Недавно в нашу компанию ASRP обратился клиент, который за годы работы на немецком рынке разработал обширный набор внутренних инструментов — от библиотек для обработки PDF, изображений и данных до систем автоматизации и анализа. Сейчас его команда активно внедряет агентные технологии и стремится сделать эти инструменты доступными для агентов — чтобы те могли использовать их как модули, комбинировать между собой и самостоятельно строить новые цепочки действий без участия разработчиков.

Для оперативного старта клиент создал один большой монорепозиторий, в котором разместил и агентов, и инструменты. Такой подход позволял быстро развернуть среду, где агенты могли общаться между собой локально и использовать нужные тулзы прямо из соседних папок. При создании нового агента клиент просто копировал нужные инструменты в его директорию, адаптируя конфигурацию под задачу. Для партнёров компания устанавливала этот софт локально, но в планах была масштабная SaaS-платформа с кастомным интерфейсом и централизованным управлением агентами.

Со временем стало ясно, что такой подход не масштабируется.

Телефония уже давно перестала быть просто голосовой связью. Сегодня она стала цифровой инфраструктурой, где звонки можно анализировать, управлять ими программно и подключать искусственный интеллект. Это превращает обычный разговор в диалог между человеком и системой — живой, персонализированный и управляемый данными.

Прежде чем перейти к реализации подобного голосового агента, важно разобраться в базовых принципах телефонии — что такое PSTN, SIP, SIP-транки и какую роль в этой архитектуре играет Jambonz.

Когда Google Cloud выкатывает Startup Technical Guide: AI Agents – это не просто очередная документация, а знаковое событие. Почему? Да потому что вокруг AI-агентов сейчас шумиха, но до сих пор не было целостного технического ориентира. Этим летом я уже погружался в тему и даже написал статью на Хабре о Google ADK и интеграции AI-агента в кастомный UI. Но новый гайд от Google – это совсем другой уровень: 64 страницы, охватывающие путь от идеи до продакшена. Он появился на фоне взлёта экспериментов с LLM-агентами (те же Auto-GPT, BabyAGI) и стремления многих команд как можно быстрее собрать своего «умного» помощника. Однако, в отличие от отдельных туториалов и фреймворков, этот гайд претендует зафиксировать новую инженерную норму работы с агентами.

Чем же он отличается от других материалов? Во-первых, масштабом и глубиной: Google явно вложила экспертизу своих команд, чтобы описать всё – от архитектуры до AgentOps (операции и сопровождение агентов в продакшене). Во-вторых, уклоном на практическую надёжность: внутри шаг за шагом расписано, как превратить прототип агента в устойчивую систему с мониторингом, тестами, безопасностью. В-третьих, фокусом на экосистему Google Cloud: гайд показывает, как использовать Vertex AI, модель Gemini, Agent Development Kit (ADK) и прочие инструменты. Но, что ценно, принципы из гайда применимы шире – они будут полезны любому разработчику LLM-агентов, даже если вы используете альтернативные платформы.

Итак, прочитав весь документ, я выписал для себя пять главных инсайтов. Ниже я делюсь ими от первого лица – что я понял из гайда, какие цитаты это подтверждают, и какие мысли появились у меня как у разработчика.

В сентябре я впервые принял участие в AI & Blockchain хакатоне — это был Theta EuroCon Hackathon в Берлине (7–11 сентября 2025 года). Для меня и моей команды Advanced Scientific Research Projects (ASRP) это было больше, чем просто соревнование. Это стало возможностью показать результаты исследований, проверить наши идеи в динамичной среде и познакомиться с новаторами, работающими на стыке искусственного интеллекта и блокчейна.

В этой статье, Я рассказываю, как сделал приложение для сопоставления резюме с вакансиями, используя tRPC, TypeScript и Google Vertex AI. Проект принимает PDF-резюме и описания вакансий, извлекает из них текст, применяет базовое NLP для выявления навыков, а затем обращается к Gemini 1.5 Flash для более глубокого анализа. По ходу статьи я объясняю, почему tRPC показался мне быстрее и чище, чем REST или GraphQL для MVP, показываю примеры кода из репозитория и обсуждаю как преимущества, так и ограничения такого подхода.

I share how I built a resume matcher app using tRPC, TypeScript, and Google Vertex AI. The project takes PDF resumes and job postings, extracts text, applies basic NLP for skill detection, and then calls Gemini 1.5 Flash for deeper analysis. Along the way, I explain why tRPC felt faster and cleaner than REST or GraphQL for an MVP, show code snippets from the repo, and discuss both the benefits and trade-offs of this approach.

В этой статье я делюсь личным опытом разработки MVP LLM-агента на базе Google ADK в образовательных сценариях. Рассказываю, как строил архитектуру от монолитного агента до модульной системы, с какими вызовами столкнулся (память, токены, оркестрация) и какие инженерные лайфхаки помогли справиться. Но главное — делюсь философией: почему работа с LLM похожа на экзамен, как меняется роль CTO и чему учат такие проекты. В финале — 10 уроков, которые я вынес из этого «AI-экзамена».

DocLing in Working with Texts, Languages, and Knowledge — an in-depth overview of the open-source DocLingtoolkit for extracting, structuring, and analyzing data from documents. The article covers approaches to processing multilingual texts, building language- and domain-specific knowledge models, and integrating DocLing into AI and NLP projects. Includes practical examples and recommendations for developers working with large volumes of unstructured data.

Как интегрировать Google ADK с кастомным интерфейсом: пошаговое руководство с примерами

Подробный гид по интеграции Google ADK (Agent Development Kit) и Vertex AI Agent Engine в кастомные интерфейсы. В статье разобраны все ключевые этапы — от развёртывания агента до настройки стриминга, сохранения состояния (state) и построения собственной архитектуры взаимодействия с LLM. Подходит разработчикам, которые хотят быстро подключить AI-агента к своему продукту и сохранить контроль над логикой, безопасностью и пользовательским опытом.