Источники¶

Ниже собраны основные первоисточники, на которые опирается текущая версия книги. Дата последней редакционной проверки источников: 17 мая 2026 года.

Как читать этот список

Полезно разделять источники не только по теме, но и по силе опоры:

Нормативный каркас: NIST, OWASP, CISA и другие документы, которые задают устойчивые контуры управления;
Платформенная практика: OpenAI, Anthropic, LangGraph, Google Cloud, Microsoft и другие материалы о том, как эти контуры реально собирают в промышленной эксплуатации;
HCI, HITL и человеческий надзор: источники, которые показывают, где automation ошибается и как удерживать человека в петле;
Исследовательский фронтир: свежие статьи про память, наблюдаемость, дизайн проверяющих и надежность многоагентных систем.

Если нужна самая надежная база для Parts I, V и VIII, начинай с нормативного каркаса и слоя HCI/HITL. Если нужна текущая инженерная практика, смотри платформенные документы и свежие исследования, но всегда учитывай дату публикации.

Канонические маршруты источников

Используй источники как быстрый маршрут для трех канонических сценариев. Триаж обращений поддержки начинается с OWASP, руководств OpenAI по агентам, источников о человеке в контуре, материалов по политикам и подтверждениям, оценки трасс и кейсов инцидентов. Внутренний ассистент знаний начинается с материалов LangGraph о памяти, материалов OpenAI о памяти агента, источников по поиску и оценке, управления с акцентом на происхождение данных и исследовательского фронтира памяти. Координация инцидентов начинается с NIST/AI RMF, материалов Google и Microsoft по управлению, источников наблюдаемости, исследований надежности многоагентных систем, разбора инцидентов и материалов по выпуску и управляющему слою.

Нормативные рамки и контуры управления¶

Безопасность агентных систем¶

OWASP, AI Agent Security Cheat Sheet
OWASP, MCP Security Cheat Sheet
OWASP, LLM Prompt Injection Prevention Cheat Sheet
OWASP, RAG Security Cheat Sheet

Управление и базовые меры контроля¶

Архитектура агентных систем и платформенные паттерны¶

Дмитрий Викулин, «Архитектура надежных AI-агентов»
Anthropic, Building Effective AI Agents
Anthropic, Harness design for long-running application development
Anthropic, How we built our multi-agent research system
OpenAI, A practical guide to building agents (PDF)
OpenAI, Agents SDK
OpenAI Agents SDK, Sandbox Agents, Sandbox Concepts, Sandbox clients и Agent memory
OpenAI, Agent Builder
LangGraph, Overview
LangGraph, Durable execution
LangGraph, Persistence
LangGraph, Memory overview
LangChain, Multi-agent
Google Cloud, Achieve agentic productivity with Vertex AI Agent Builder
Google Cloud, More ways to build, scale, and govern AI agents with Vertex AI Agent Builder
Google Cloud, Vertex AI Agent Builder overview
Google Cloud Architecture Center, Multi-agent AI system in Google Cloud
Microsoft Azure Architecture Center, AI Agent Orchestration Patterns
Cloudflare, Build Agents on Cloudflare
Cloudflare Agents SDK, Store and sync state и Schedule tasks
Cloudflare Agents SDK, Human in the Loop и WebSockets
Cloudflare Agents SDK, Workflows и Durable execution
Cloudflare, Build and deploy Remote Model Context Protocol (MCP) servers to Cloudflare
GitHub Docs, GitHub Copilot cloud agent
GitHub Docs, Using Copilot cloud agent on GitHub и Configuring settings for GitHub Copilot cloud agent

Наблюдаемость, оценки и дизайн проверяющих¶

OpenAI, Agent evals
OpenAI, Trace grading
OpenAI, Background mode
OpenAI, Using tools
OpenAI, Structured model outputs
Microsoft Learn, Observability for Generative AI and agentic AI systems
Google Cloud, Observability and monitoring
AWS, Introducing stateful MCP client capabilities on Amazon Bedrock AgentCore Runtime
arXiv, The Art of Building Verifiers for Computer Use Agents
GitHub, microsoft/fara

HCI, HITL и человеческий надзор¶

Microsoft Research, Guidelines for Human-AI Interaction
LangChain Deep Agents, Human-in-the-loop
LangGraph, Interrupts
OpenReview, The Illusion of Consensus in Human-Centered Interactive AI
Microsoft Learn, Agentic AI adoption maturity model

Управление, безопасность и операционная гарантия¶

Google Cloud, How Google secures AI Agents
Google Cloud, Recommended AI Controls framework
Google Cloud, Introducing Agent Sandbox
Google Research, Security Assurance in the Age of Generative AI
Google Research, Securing the AI Software Supply Chain
Google Research, An Introduction to Google’s Approach for Secure AI Agents
Google Research, Identifying and Mitigating the Security Risks of Generative AI
Anthropic, Claude Code Security
Anthropic, Agentic Misalignment
Anthropic, Strengthening Red Teams
Anthropic, Introducing Bloom
Anthropic, Findings from a Pilot Anthropic-OpenAI Alignment Evaluation Exercise
MLCommons, AILuminate v1.0 Release
Microsoft Learn, Secure autonomous agentic AI systems
Microsoft Learn, Reduce autonomous agentic AI risk
Microsoft Learn, Complete production infrastructure inventory
Microsoft Learn, Agent Registry convergence with Microsoft Agent 365

Инциденты и кейсы¶

American Bar Association, BC Tribunal Confirms Companies Remain Liable for Information Provided by AI Chatbot

Исследовательский фронтир: память, наблюдаемость и надежность многоагентных систем¶

OpenReview, EVOLVE-MEM: A Self-Adaptive Hierarchical Memory Architecture for Next-Generation Agentic AI Systems
OpenReview, MemGen: Weaving Generative Latent Memory for Self-Evolving Agents
OpenReview, AgentTrace: A Structured Logging Framework for Agent System Observability
OpenReview, AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems
OpenReview, Evaluation of Multi-Turn Consistency in LLM Agents: Survival Analysis and Failure-Rationale Taxonomy
OpenReview, AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications
OpenReview, Aegis: Automated Error Generation and Attribution for Multi-Agent Systems
OpenReview, PALADIN: Self-Correcting Language Model Agents to Cure Tool-Failure Cases
OpenReview, Why Do Multiagent Systems Fail?

Публикация, сборка и платформенный слой книги¶

MkDocs, Official documentation
Material for MkDocs, Official documentation
uv, Working on projects
ty, Official documentation
Starlight, Official documentation

Rust и инфраструктурный слой агентных рантаймов¶

AWS, AWS SDK for Rust is generally available
AWS Docs, Code examples for Amazon Bedrock Runtime using AWS SDK for Rust
docs.rs, aws-sdk-bedrockagentruntime
Microsoft Learn, Azure SDK for Rust
Rig, Official documentation
docs.rs, rig-core
GitHub, 0xPlaygrounds/rig

Как использовать этот список¶

Если развивать книгу дальше, удобнее идти в таком порядке:

Нормативный каркас риска и контроля: NIST, OWASP, CISA.
Архитектурные паттерны и дисциплина среды исполнения: Anthropic, OpenAI, LangGraph, Google Cloud, Microsoft.
Наблюдаемость, оценки и слой проверяющих: OpenAI, Microsoft, arXiv, GitHub.
HCI, HITL и кейсы: Microsoft Research, OpenReview, ABA.
Исследовательский фронтир: память, согласованность поведения, наблюдаемость и режимы отказа многоагентных систем.

Для чтения самой книги полезно держать еще одну развилку:

Устойчивое ядро: нормативные рамки, архитектура, политики, выполнение и наблюдаемость.
Быстро меняющийся слой: инструменты оценивания, дизайн проверяющих, управление реестром, свежие исследования и свежие кейсы.