Agentic AI Engineering является инженерным ресурсом производственного уровня для создания современных агентных систем ИИ с LangChain, LangGraph, RAG, MCP, локальными моделями и развертываемыми службами Python.

Репозиторий ведет к архитектуре, реализованной в Главе 5: многоузловый помощник LangGraph, подключенный к автономному серверу MCP, с маршрутизацией намерений, выполнением инструментов, суммированием ответов, инструментами электронной почты, математическими инструментами, автоматизированными тестами и GitHub Actions CI. Более ранние главы строят необходимые слои под ним: абстракция провайдера, оркестровка LCEL, поиск векторов, память, агенты ReAct, графики маршрутизаторов, последовательные рабочие процессы, совместная работа с несколькими агентами и управление человеком в петле.

Это не чат-бот для начинающих. Это структурированный инженерный путь для разработчиков строительных систем, которые нуждаются в состоянии, инструментах, маршрутизации, поиске, наблюдении, модульности и гибкости модели.

Что вы будете строить

Многоузловой помощник LangGraph с маршрутизатором, выполнением, суммированием и узлами разговора. ** Сервер инструментов MCP**, разоблачающий изолированные инструменты математики и электронной почты на границе разделённого сервера.

Agentic AI Engineering

Agentic AI Engineering is a production-grade engineering resource for building modern agentic AI systems with LangChain, LangGraph, RAG, MCP, local models, and deployable Python services.

The repository leads toward the architecture implemented in Chapter 5: a multi-node LangGraph assistant connected to a standalone MCP server, with intent routing, tool execution, response summarization, email tooling, math tools, automated tests, and GitHub Actions CI. Earlier chapters build the required layers underneath it: provider abstraction, LCEL orchestration, vector retrieval, memory, ReAct agents, router graphs, sequential workflows, multi-agent collaboration, and human-in-the-loop control.

This is not a beginner chatbot walkthrough. It is a structured engineering path for developers building systems that need state, tools, routing, retrieval, observability, modularity, and model-provider flexibility.

What You’ll Build

• Multi-node LangGraph assistant with router, execution, summarization, and conversation nodes.
• MCP tool server exposing isolated math and email tools over a decoupled server boundary.
• Tool-using ReAct workflows that call external capabilities through typed tool contracts.
• RAG pipelines using vector stores, embeddings, retrieval chains, and local document context.
• Provider-flexible LLM interfaces across OpenAI, Gemini, and Ollama.
• Agent routing systems for sequential, router-based, ReAct, and multi-agent workflows.
• Human-in-the-loop execution paths for safer agent behavior in production-style flows.
• Tested agent components with pytest coverage for Chapter 5 node behavior and tool contracts.
• CI-backed agent validation through GitHub Actions for repeatable checks on graph and MCP behavior.

Engineering Roadmap