Куда слушать и смотреть про agentic AI: подборка каналов

За 2024–2025 годы тема AI-агентов¹ перешла из разряда демо в разряд продуктов, которые люди запускают в продакшене: Anthropic выпустила Claude Code, OpenAI показала Operator, Cursor и Windsurf превратились в полноценные agentic-редакторы. Разобраться, что из этого работает, а что маркетинг, по пресс-релизам невозможно — там всегда всё работает. Полезнее слушать инженеров и основателей, которые разбирают архитектуру и провалы. Ниже — подборка англоязычных подкастов и YouTube-каналов, где про агентов говорят по делу.

Почему именно подкасты, а не документация

Документация фреймворков (LangGraph, CrewAI, OpenAI Agents SDK) отвечает на вопрос «как вызвать функцию», но не на вопрос «стоит ли вообще строить многошагового агента под вашу задачу или хватит одного промпта с инструментами». Ответы на второй тип вопросов живут в разговорах практиков: где агент разваливается на длинных цепочках, сколько стоит один прогон в токенах, почему RAG² иногда лучше дообучения³.

Важная оговорка: часть каналов ниже связана с конкретными компаниями (Latent Space — с венчурной сценой, официальные каналы — с вендорами). Это не делает их бесполезными, но держите в голове, чей продукт продвигают в конкретном выпуске.

Хороший выпуск про агентов заканчивается не словами «это меняет всё», а числом: сколько шагов, сколько токенов, сколько процентов задач агент довёл до конца без человека.

Подкасты

Latent Space

Один из самых цитируемых AI-инженерных подкастов, ведут swyx и Alessio Fanelli. Регулярно зовут людей, которые строили agentic-продукты: инженеров Cursor, авторов фреймворков, исследователей. Формат — долгие технические разговоры на 60–120 минут. Подходит тем, кто уже пишет код и хочет деталей архитектуры, а не введения в тему.

The Cognitive Revolution

Nathan Labenz разбирает и техническую сторону, и продуктовую: как компании внедряют агентов, что ломается при масштабировании, где границы автономности. Больше внимания к последствиям и рискам, чем в чисто инженерных подкастах.

Официальные подкасты вендоров

У Anthropic и OpenAI есть собственные видео- и аудиоформаты, где инженеры объясняют, как устроены их агентные инструменты изнутри. Это первоисточник по конкретным продуктам, но по определению не нейтральный обзор рынка — сравнивать с конкурентами там не будут.

YouTube-каналы

Прикладные разборы

• AI Jason, Cole Medin, AI-каналы про автоматизацию — практические туториалы: собрать агента на n8n, LangGraph или голом API, подключить инструменты, прогнать на реальной задаче. Хорошо для того, чтобы повторить руками.
• Каналы отдельных инженеров и open-source-разработчиков — часто честнее к ограничениям, потому что показывают не только успешный прогон, но и где агент зациклился или сжёг бюджет токенов.

Обзорные и новостные

• Каналы, которые еженедельно собирают релизы моделей и инструментов, — удобны, чтобы не пропустить выход новой версии, но глубины разбора там меньше.

Как выбрать под свой уровень

Кому это пригодится и кому нет

Пригодится:

• Разработчику, который выбирает между LangGraph, CrewAI и голым API под конкретный проект, — слушайте инженерные подкасты с разбором trade-off.
• Продакту, который решает, автоматизировать ли поддержку агентом, — вам к разговорам про внедрение и провалы масштабирования.
• Новичку, который хочет собрать первого агента за вечер, — прикладные YouTube-туториалы с повторяемыми примерами.

Скорее нет:

• Если вам нужен один короткий ответ «какой инструмент взять» — часовые подкасты это не дадут, быстрее прочитать документацию и попробовать.
• Если вы ждёте нейтрального сравнения продуктов — на официальных каналах вендоров его не будет по определению.
• Если английский на слух даётся тяжело — большинство сильных источников по теме англоязычные, русскоязычных разборов agentic AI глубокого уровня пока заметно меньше.

¹ AI-агент — программа на базе языковой модели, которая не просто отвечает на запрос, а планирует шаги, вызывает внешние инструменты (поиск, код, API) и действует в несколько итераций для достижения цели.

² RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом подтягивает релевантные документы из внешней базы, вместо того чтобы полагаться только на знания из обучения.

³ Дообучение (fine-tuning) — донастройка готовой модели на своих данных, чтобы она лучше решала узкую задачу; дороже и медленнее, чем добавить контекст через RAG.