МУЛЬТИАГЕНТНЫЙ RAG ЗА 15 МИНУТ! Gemini 3.0

📱 Бесплатный Telegram-канал — секреты AI-разработки, вайб-кодинг и проверенные инструменты, которые помогают создавать проекты в 5–10 раз быстрее обычного кодинга:

https://t.me/+rxyvw0zbFo1kYWIy


💡 Присоединяйтесь к закрытому AI-клубу, чтобы получать:
Готовые рабочие воркфлоу и автоматизации
Разборы AI-инструментов с практикой
Комьюнити для поиска партнеров и заказов
Еженедельные эфиры с участниками
Ссылка на вход в клуб
https://tg.pulse.is/VibeAISchoolBot?s...

📸 Instagram:   / timur.yessenov  

В этом видео показываю, как за 15-20 минут создать мультиагентную RAG-систему с помощью Google Gemini 3.0 CLI без написания кода вручную. Использую LangGraph для построения графа из 4 агентов: классификатор → retriever (Qdrant) → final responder → fallback responder. Добавляю React-интерфейс с загрузкой документов в RAG и тестирую на реальных данных. Сравниваю скорость Gemini 3.0 с Codex и делюсь мыслями о том, когда использовать Gemini, Opus или Codex.

Таймкоды:
00:00 - Введение: мультиагентный RAG без N8N и без кода
01:08 - Установка Gemini CLI и инициализация проекта
03:13 - Построение LangGraph: 4 агента + Qdrant
05:12 - Тестирование и исправление ошибок
08:18 - Добавление React чат-интерфейса
10:10 - Загрузка документов и финальное тестирование
11:12 - Итоги: Gemini 3.0 vs Codex vs Opus