Три рабочих примера, показывающих, как развивалась разработка ИИ-агентов - от традиционного подхода на основе RAG до современных SDK с батарейным питанием и фреймворков на основе навыков.

Эволюция

| Эпоха | Подход | Пример [скрыто] [скрыто] [скрыто] [скрыто] [скрыто] | 2024-2025 | Канковые документы, встраивание, векторный поиск, проволочная петля агента сами | rag-agent-demo/ | 2026 (SDK) | Встроенные инструменты + пользовательские MCP-серверы, без кода клея | claude-agent-sdk-demo/ | 2026 (Frameworks) | Типовые безопасные агенты с прогрессивным раскрытием навыков | pydantic-ai-skills-demo/

Примеры

[[Т3]] — Традиционный подход (Питон)

Классический шаблон RAG, который был по умолчанию учебником для создания агентов ИИ. Показывает полный конвейер: фрагменты документов, генерируют встраивания, хранят в векторной базе данных, извлекают соответствующие фрагменты, подают в LLM.

** Стек: ** Pydantic AI + PostgreSQL/pgvector + OpenAI встраивания

Это работает - и это все еще правильный вызов, когда у вас есть большие корпуса документов. Но для многих случаев использования новые подходы, приведенные ниже, полностью устраняют необходимость в этой инфраструктуре.

claude-agent-sdk-demo/ - Батарейки-включенные SDK (TypeScript)

How Building AI Agents Has Completely Changed

Three working examples showing how AI agent development has evolved - from the traditional RAG-based approach to modern batteries-included SDKs and skill-based frameworks.

The Evolution

Examples

rag-agent-demo/ - The Traditional Approach (Python)

The classic RAG pattern that was the default playbook for building AI agents. Shows the full pipeline: chunk documents, generate embeddings, store in a vector database, retrieve relevant chunks, feed to an LLM.

cd rag-agent-demo
cp .env.example .env     # Add your OpenAI key + database URL
docker compose up -d     # Start PostgreSQL with pgvector
uv sync
uv run python -m ingestion.ingest --documents documents/ --clean
uv run python cli.py

Stack: Pydantic AI + PostgreSQL/pgvector + OpenAI embeddings

This works - and it’s still the right call when you have large document corpora. But for many use cases, the newer approaches below eliminate the need for this infrastructure entirely.

claude-agent-sdk-demo/ - Batteries-Included SDK (TypeScript)

A research agent that comes with tools out of the box. No RAG pipeline, no vector database, no embedding infrastructure. The SDK provides Read, Write, WebSearch, Bash, and Grep as built-in tools, and you can add your own via MCP servers.

cd claude-agent-sdk-demo
bun install
bun run agent.ts "How AI agent frameworks evolved in 2026"

What this demonstrates:

• Built-in tools - Read, Write, WebSearch, Bash, Grep with zero setup
• Custom MCP server - createSdkMcpServer() with save_note and search_notes tools
• Subagents - Researcher and Writer agents that the orchestrator delegates to
• Hooks - Real-time monitoring of tool usage

Uses your local Claude Code CLI credentials - no API key needed.

pydantic-ai-skills-demo/ - Framework with Skills (Python)

A Pydantic AI agent with a skill system implementing progressive disclosure. Instead of loading all instructions upfront, skills are discovered at ~100 tokens each and loaded on demand - letting an agent access hundreds of capabilities without overwhelming its context window.

cd pydantic-ai-skills-demo
cp .env.example .env     # Add your API key
uv sync
uv run python -m src.cli

What this demonstrates:

• Progressive disclosure - Skills load in 3 levels (metadata -> instructions -> resources)
• 5 working skills - Weather, research assistant, recipe finder, world clock, code review
• Type safety - Full Pydantic models and typed dependencies