, контрольные точки)
│
├── Несколько агентов работают вместе
│ → CrewAI (команда с ролями)
│ → AutoGen (агенты обсуждают задачу между собой)
│
├── Работа с документами (PDF, таблицы, поиск по базе знаний)
│ → LlamaIndex (специализация на документах)
│
├── Корпоративная среда (C#, Java, безопасность)
│ → Semantic Kernel (Microsoft)
│
└── Личный AI-ассистент во всех мессенджерах
→ OpenClaw (локальный, open-source, 22 платформы)
Что делает: Универсальный фреймворк для построения приложений с LLM. Подключается к любой модели (Claude, GPT, Gemini) через единый интерфейс.
Главная идея: Стандартные блоки для типовых задач. Нужен агент с инструментами? Есть готовый класс. Нужна память? Есть готовый модуль.
# Пример LangChain — агент с инструментами
from langchain_anthropic import ChatAnthropic
from langchain.agents import create_tool_calling_agent
llm = ChatAnthropic(model="claude-sonnet-4-5")
agent = create_tool_calling_agent(llm, tools, prompt)
Когда использовать: Прототипы, стандартные задачи. Быстро получить работающего агента.
Минус: Скрывает, что происходит внутри. Когда что-то ломается — сложно понять, где именно.
Что делает: Описывает работу агента как граф — схему из шагов (узлов) и переходов (рёбер).
Связь с LangChain: Сделан той же командой. LangChain — высокоуровневые ярлыки. LangGraph — полный контроль над каждым шагом. LangChain внутри использует LangGraph.
START → анализ_задачи → [простая? → выполнить] → [сложная? → разбить_на_части] → END
Когда использовать: Продакшн. Сложные ветвления ("если X — делай Y, если Z — делай W"). Нужны контрольные точки и автовосстановление при сбоях.
Ключевое: агент может остановиться, подождать одобрения человека, и продолжить (human-in-the-loop).
Что делает: Организует несколько агентов в команду (crew), где каждый имеет свою роль.
Главная идея: Ты описываешь задачу как работу команды:
Команда для написания статьи:
👨🔬 Исследователь — ищет информацию в интернете
✍️ Писатель — пишет текст на основе исследования
🔍 Редактор — проверяет факты и стиль
Каждый агент — специалист со своими инструментами. Они передают работу друг другу.
Когда использовать: Задачи, где реально помогает разделение труда: исследование + написание, код + тесты + ревью.
Что делает: Агенты решают задачу через разговор друг с другом. Один предлагает решение, другой критикует, третий улучшает.
Когда использовать: Исследовательские задачи, где качество улучшается через критику и итерации. Сложные рассуждения, где один агент может ошибиться, а второй заметит ошибку.
Что делает: SDK для интеграции AI в существующие корпоративные системы. Работает на C#, Python и Java.
Главная идея: Твой существующий код (функции, API, базы данных) оборачивается в "плагины", которые AI-модель может вызывать.
Когда использовать: Корпорации, где уже есть кодовая база на C# или Java. Нужна безопасность, аудит, совместимость с Microsoft 365.
Что делает: Специализируется на документах: читает PDF, таблицы, презентации (90+ форматов). Индексирует содержимое, позволяет AI искать по нему.
Когда использовать: Агент должен работать с большим количеством документов. Поиск по базе знаний (RAG — Retrieval-Augmented Generation). Анализ PDF-отчётов, таблиц.
Из урока 3.4. Главное отличие — это тот же движок, что внутри Claude Code. Не новый фреймворк, а проверенная в продакшне система.
10 встроенных инструментов, система разрешений, субагенты, хуки — всё из коробки.
| Фреймворк | Для чего | Язык | Главная сила |
|---|---|---|---|
| LangChain | Быстрые прототипы | Python | Скорость старта |
| LangGraph | Продакшн, сложные workflow | Python | Контроль и надёжность |
| CrewAI | Команда агентов с ролями | Python | Разделение труда |
| AutoGen | Агенты, обсуждающие задачу | Python | Критика и улучшение |
| Semantic Kernel | Корпоративные системы | C#, Python, Java | Интеграция с существующим кодом |
| Claude Agent SDK | Агенты на Claude | Python, TypeScript | Встроенные инструменты |
| LlamaIndex | Документы и RAG | Python, TypeScript | Работа с PDF, таблицами |
| OpenClaw | Личный AI-ассистент | Node.js | 22 мессенджера, локальный |
OpenClaw мы упоминали с урока 3.1. Теперь разберём, как он устроен внутри — потому что в нём собраны все концепции, которые ты изучала.
OpenClaw — это open-source AI-ассистент, который:
┌──────────────┐
│ WhatsApp │──┐
├──────────────┤ │
│ Telegram │──┤
├──────────────┤ │ ┌─────────────┐ ┌──────────────┐
│ Slack │──┼────► │ Gateway │────► │ AI-агент │
├──────────────┤ │ │ (шлюз) │ │ │
│ Discord │──┤ │ │ │ • tools │
├──────────────┤ │ │ маршрутиза-│◄──── │ • память │
│ Signal │──┘ │ ция, │ │ • skills │
└──────────────┘ │ сессии, │ └──────────────┘
│ права │
22 платформы └─────────────┘
Работает локально
(ws://127.0.0.1:18789)
Gateway (шлюз) — центральный узел. Принимает сообщения из всех мессенджеров, направляет их агенту, возвращает ответы обратно. Это как диспетчер: он знает, откуда пришло сообщение и куда отправить ответ.
AI-агент — ядро, которое думает. У него есть инструменты (tools), память и навыки (skills). Это тот же агентный цикл из урока 3.1.
| Концепция из курса | Где в OpenClaw |
|---|---|
| API-вызовы (урок 2.3) | Агент общается с Claude/GPT через API |
| Агентный цикл (урок 3.1) | Ядро агента: получил → подумал → сделал → проверил |
| Инструменты (урок 3.2) | ~49 встроенных skills (навыков) |
| Память (урок 3.3) | Markdown-файлы для долгосрочной памяти |
| Мессенджер (урок 4.1) | 22 платформы через Gateway |
| База данных (урок 4.2) | Хранение сессий и истории |
| Деплой (урок 4.3) | Daemon-процесс, работает 24/7 |
Всё, что ты изучала — это кирпичи, из которых построен OpenClaw.
Большинство AI-сервисов (ChatGPT, Gemini) работают в облаке. Ты отправляешь сообщение — оно уходит на сервер компании. OpenClaw работает на твоём компьютере:
Это называется local-first подход — приоритет локальных данных.
Это те же принципы, что и permission_mode в Claude Agent SDK (урок 3.4) — контроль над тем, кто может взаимодействовать с агентом.
# Достаточно: 20 строк с anthropic SDK
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=1024,
messages=[{"role": "user", "content": "Переведи на английский: привет мир"}]
)
Начни с простого. Добавляй сложность, когда упрёшься в ограничения.
Не ставь LangChain для бота, который отвечает на вопросы о погоде. Не пиши агентный цикл с нуля, если тебе нужна команда из пяти агентов с памятью и восстановлением.
Этап 1 — Фундамент
Терминал, Python, Git → базовые инструменты разработки
Этап 2 — Понимание AI
API, токены, промпты → как общаться с моделями
Этап 3 — AI-агенты
Цикл, инструменты, память, SDK → как устроены агенты внутри
Этап 4 — Продукты ← ты здесь
Telegram + база + деплой + платформы → как всё собирается в продукт
└────────────────────────┘
Это кирпичи, из которых
построены все фреймворки
Теперь, когда ты понимаешь кирпичи, ты можешь:
Для каждой задачи выбери подходящий инструмент (или "без фреймворка"):
Открой документацию любого фреймворка (например, docs.crewai.com или langchain.com) и найди:
Ты увидишь: термины одинаковые. Ты уже знаешь все ключевые концепции.
Задача 1: Чем фреймворк отличается от SDK?
Задача 2: Почему OpenClaw работает локально, а не в облаке?
Задача 3: Когда НЕ стоит использовать фреймворк?
Задача 4: Какой фреймворк использовать для агента, который анализирует 500 PDF-документов?
| Термин | Что значит |
|---|---|
| Фреймворк | Готовая система из блоков для решения типовых задач (больше, чем SDK) |
| LangChain | Популярный фреймворк для быстрого создания AI-агентов |
| LangGraph | Фреймворк на основе графов для сложных агентных workflow |
| CrewAI | Фреймворк для команд из нескольких агентов с ролями |
| AutoGen | Фреймворк Microsoft для агентов, решающих задачи через диалог |
| Semantic Kernel | SDK Microsoft для интеграции AI в корпоративные системы |
| LlamaIndex | Фреймворк для работы с документами и поиска по базе знаний |
| OpenClaw | Open-source AI-ассистент для 22 мессенджеров, работает локально |
| Gateway (шлюз) | Центральный узел OpenClaw: маршрутизирует сообщения между мессенджерами и агентом |
| Local-first | Подход: данные хранятся и обрабатываются на устройстве пользователя |
| RAG | Retrieval-Augmented Generation — AI ищет информацию в документах перед ответом |
| Human-in-the-loop | Человек в цикле — агент останавливается и ждёт одобрения перед действием |
| Workflow | Рабочий процесс — последовательность шагов для выполнения задачи |
| Граф | Структура из узлов (шагов) и связей между ними |
Фреймворк — это готовые блоки для типовых задач:
• Агентный цикл (не писать while True вручную)
• Память (не придумывать формат)
• Инструменты (не писать обвязку)
• Наблюдаемость (логи, трейсы)
Когда НЕ нужен: простой бот, 1-2 инструмента, учебный проект
Когда полезен: 5+ инструментов, память, продакшн
Когда обязателен: multi-agent, ветвления, human-in-the-loop
Правило выбора:
Начни с простого → добавляй сложность при необходимости
OpenClaw — пример, где ВСЕ концепции курса собраны вместе:
API + агентный цикл + инструменты + память + мессенджеры + деплой
Следующий и последний урок этого этапа — безопасность: как защитить бота от атак, утечек данных и неожиданного поведения AI. Всё, что нужно знать, прежде чем выпустить продукт в реальный мир.