Интеграция Claude Agent SDK для продакшен-агентов

Отметим: когда вашему сервису нужен AI-агент, который не просто отвечает на вопросы, а выполняет действия: ищет в базах, создаёт тикеты, бронирует переговорные. Обычный чат-бот с LLM тут не справится — нужна интеграция инструментов (tool use). Claude Agent SDK от Anthropic даёт готовый паттерн для таких агентов. Мы используем его в продакшене, и расскажем, как это работает.

Почему именно Claude Agent SDK?

Прямая интеграция через anthropic Python-клиент даёт контроль над каждым шагом. В отличие от LangChain, здесь нет лишних абстракций: вы сами определяете инструменты в формате Anthropic, пишете диспетчер вызовов и управляете историей. Для агентов с 3–5 инструментами это быстрее и легче. Плюс — нативная поддержка параллельных tool calls и streaming.

Что входит в работу?

Как работает агентный цикл?

Агентный цикл — это последовательность: пользователь → модель → вызов инструмента → результат → модель. Claude Agent SDK автоматизирует этот цикл. Модель решает, какой инструмент вызвать и с какими параметрами. Диспетчер execute_tool выполняет вызов и возвращает результат. История сообщений хранит все взаимодействия, включая результаты инструментов.

Прямая интеграция через Anthropic API

import anthropic
import json

client = anthropic.Anthropic()

# Определение инструментов в формате Anthropic
tools = [
    {
        "name": "search_database",
        "description": "Поиск информации в корпоративной базе данных",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Поисковый запрос"},
                "table": {"type": "string", "enum": ["products", "orders", "customers"]},
                "limit": {"type": "integer", "default": 10},
            },
            "required": ["query"],
        },
    },
    {
        "name": "create_ticket",
        "description": "Создать тикет в системе поддержки",
        "input_schema": {
            "type": "object",
            "properties": {
                "title": {"type": "string"},
                "description": {"type": "string"},
                "priority": {"type": "string", "enum": ["low", "medium", "high", "critical"]},
                "customer_id": {"type": "string"},
            },
            "required": ["title", "description", "customer_id"],
        },
    },
]

def execute_tool(tool_name: str, tool_input: dict) -> str:
    """Диспетчер вызовов инструментов"""
    handlers = {
        "search_database": lambda i: db.search(**i),
        "create_ticket": lambda i: helpdesk.create(**i),
    }
    handler = handlers.get(tool_name)
    if not handler:
        return f"Unknown tool: {tool_name}"
    try:
        result = handler(tool_input)
        return json.dumps(result, ensure_ascii=False)
    except Exception as e:
        return f"Error: {e}"

def run_agent(user_message: str, system_prompt: str = None) -> str:
    """Агентный цикл с tool use"""

    messages = [{"role": "user", "content": user_message}]

    for iteration in range(10):
        response = client.messages.create(
            model="claude-opus-4-5",
            max_tokens=4096,
            system=system_prompt or "Ты — полезный ассистент с доступом к корпоративным инструментам.",
            tools=tools,
            messages=messages,
        )

        # Добавляем ответ модели в историю
        messages.append({"role": "assistant", "content": response.content})

        # Проверяем причину остановки
        if response.stop_reason == "end_turn":
            # Модель завершила работу — возвращаем текстовый ответ
            text_blocks = [b.text for b in response.content if b.type == "text"]
            return "\n".join(text_blocks)

        if response.stop_reason == "tool_use":
            # Обрабатываем вызовы инструментов
            tool_results = []
            for block in response.content:
                if block.type == "tool_use":
                    result = execute_tool(block.name, block.input)
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": result,
                    })

            # Добавляем результаты инструментов
            messages.append({"role": "user", "content": tool_results})

    return "Достигнут лимит итераций"

Как работают параллельные tool calls?

def run_agent_with_parallel_tools(user_message: str) -> str:
    """Claude может вызывать несколько инструментов за один ход"""

    messages = [{"role": "user", "content": user_message}]

    while True:
        response = client.messages.create(
            model="claude-opus-4-5",
            max_tokens=4096,
            tools=tools,
            messages=messages,
        )

        messages.append({"role": "assistant", "content": response.content})

        if response.stop_reason == "end_turn":
            return next((b.text for b in response.content if b.type == "text"), "")

        # Все tool_use блоки в одном ответе — выполняем параллельно
        tool_use_blocks = [b for b in response.content if b.type == "tool_use"]

        if not tool_use_blocks:
            break

        import asyncio

        async def execute_parallel():
            tasks = [
                asyncio.to_thread(execute_tool, block.name, block.input)
                for block in tool_use_blocks
            ]
            return await asyncio.gather(*tasks)

        results = asyncio.run(execute_parallel())

        tool_results = [
            {
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": result,
            }
            for block, result in zip(tool_use_blocks, results)
        ]

        messages.append({"role": "user", "content": tool_results})

    return ""

Streaming агент для низкой задержки

def run_streaming_agent(user_message: str):
    """Агент со стримингом текста"""

    messages = [{"role": "user", "content": user_message}]

    while True:
        collected_content = []
        tool_use_id = None
        tool_name = None
        tool_input_parts = []

        with client.messages.stream(
            model="claude-opus-4-5",
            max_tokens=4096,
            tools=tools,
            messages=messages,
        ) as stream:
            for event in stream:
                if hasattr(event, "type"):
                    if event.type == "content_block_start":
                        if event.content_block.type == "tool_use":
                            tool_use_id = event.content_block.id
                            tool_name = event.content_block.name
                    elif event.type == "content_block_delta":
                        if hasattr(event.delta, "text"):
                            print(event.delta.text, end="", flush=True)
                            collected_content.append({"type": "text_delta", "text": event.delta.text})
                        elif hasattr(event.delta, "partial_json"):
                            tool_input_parts.append(event.delta.partial_json)

            final_message = stream.get_final_message()

        messages.append({"role": "assistant", "content": final_message.content})

        if final_message.stop_reason == "end_turn":
            break

        if tool_use_id:
            full_tool_input = json.loads("".join(tool_input_parts))
            result = execute_tool(tool_name, full_tool_input)
            messages.append({
                "role": "user",
                "content": [{"type": "tool_result", "tool_use_id": tool_use_id, "content": result}],
            })

Computer Use (бета) — управление компьютером

# Claude Computer Use — управление компьютером через скриншоты
computer_use_tools = [
    {"type": "computer_20241022", "name": "computer", "display_width_px": 1920, "display_height_px": 1080},
    {"type": "bash_20241022", "name": "bash"},
    {"type": "text_editor_20241022", "name": "str_replace_editor"},
]

response = client.messages.create(
    model="claude-opus-4-5",  # Поддерживает computer use
    max_tokens=4096,
    tools=computer_use_tools,
    messages=[{"role": "user", "content": "Открой браузер, перейди на company.ru, найди раздел 'Контакты' и скопируй телефон."}],
    betas=["computer-use-2024-10-22"],
)

Практический кейс: интеграция Claude в корпоративный портал

Из нашей практики: клиенту требовался AI-ассистент в корпоративный портал на Python/FastAPI без внешних фреймворков. Мы выбрали прямой Anthropic API, так как LangChain оказался избыточным для задачи с 5 инструментами. Инструменты включали: search_knowledge_base (векторный поиск по документам), get_employee_info (HR), create_it_ticket (ServiceDesk), get_meeting_rooms (бронирование), get_company_policies (нормативы). Результат: время внедрения 2 недели (против 4 с LangChain), кодовая база 450 строк, latency первого токена на 80 мс ниже. Заказчик сэкономил более 300 000 рублей на разработке — эти средства перенаправили на дополнительную функциональность.

Типичные ошибки при интеграции

• Неправильно спроектированные схемы инструментов (неоднозначные описания) — агент путается. В документации Anthropic рекомендуется использовать явные исключающие примеры в описании поля.
• Отсутствие обработки ошибок execute_tool — агент зависает в цикле.
• Игнорирование лимита итераций — утечка токенов.
• Неверный choice модели для Computer Use (нужна claude-opus-4-5).

Подробнее о настройке инструментов читайте в официальном репозитории Anthropic SDK.

Сроки и как заказать

Мониторинг и контроль расходов на токены

В production важно отслеживать стоимость каждого агентного вызова. Claude API возвращает usage с количеством токенов на вход и выход в каждом ответе. Мы встраиваем счётчик в run_agent:

def run_agent_tracked(user_message: str) -> dict:
    total_input_tokens = 0
    total_output_tokens = 0
    iterations = 0

    messages = [{"role": "user", "content": user_message}]
    while iterations < 10:
        response = client.messages.create(
            model="claude-opus-4-5",
            max_tokens=4096,
            tools=tools,
            messages=messages,
        )
        total_input_tokens += response.usage.input_tokens
        total_output_tokens += response.usage.output_tokens
        iterations += 1
        # ... обработка tool use ...
        if response.stop_reason == "end_turn":
            break

    return {
        "result": "...",
        "tokens_in": total_input_tokens,
        "tokens_out": total_output_tokens,
        "iterations": iterations,
    }

Средний агентный сеанс с 3 вызовами инструментов потребляет 2000–5000 input-токенов и 500–1500 output. Логируем эти данные в Prometheus и строим дашборды по стоимости на пользователя, на сценарий и на день. Это позволяет быстро выявить аномально длинные цепочки и оптимизировать промпты.

Дополнительная оптимизация: кэширование через prompt_caching (заголовок anthropic-beta: prompt-caching-2024-07-31) снижает стоимость повторяющихся системных промптов на 90%. Для инструментов с редкими описаниями (>1024 токенов) кэширование применяется автоматически и экономит до 40% токенов на многоходовых диалогах. Итоговая экономия на токенах при 10 000 агентных вызовов в день — существенная статья бюджета, которую стоит закладывать в архитектуру с первого дня.

Получите консультацию инженера — оценим ваш проект за 1 день. Опыт интеграции Claude Agent SDK подтверждён десятками успешных проектов. Свяжитесь с нами: мы поможем выбрать архитектуру и подготовить техническое задание.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.