# Аюш Капур: «Как создать ИИ-агента с Vercel AI SDK»

Источник: https://www.youtube.com/watch?v=WLBrpwYSCjQ
Канал: DeepLearning.AI
Опубликовано: 02.12.2025

---

## 🛠 Разработка ИИ-агентов: от основ до глубокого поиска с Vercel AI SDK
[[JUMP:00:00]]

Аюш Капур, инженер из команды Vercel, представил подробное руководство по работе с **Vercel AI SDK** — универсальным набором инструментов для TypeScript, предназначенным для быстрой разработки ИИ-приложений. Библиотека является бесплатной, открытой и поддерживает множество фреймворков (Next.js, Svelte, Vue, React) и сред выполнения, включая Node.js.

### 🧱 Фундаментальные примитивы SDK
[[JUMP:02:21]]

Разработка с помощью AI SDK строится на трёх базовых функциях, которые позволяют взаимодействовать с языковыми моделями (LLM):

1.  **`generateText`**: основная функция для генерации текста. Позволяет легко переключаться между моделями (например, GPT-4o mini или Perplexity Sonar) без изменения архитектуры приложения, просто заменяя параметры конфигурации. SDK поддерживает более 30 различных провайдеров, включая Anthropic, Google, XAI и HuggingFace.
2.  **Tool calling (вызов инструментов)**: механизм, позволяющий модели взаимодействовать с внешним миром. Для настройки инструмента необходимо определить:
    *   `name`: имя функции.
    *   `description`: описание, помогающее модели понять, когда использовать инструмент.
    *   `inputSchema`: схема входных аргументов.
    *   `execute`: асинхронная функция выполнения задачи.
3.  **`generateObject`**: функция для получения структурированного вывода в формате JSON. По мнению Капура, использование совместно с библиотекой **Zod** (для валидации схем) делает этот метод особенно мощным, обеспечивая типобезопасность на этапе выполнения.

### 🤖 Создание агента глубокого поиска (Deep Research Agent)
[[JUMP:15:35]]

Для решения комплексных задач, требующих многошаговой логики, Аюш Капур продемонстрировал создание агента, имитирующего глубокий поиск информации. Логика работы агента строится на итеративном процессе:

*   **Генерация подзапросов**: исходя из начального запроса, агент разбивает его на $N$ подзапросов (где $N$ — параметр «ширины» поиска).
*   **Поиск и оценка**: с использованием поискового API (например, Exa AI) агент собирает контент и оценивает его релевантность.
*   **Feedback Loop (петля обратной связи)**: если результат оценён как «нерелевантный», модель использует это как сигнал для повторного уточнения поиска.
*   **Рекурсия**: при глубине поиска более единицы агент рекурсивно запускает процесс, генерируя новые уточняющие вопросы.

Для финального отчета используется функция `generateReport`, которая собирает все «обучающие данные» (learnings) в структурированный Markdown-файл.

### 💡 Советы для разработчиков

*   **Inference Capacity**: Капур подчеркивает, что современные модели способны к логическому выводу (инференсу) — например, они могут самостоятельно извлекать широту и долготу из названия города, если правильно описать это в `inputSchema` инструмента.
*   **Экспериментальный подход**: Самый эффективный способ освоить SDK — «пачкать руки», постоянно экспериментируя с конфигурациями и промптами.
*   **Документация**: Все примеры кода и подробности реализации доступны на официальном ресурсе **ai-sdk.dev**.