прослеживает эволюцию от подхода ReAct (2022), который ввёл цикл «мысль-действие-наблюдение», через разговорную архитектуру, популяризированную AutoGen в 2023 году, к структурам на основе графов, таким как LangGraph в 2024 году. Подчёркивается, что для многих приложений достаточно одного агента, а мультиагентные конфигурации дают преимущества только тогда, когда роли действительно различаются по контексту, инструментам или правам доступа. В статье также рассматриваются различные стратегии (ReAct, Plan-and-Solve, ReWOO, Tree of Thoughts, RAP, LATS, Self-Refine, Reflexion, MRKL) и отмечается, что чем более предопределены шаги, тем меньше свободы требуется модели. Вводится понятие «театра агентов» (agent theater), когда идентичные вызовы большой языковой модели (LLM, large language model) лишь имитируют работу целой команды, и подчёркивается важность разделения детерминированной логики (код) и вероятностной логики (решения LLM). В заключение представлен современный стек для построения агентов, включающий такие слои, как SDK для агентов (Agent SDK), рантаймы на основе графов, память, песочницы (sandboxing) и средства наблюдаемости (observability), и приводятся примеры: OpenAI Agents SDK, Google ADK, LangGraph, Mastra и другие.