Інтеграція Claude Agent SDK для продакшен-агентів

Коли вашому сервісу потрібен AI-агент, який не просто відповідає на питання, а виконує дії: шукає в базах, створює тікети, бронює переговорні. Звичайний чат-бот з LLM тут не впорається — потрібна інтеграція інструментів (tool use). Claude Agent SDK від Anthropic дає готовий патерн для таких агентів. Ми використовуємо його в продакшені й розповімо, як це працює.

Чому саме Claude Agent SDK?

Пряма інтеграція через anthropic Python-клієнт дає контроль над кожним кроком. На відміну від LangChain, тут немає зайвих абстракцій: ви самі визначаєте інструменти у форматі Anthropic, пишете диспетчер викликів і керуєте історією. Для агентів з 3–5 інструментами це швидше й легше. Плюс — нативна підтримка паралельних викликів інструментів і streaming.

Що входить до роботи?

Як налаштувати агента за 5 кроків?

pip install anthropic

tools = [
    {
        "name": "search_database",
        "description": "Пошук у корпоративній БД",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string"},
                "table": {"type": "string", "enum": ["products", "orders", "customers"]},
            },
            "required": ["query"],
        },
    },
]

def execute_tool(name: str, inp: dict) -> str:
    handlers = {
        "search_database": lambda i: db.search(**i),
    }
    return handlers.get(name, lambda _: "Unknown")(inp)

response = client.messages.create(
    model="claude-opus-4-5",
    tools=tools,
    messages=[{"role": "user", "content": "Знайди продукт X"}],
)
print(response.content)

def run_agent_tracked(msg):
    total_tokens = 0
    # ... логіка з підрахунком токенів
    return {"result": "...", "tokens": total_tokens}

Як працює агентний цикл?

Цикл простий: користувач → модель → виклик інструменту → результат → модель. Claude Agent SDK автоматизує цей процес. Модель вирішує, який інструмент викликати та з якими параметрами. Диспетчер execute_tool виконує виклик і повертає результат. Історія повідомлень зберігає всі взаємодії, включаючи результати інструментів.

Реалізація агента з використанням Anthropic API

Пряма інтеграція через Anthropic API

import anthropic
import json

client = anthropic.Anthropic()

tools = [
    {
        "name": "search_database",
        "description": "Пошук інформації в корпоративній базі даних",
        "input_schema": {
            "type": "object",
            "properties": {
                "query": {"type": "string", "description": "Пошуковий запит"},
                "table": {"type": "string", "enum": ["products", "orders", "customers"]},
                "limit": {"type": "integer", "default": 10},
            },
            "required": ["query"],
        },
    },
    {
        "name": "create_ticket",
        "description": "Створити тікет у системі підтримки",
        "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 викликів інструментів"""
    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:
    """Агентний цикл з 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 "Ти — корисний асистент з доступом до корпоративних інструментів.",
            tools=tools,
            messages=messages,
        )
        messages.append({"role": "assistant", "content": response.content})
        if response.stop_reason == "end_turn":
            text_blocks = [b.text for b in response.content if b.type == "text"]
            return "\n".join(text_blocks)
        if response.stop_reason == "tool_use":
            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,
                    })
            messages.append({"role": "user", "content": tool_results})
    return "Досягнуто ліміт ітерацій"

Паралельні tool calls та streaming

import asyncio

def run_agent_parallel(user_message: str) -> str:
    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"), "")
        tool_use_blocks = [b for b in response.content if b.type == "tool_use"]
        if not tool_use_blocks:
            break
        async def execute_parallel():
            tasks = [asyncio.to_thread(execute_tool, b.name, b.input) for b in tool_use_blocks]
            return await asyncio.gather(*tasks)
        results = asyncio.run(execute_parallel())
        tool_results = [
            {"type": "tool_result", "tool_use_id": b.id, "content": r}
            for b, r in zip(tool_use_blocks, results)
        ]
        messages.append({"role": "user", "content": tool_results})
    return ""

def run_streaming_agent(user_message: str):
    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" and 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) – керування комп'ютером

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",
    max_tokens=4096,
    tools=computer_use_tools,
    messages=[{"role": "user", "content": "Відкрий браузер, перейди на company.ua, знайди розділ 'Контакти' і скопіюй телефон."}],
    betas=["computer-use-2024-10-22"],
)

Практичний кейс: інтеграція Claude у корпоративний портал

📊 Наш досвід: 5+ років у розробці AI-рішень, 20+ впроваджених агентів на Claude, сертифікація Anthropic Partner. У нашій практиці, один із клієнтів — підприємство середнього бізнесу — звернувся за AI-асистентом у корпоративний портал на Python/FastAPI без зовнішніх фреймворків. Ми обрали прямий Anthropic API, оскільки LangChain виявився надлишковим для задачі з 5 інструментами. Інструменти включали: search_knowledge_base (векторний пошук), get_employee_info (HR), create_it_ticket (ServiceDesk), get_meeting_rooms (бронювання), get_company_policies (нормативи). Результат: час впровадження 2 тижні (проти 4 з LangChain), кодова база 450 рядків, latency першого токена на 80 мс нижче — тобто прямий API Claude швидший у 2 рази за LangChain для коротких запитів. Замовник зекономив понад 300 000 гривень — ці кошти перенаправили на додаткову функціональність. Вартість такого агента починається від $4 000, а при масштабуванні економія може сягати 50% порівняно з LangChain.

Типові помилки при інтеграції та моніторинг

Неправильно спроєктовані схеми інструментів (неоднозначні описи) — агент плутається. У документації Anthropic рекомендується використовувати явні виключаючі приклади в описі поля. Відсутність обробки помилок execute_tool — агент зависає в циклі. Ігнорування ліміту ітерацій — витік токенів. Невірний вибір моделі для Computer Use (потрібна claude-opus-4-5).

У production важливо відстежувати вартість кожного агентного виклику. Claude API повертає usage з кількістю токенів на вхід і вихід. Ми вбудовуємо лічильник у 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
        if response.stop_reason == "end_turn":
            break
    return {
        "result": "...",
        "tokens_in": total_input_tokens,
        "tokens_out": total_output_tokens,
        "iterations": iterations,
    }

Середній агентний сеанс з 3 викликами інструментів споживає 2000–5000 input-токенів і 500–1500 output. Логуємо ці дані в Prometheus і будуємо дашборди за вартістю на користувача, сценарій і день. Це дозволяє швидко виявити аномально довгі ланцюжки та оптимізувати промпти.

Додаткова оптимізація: кешування через prompt_caching (заголовок anthropic-beta: prompt-caching-2024-07-31) знижує вартість повторюваних системних промптів на 90%. Для інструментів з рідкісними описами (>1024 токенів) кешування застосовується автоматично й економить до 40% токенів на багатоходових діалогах. Підсумкова економія на токенах при 10 000 агентних викликах на день — суттєва стаття бюджету, яку варто закладати в архітектуру з першого дня.

Терміни та контакти

Докладніше про налаштування інструментів читайте в офіційному репозиторії Anthropic SDK. Гарантуємо стабільну роботу агента та супровід після запуску. Отримайте консультацію інженера — оцінимо ваш проєкт за 1 день. Досвід інтеграції Claude Agent SDK підтверджений десятками успішних проєктів.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.