> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-ru/ai-platformy-i-agenty/superagi.md).

# Фреймворк агентов SuperAGI

## Обзор

[SuperAGI](https://github.com/TransformerOptimus/SuperAGI) — это проект с открытым исходным кодом, ориентированный на разработчиков, фреймворк для автономных AI-агентов с более чем 15 тысячами звёзд на GitHub. В отличие от простых чат-ботов, SuperAGI запускает **автономных агентов** — AI-системы, которые самостоятельно планируют, выполняют многошаговые задачи, используют инструменты и итеративно достигают цели без постоянного вмешательства человека.

**Почему запускать SuperAGI на Clore.ai?**

* **Опционально с GPU с мощной поддержкой локальных LLM** — Запускайте агентов на базе локальных моделей (Llama, Mistral и т.д.) на GPU Clore.ai для полностью приватного, контролируемого по затратам автономного ИИ.
* **Параллельное выполнение агентов** — Запускайте несколько агентов параллельно на одном сервере, каждый из которых работает над разными задачами одновременно.
* **Постоянная память агента** — Агенты сохраняют контекст, учатся на выводах инструментов и хранят долгосрочную память в векторных базах данных между запусками.
* **Маркетплейс инструментов** — Готовые интеграции для Google Search, GitHub, Email, Jira, Notion и других.
* **Экономика Clore.ai** — При цене \~0,20 $/час за RTX 3090 вы можете запускать способных автономных агентов за долю стоимости облачных AI-сервисов.

### Ключевые особенности

| Функция                      | Описание                                                         |
| ---------------------------- | ---------------------------------------------------------------- |
| Provisioning агентов         | Создание, конфигурация и развёртывание агентов через GUI         |
| Маркетплейс инструментов     | Более 30 встроенных инструментов (поиск, код, файлы, API)        |
| Поддержка нескольких моделей | OpenAI, Anthropic, локальные LLM через пользовательский endpoint |
| Параллельные агенты          | Запуск нескольких агентов одновременно                           |
| Память агента                | Краткосрочная (окно контекста) + долгосрочная (векторная БД)     |
| GUI-панель                   | Полный веб-интерфейс для управления агентами                     |
| Менеджер ресурсов            | Отслеживание использования токенов и затрат по агентам           |
| Шаблоны рабочих процессов    | Готовые шаблоны агентов для типовых задач                        |

### Архитектура

```
┌────────────────────────────────────────────────────┐
│              Стек SuperAGI                          │
│                                                    │
│  ┌─────────────────────┐   ┌───────────────────┐   │
│  │  Фронтенд (порт 3000)│   │  API (порт 8001)  │   │
│  │   Next.js UI         │   │  FastAPI Backend   │   │
│  └──────────┬──────────┘   └─────────┬─────────┘   │
│             └──────────┬─────────────┘             │
│                        ▼                           │
│  ┌─────────────────────────────────────────────┐   │
│  │              Agent Executor                 │   │
│  │  ┌──────────┐  ┌──────────┐  ┌──────────┐  │   │
│  │  │  Agent 1  │  │  Agent 2  │  │  Agent N  │  │   │
│  │  └──────────┘  └──────────┘  └──────────┘  │   │
│  └───────┬─────────────┬─────────────┬─────────┘   │
│          ▼             ▼             ▼             │
│  ┌───────────┐  ┌───────────┐  ┌───────────┐      │
│  │ PostgreSQL │  │  Redis    │  │  Vector   │      │
│  │  (State)  │  │  (Queue)  │  │    DB     │      │
│  └───────────┘  └───────────┘  └───────────┘      │
└────────────────────────────────────────────────────┘
          │
    ┌─────┴──────┐
    ▼            ▼
 OpenAI      Локальная LLM
 Anthropic   (Ollama/vLLM)
```

***

## Требования

### Спецификации сервера

| Компонент     | Минимум         | Рекомендуется            | Примечания                                    |
| ------------- | --------------- | ------------------------ | --------------------------------------------- |
| **GPU**       | Нет (режим API) | RTX 3090 (локальные LLM) | GPU требуется для вывода локальных моделей    |
| **VRAM**      | —               | 24 ГБ                    | Для запуска локальных моделей 13B+            |
| **CPU**       | 4 vCPU          | 8 vCPU                   | Выполнение агентов нагружает CPU              |
| **ОЗУ**       | 8 ГБ            | 16 ГБ                    | Несколько параллельных агентов требуют памяти |
| **Хранилище** | 20 ГБ           | 100+ ГБ                  | Логи агентов, векторная БД, хранение моделей  |

### Справка по ценам Clore.ai

| Тип сервера         | Примерная стоимость | Случай использования                             |
| ------------------- | ------------------- | ------------------------------------------------ |
| CPU (8 vCPU, 16 ГБ) | \~0,10–0,20 $/час   | SuperAGI + внешний API (OpenAI/Anthropic)        |
| RTX 3090 (24 ГБ)    | ≈ $0.20/ч           | SuperAGI + Ollama 13B локальная модель           |
| RTX 4090 (24 ГБ)    | ≈ $0.35/ч           | SuperAGI + Ollama, более быстрая инференция      |
| 2× RTX 3090         | \~$0.40/ч           | SuperAGI + модель 70B (квантованная Q4)          |
| A100 80 GB          | ≈ $1.10/ч           | SuperAGI + крупные модели, высокая конкуренция   |
| H100 80 ГБ          | \~2,50 $/час        | Автономные агентные системы промышленного класса |

> 💡 **Совет по стоимости:** Для разработки и тестирования используйте API OpenAI или Anthropic (GPU не нужен). Переключайтесь на инстанс с GPU только когда требуется локальная инференция LLM ради приватности или экономии. См. [Руководство по сравнению GPU](/guides/guides_v2-ru/nachalo-raboty/gpu-comparison.md).

### Требования

* Сервер Clore.ai с доступом по SSH
* Docker + Docker Compose (предустановлены на Clore.ai)
* Git (предустановлен)
* 4+ vCPU, 8+ ГБ RAM (рекомендуется 16 ГБ для параллельных агентов)
* Ключ OpenAI API **или** локальный endpoint LLM (Ollama/vLLM)

***

## Быстрый старт

### Метод 1: Docker Compose (Официальный — Рекомендуется)

Официальное развёртывание SuperAGI использует Docker Compose для управления всеми сервисами.

**Шаг 1: Подключитесь к вашему серверу Clore.ai**

```bash
ssh root@<ip-вашего-clore-сервера> -p <ssh-порт>
```

**Шаг 2: Клонирование и настройка**

```bash
git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI
cp config_template.yaml config.yaml
```

**Шаг 3: Редактирование `config.yaml`**

```bash
nano config.yaml
```

Минимально необходимая конфигурация:

```yaml
# config.yaml
OPENAI_API_KEY: "sk-your-openai-key-here"

# База данных (оставьте по умолчанию для Docker Compose)
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "password"

# Векторная база данных
VECTOR_STORE: "Redis"  # или "Pinecone", "Qdrant", "Weaviate"
REDIS_URL: "redis://super__agi-redis-1:6379/0"

# Настройки приложения
ENV: "PROD"
ALLOW_LISTS_CREATION: "true"

# Опционально: ограничить доступ
# AUTH_SECRET_KEY: "your-random-secret"
```

**Шаг 4: Запустите стек**

```bash
docker compose up -d --build
```

Процесс сборки скачивает зависимости и компилирует фронтенд (\~5–10 минут при первом запуске).

**Шаг 5: Мониторинг запуска**

```bash
# Наблюдайте за поднятием всех сервисов
docker compose ps

# Отслеживать логи
docker compose logs -f

# Дождитесь строки "Application startup complete" в логах бэкенда
docker compose logs superagi-backend --tail 30
```

**Шаг 6: Доступ к панели**

```
http://<your-clore-server-ip>:3000
```

API доступно по адресу:

```
http://<your-clore-server-ip>:8001
```

Документация API:

```
http://<your-clore-server-ip>:8001/docs
```

***

### Метод 2: Быстрый старт с использованием предсобранных образов

Для более быстрого запуска с предсобранными образами (пропустите шаг сборки):

```bash
git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI
cp config_template.yaml config.yaml

# Отредактируйте конфиг с вашими API-ключами
nano config.yaml

# Используйте предсобранные образы, если они доступны
docker compose -f docker-compose.yaml pull
docker compose up -d
```

***

### Метод 3: Минимальная настройка с одной моделью

Упрощённая настройка для тестирования только с OpenAI:

```bash
git clone https://github.com/TransformerOptimus/SuperAGI.git
cd SuperAGI

# Создайте минимальный конфиг
cat > config.yaml << 'EOF'
OPENAI_API_KEY: "sk-your-key-here"
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "superagi_password_123"
REDIS_URL: "redis://super__agi-redis-1:6379/0"
ENV: "PROD"
EOF

docker compose up -d --build

# Отслеживайте прогресс сборки
docker compose logs superagi-frontend --tail 5 -f &
docker compose logs superagi-backend --tail 5 -f
```

***

## Конфигурация

### `config.yaml` Справка

```yaml
# ============================================================
# LLM Providers
# ============================================================
OPENAI_API_KEY: "sk-..."                    # OpenAI GPT модели
ANTHROPIC_API_KEY: "sk-ant-..."            # Claude модели

# Для локальных моделей (Ollama или API, совместимый с OpenAI)
# Установите в UI: Settings → Models → Custom Model
OPENAI_API_BASE: "http://172.17.0.1:11434/v1"  # Ollama на том же хосте
OPENAI_MODEL: "llama3.1:8b"

# ============================================================
# Database
# ============================================================
POSTGRES_DB: "super_agi"
POSTGRES_USER: "super_agi"
POSTGRES_PASSWORD: "your-strong-password"

# ============================================================
# Векторная база данных (долгосрочная память агента)
# ============================================================
VECTOR_STORE: "Redis"       # Redis (по умолчанию, встроенный)
# Или используйте внешнюю:
# VECTOR_STORE: "Pinecone"
# PINECONE_API_KEY: "your-key"
# PINECONE_ENVIRONMENT: "us-east-1-aws"

# VECTOR_STORE: "Weaviate"
# WEAVIATE_URL: "http://weaviate:8080"

# ============================================================
# API-ключи для инструментов (опционально, для конкретных инструментов)
# ============================================================
GOOGLE_API_KEY: "your-google-key"
GOOGLE_CUSTOM_SEARCH_ENGINE_ID: "your-cx-id"
GITHUB_TOKEN: "ghp_your-token"
JIRA_EMAIL: "your@email.com"
JIRA_API_TOKEN: "your-jira-token"
JIRA_SERVER_URL: "https://your-org.atlassian.net"

# ============================================================
# Хранилище
# ============================================================
STORAGE_TYPE: "File"        # Локальное файловое хранилище
# STORAGE_TYPE: "S3"        # S3-совместимое (MinIO, AWS)
# BUCKET_NAME: "superagi"
# AWS_ACCESS_KEY_ID: "..."
# AWS_SECRET_ACCESS_KEY: "..."

# ============================================================
# Безопасность
# ============================================================
JWT_SECRET_KEY: "your-random-secret-key"
```

### Подключение SuperAGI к инструментам

Инструменты настраиваются через GUI в **Settings → Toolkit**. Каждый инструмент можно включать/выключать для каждого агента.

**Встроенные инструменты:**

| Инструмент            | Назначение                     | Требуется API-ключ  |
| --------------------- | ------------------------------ | ------------------- |
| Поиск в Google        | Веб-поиск                      | Да (Google API)     |
| DuckDuckGo            | Веб-поиск                      | Нет                 |
| GitHub                | Доступ к репозиторию кода      | Да (GitHub token)   |
| Электронная почта     | Отправка/чтение писем          | Да (настройка SMTP) |
| Code Writer           | Написание и выполнение кода    | Нет                 |
| Файловый менеджер     | Чтение/запись локальных файлов | Нет                 |
| Браузер               | Безголовый веб-браузинг        | Нет                 |
| Jira                  | Отслеживание задач             | Да                  |
| Notion                | База знаний                    | Да                  |
| Генерация изображений | DALL-E 3, Stable Diffusion     | Да (ключ OpenAI)    |

### Создание вашего первого агента

Через GUI (Settings → Agents → Create Agent):

1. **Имя** — Дайте агенту описательное имя
2. **Описание** — Что делает этот агент
3. **Цели** — Перечислите цели (по одной на строку)
4. **Инструкции** — Системный промпт для поведения
5. **Модель** — Выберите LLM (GPT-4, Claude или локальную)
6. **Инструменты** — Включите соответствующие инструменты
7. **Макс. итераций** — Ограничение безопасности (обычно 10–50)

Через REST API:

```bash
# Создать агента через API
curl -X POST "http://localhost:8001/v1/agent" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Research Agent",
    "description": "Researches topics and writes summaries",
    "goal": [
      "Research the topic provided",
      "Write a comprehensive summary",
      "Save the summary to a file"
    ],
    "agent_type": "Task Queue",
    "constraints": [],
    "tools": ["DuckDuckGoSearch", "WriteFileTool", "ReadFileTool"],
    "exit_criterion": "No exit criterion",
    "max_iterations": 25,
    "user_timezone": "UTC",
    "llm_model_config": {
      "model_name": "gpt-4o-mini",
      "temperature": 0.5,
      "max_new_tokens": 2000
    }
  }'
```

***

## Ускорение с помощью GPU

SuperAGI поддерживает инференс локальных LLM через любой endpoint, совместимый с OpenAI, что делает его идеальным для развёртываний на GPU-backed Clore.ai.

### Настройка Ollama как бэкенда LLM для агентов

См. [Руководство по Ollama](/guides/guides_v2-ru/yazykovye-modeli/ollama.md) для полной настройки Ollama. Интеграция с SuperAGI:

**Шаг 1: Запустите Ollama на том же сервере Clore.ai**

```bash
docker run -d \
  --name ollama \
  --gpus all \
  --restart unless-stopped \
  -p 11434:11434 \
  -v ollama_models:/root/.ollama \
  ollama/ollama

# Скачайте подходящую модель для использования агентами (требуется хорошее рассуждение)
docker exec ollama ollama pull llama3.1:8b        # Быстро, хорошее рассуждение
docker exec ollama ollama pull mistral:7b-instruct  # Задачи с кодом
docker exec ollama ollama pull deepseek-coder:6.7b # Агенты, ориентированные на код
```

**Шаг 2: Настройте SuperAGI на использование Ollama**

В `config.yaml`:

```yaml
# Укажите на Ollama (запущенный на Docker-хосте)
OPENAI_API_BASE: "http://172.17.0.1:11434/v1"
```

Или настройте в UI SuperAGI:

* **Settings → Models → Add Custom Model**
* Провайдер: Совместимый с OpenAI
* Базовый URL: `http://172.17.0.1:11434/v1`
* API Key: `ollama` (любой текст)
* Название модели: `llama3.1:8b`

### Настройка vLLM для агентов с высокой пропускной способностью

Для продакшн-развёртываний с большим количеством параллельных агентов (см. [Руководство по vLLM](/guides/guides_v2-ru/yazykovye-modeli/vllm.md)):

```bash
# Запустите vLLM на GPU-сервере
docker run -d \
  --name vllm \
  --gpus all \
  --restart unless-stopped \
  -p 8000:8000 \
  -v hf_cache:/root/.cache/huggingface \
  -e HF_TOKEN=hf_your-token \
  vllm/vllm-openai:latest \
  --model mistralai/Mistral-7B-Instruct-v0.3 \
  --served-model-name mistral-7b \
  --max-model-len 8192 \
  --enable-prefix-caching

# В config.yaml:
# OPENAI_API_BASE: "http://172.17.0.1:8000/v1"
```

### Размер GPU для рабочих нагрузок агентов

| Случай использования   | Модель              | GPU         | VRAM  | Параллельные агенты                        |
| ---------------------- | ------------------- | ----------- | ----- | ------------------------------------------ |
| Тестирование           | GPT-4o-mini (API)   | Нет         | —     | Неограниченно (с ограничением по скорости) |
| Лёгкие агенты          | Llama 3.1 8B        | RTX 3090    | 8 ГБ  | 2–4                                        |
| Задачи с рассуждениями | Mistral 7B Instruct | RTX 3090    | 6 GB  | 3–5                                        |
| Сложные агенты         | Llama 3.1 70B Q4    | 2× RTX 3090 | 48 GB | 1–2                                        |
| Продакшн               | Llama 3.1 70B FP16  | A100 80GB   | 80 ГБ | 3–6                                        |

***

## Подсказки и лучшие практики

### Проектирование агентов

* **Формулируйте цели конкретно** — Расплывчатые цели вроде «провести исследование» заставляют агентов зациклиться. Используйте «Исследовать X и написать 500-словный обзор в файл output.txt.»
* **Устанавливайте лимиты итераций** — Всегда задавайте `max_iterations` (20–50). Неограниченные агенты могут быстро расходовать токены.
* **Используйте режим task queue** — Для многошаговых пайплайнов агенты в режиме "Task Queue" надёжнее, чем в режиме "Don't Limit".
* **Тестируйте сначала на дешёвых моделях** — Проверьте логику агента на GPT-4o-mini или локальной 7B модели перед использованием дорогих моделей.

### Управление затратами на Clore.ai

```bash
# Мониторьте использование токенов в реальном времени через панель SuperAGI
# Settings → Resources → Token Usage

# Установите организационные лимиты в config.yaml
MAX_BUDGET_TOKENS: 100000  # Мягкий лимит на сессию
```

Поскольку Clore.ai взымает плату почасово:

```bash
# Сохраните конфигурации агентов перед остановкой инстанса
docker compose exec superagi-backend \
  python -c "import json; from superagi.models import Agent; ..."

# Резервное копирование базы PostgreSQL
docker compose exec super__agi-db-1 \
  pg_dump -U super_agi super_agi | gzip > superagi-db-$(date +%Y%m%d).sql.gz

# Скопировать бэкап с сервера
scp -P <ssh-port> root@<server-ip>:~/SuperAGI/superagi-db-*.sql.gz ./
```

### Обеспечение безопасности SuperAGI

```bash
# Включите аутентификацию в config.yaml
AUTH_SECRET_KEY: "your-strong-random-secret"

# Ограничьте API локальным хостом (используйте SSH-туннели)
# Измените docker-compose.yml, чтобы убрать привязку внешних портов:
# ports:
#   - "127.0.0.1:8001:8001"  # API только локально
#   - "127.0.0.1:3000:3000"  # UI только локально

# Затем доступ через SSH-туннель:
# ssh -L 3000:localhost:3000 -L 8001:localhost:8001 root@<server-ip> -p <port>
```

### Постоянное хранилище между сессиями Clore.ai

```bash
# Создайте скрипт полного бэкапа
cat > /root/backup-superagi.sh << 'EOF'
#!/bin/bash
cd ~/SuperAGI

# Резервное копирование базы данных
docker compose exec -T super__agi-db-1 \
  pg_dump -U super_agi super_agi | \
  gzip > ~/backups/superagi-db-$(date +%Y%m%d-%H%M).sql.gz

# Резервное копирование конфига и рабочих пространств
tar -czf ~/backups/superagi-files-$(date +%Y%m%d-%H%M).tar.gz \
  config.yaml \
  workspace/ \
  .env 2>/dev/null || true

echo "Backup complete: $(ls -lh ~/backups/ | tail -2)"
EOF

chmod +x /root/backup-superagi.sh
mkdir -p ~/backups
```

### Обновление SuperAGI

```bash
cd ~/SuperAGI

# Сохраните текущий конфиг
cp config.yaml config.yaml.backup

# Получить последние изменения
git pull origin main

# Пересоберите и перезапустите
docker compose down
docker compose up -d --build

# Проверьте здоровье всех сервисов
docker compose ps
docker compose logs superagi-backend --tail 20
```

***

## Устранение неполадок

### Сборка завершилась с ошибкой во время `docker compose up --build`

```bash
# Проверьте логи сборки подробно
docker compose build superagi-backend --no-cache 2>&1 | tail -50

# Частая причина: освободите место на диске
docker system prune -f
df -h  # Убедитесь, что свободно минимум 10 ГБ

# Если npm-сборка фронтенда не удалась
docker compose build superagi-frontend --no-cache

# Проверьте использование памяти Node.js во время сборки
docker compose build superagi-frontend \
  --build-arg NODE_OPTIONS="--max-old-space-size=4096"
```

### Бэкенд падает при запуске

```bash
# Проверьте логи бэкенда
docker compose logs superagi-backend --tail 50

# Распространённые причины:
# 1. Неверный синтаксис config.yaml
python3 -c "import yaml; yaml.safe_load(open('config.yaml'))" && echo "YAML OK"

# 2. База данных не готова
docker compose restart superagi-backend  # Дождитесь запуска БД сначала

# 3. Отсутствует API-ключ
grep OPENAI_API_KEY config.yaml  # Убедитесь, что он задан и не пуст
```

### Фронтенд не загружается (порт 3000)

```bash
# Проверьте контейнер фронтенда
docker compose ps superagi-frontend
docker compose logs superagi-frontend --tail 30

# Проверьте сопоставление портов
ss -tlnp | grep 3000

# Проверьте, доступен ли бэкенд API для фронтенда
docker compose exec superagi-frontend \
  curl -s http://superagi-backend:8001/health
```

### Агенты зацикливаются бесконечно

```bash
# Проверьте логи агента в UI SuperAGI:
# Dashboard → Agent → View Logs

# Принудительно остановите работающего агента через API
curl -X POST "http://localhost:8001/v1/agent/<agent-id>/stop" \
  -H "Content-Type: application/json"

# Или остановите все агенты через БД
docker compose exec super__agi-db-1 \
  psql -U super_agi -c "UPDATE agent_executions SET status='COMPLETED' WHERE status='RUNNING';"
```

### Ошибки подключения к Redis

```bash
# Проверьте статус Redis
docker compose ps super__agi-redis-1
docker compose logs super__agi-redis-1

# Протестируйте подключение к Redis
docker compose exec superagi-backend \
  python3 -c "import redis; r=redis.from_url('redis://super__agi-redis-1:6379/0'); print(r.ping())"

# Перезапустите Redis
docker compose restart super__agi-redis-1
```

### Ollama недоступна из контейнера SuperAGI

```bash
# Найдите IP Docker-бриджа
docker network inspect bridge | grep Gateway

# Протестируйте из контейнера бэкенда
docker compose exec superagi-backend \
  curl -s http://172.17.0.1:11434/v1/models

# Если используется сетевой режим host
docker run -d --network host ...  # Не легко совместимо с docker compose

# Альтернатива: добавьте Ollama в ту же compose-сеть
# Добавьте в docker-compose.yml сервисы:
# ollama:
#   image: ollama/ollama
#   deploy:
#     resources:
#       reservations:
#         devices:
#           - driver: nvidia
#             count: all
#             capabilities: [gpu]
```

### Пул подключений к базе данных исчерпан

```bash
# Увеличьте max_connections PostgreSQL в docker-compose.yml
# Под сервисом db:
command: postgres -c max_connections=200

# Перезапустите базу данных
docker compose restart super__agi-db-1
docker compose restart superagi-backend
```

***

## Дополнительное чтение

* [Документация SuperAGI](https://superagi.com/docs) — официальные руководства, справочник API
* [SuperAGI на GitHub](https://github.com/TransformerOptimus/SuperAGI) — исходный код, issues, сообщество
* [Запуск Ollama на Clore.ai](/guides/guides_v2-ru/yazykovye-modeli/ollama.md) — локальный LLM-бэкенд для агентов
* [Запуск vLLM на Clore.ai](/guides/guides_v2-ru/yazykovye-modeli/vllm.md) — высокопроизводительная инференция для параллельных агентов
* [Руководство по сравнению GPU](/guides/guides_v2-ru/nachalo-raboty/gpu-comparison.md) — выбор подходящего тарифа Clore.ai
* [Маркетплейс инструментов SuperAGI](https://superagi.com/marketplace/) — инструменты агентов, созданные сообществом
* [Discord SuperAGI](https://discord.gg/dXbRe5BHJC) — поддержка сообщества и обсуждения
* [Документация FastAPI (API SuperAGI)](http://localhost:8001/docs) — интерактивная документация API на вашем инстансе


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-ru/ai-platformy-i-agenty/superagi.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.