# Понимание AI-агентов через цикл «Мысль — Действие — Наблюдение»

> [HTML-версия](https://learnvibecoding.ru/publiclessons/ponimanie-ai-agentov-cherez-tsikl-mysl-deystvie-nablyudenie) · [Индекс для LLM](https://learnvibecoding.ru/llms.txt) · [Политика использования материалов](https://learnvibecoding.ru/politika-materialov)
> Материалы защищены. Обучение LLM без согласия запрещено. При разрешённом использовании — обязательна прямая ссылка на страницу-источник.
> В этом уроке мы изучим полный рабочий цикл AI-агента

**Курс:** Создание своего агента

В предыдущих разделах мы разобрались:

- как инструменты (Tools) становятся доступны агенту через **system prompt**;
- как AI-агенты способны **“рассуждать”, планировать и взаимодействовать с окружающей средой**.

Теперь мы изучим **полный рабочий цикл AI-агента**, называемый

**Thought – Action – Observation (Мысль – Действие – Наблюдение)**

А затем подробно разберём каждую из стадий этого цикла.

---

## Основные компоненты

Работа агента — это непрерывный процесс:

**Мысль (Thought)** → **Действие (Action)** → **Наблюдение (Observation)**

Разберём эти шаги подробнее:

- 🧠 **Thought (Мысль):**
    
    LLM-компонент агента анализирует задачу и решает, какой будет следующий шаг.
    
- ⚡ **Action (Действие):**
    
    Агент выполняет действие — вызывает инструмент с нужными параметрами.
    
- 👁️ **Observation (Наблюдение):**
    
    Модель получает результат работы инструмента и размышляет, что делать дальше.
    

---

## Цикл Thought–Action–Observation

Эти три шага работают **в непрерывной петле**.

Можно провести аналогию с программированием:

агент действует как **while loop** — цикл продолжается, пока цель не достигнута.

Во многих фреймворках логика этого цикла задаётся прямо в **system prompt**,

чтобы каждый шаг подчинялся определённым правилам.

Пример системного промпта (упрощённый):

```
Ты — агент, который следует циклу «Думай → Действуй → Наблюдай».
Используй доступные инструменты, чтобы достичь цели.
После каждого действия анализируй полученные данные и решай, нужно ли продолжить.

```

Таким образом, в system message определяются:

- поведение агента,
- список доступных инструментов,
- и логика цикла «Мысль – Действие – Наблюдение».

---

## Пример: агент Alfred

Познакомьтесь с **Alfred — погодным агентом (Weather Agent)**.

Пользователь задаёт вопрос:

> «Какая сейчас погода в Нью-Йорке?»
> 

Alfred должен ответить, используя подключённый инструмент — **weather API**.

---

### 1️⃣ Мысль (Thought)

**Внутренние рассуждения Alfred:**

> «Пользователю нужны актуальные погодные данные для Нью-Йорка.
> 
> 
> У меня есть инструмент, который получает погоду.
> 
> Сначала нужно вызвать weather API и получить свежую информацию.»
> 

На этом этапе агент **разбивает задачу на шаги** и выбирает нужный инструмент.

---

### 2️⃣ Действие (Action)

Alfred готовит вызов инструмента в формате JSON:

```json
{
  "action": "get_weather",
  "action_input": {
    "location": "New York"
  }
}

```

То есть он решает вызвать `get_weather` и передаёт параметр `"New York"`.

---

### 3️⃣ Наблюдение (Observation)

После вызова инструмента агент получает результат, например:

> «Текущая погода в Нью-Йорке: переменная облачность, +15 °C, влажность 60 %.»
> 

Это наблюдение добавляется в контекст промпта —

как реальная обратная связь из внешней среды.

---

### 4️⃣ Обновлённая мысль (Updated Thought)

Теперь Alfred размышляет:

> «Я получил данные о погоде. Теперь могу сформулировать ответ пользователю.»
> 

---

### 5️⃣ Финальное действие

Alfred выдаёт ответ в соответствии с инструкциями:

> «Сейчас в Нью-Йорке переменная облачность, температура +15 °C, влажность 60 %.»
> 

🔁 Цикл завершён — агент выполнил задачу.

---

## 📈 Что мы видим в этом примере

### 🔄 1. Цикличность

Alfred работает итеративно:

1. думает,
2. действует,
3. наблюдает,
4. размышляет снова.

Если бы инструмент вернул ошибку, агент бы **вошёл в цикл заново**,

скорректировал действие и повторил шаг.

### 🧰 2. Интеграция инструментов

Возможность **вызова внешнего инструмента** (например, погодного API)

позволяет агенту выходить за рамки знаний модели и работать с **реальными данными**.

### 🧭 3. Адаптивность

На каждом витке цикла агент получает новую информацию,

встраивает её в свои рассуждения и уточняет ответ.

Это делает его работу гибкой и точной.

---

## Главная идея

Цикл **Thought – Action – Observation** —

это сердце большинства современных агентных фреймворков (ReAct, LangChain Agents, OpenAI MCP и др.).

Он позволяет моделям не просто “отвечать на вопросы”,

а **самостоятельно рассуждать, действовать и учиться на обратной связи**.

> Понимание этого цикла даёт вам основу для создания собственных агентов,
> 
> 
> которые умеют **планировать шаги, использовать инструменты и достигать цели** —
> 
> а не просто реагировать на запросы.
>

[Все уроки](https://learnvibecoding.ru/publiclessons.md) · HTML: https://learnvibecoding.ru/publiclessons