В статье рассматривается эволюция архитектур интеллектуальных агентов – от ранних реактивных систем и BDI-подходов до современных решений, базирующихся на больших языковых моделях (LLM). Показано, что переломным моментом стало появление LLM, которые наделили агентов способностью к пониманию естественного языка, сложным рассуждениям и адаптации без перепрограммирования. В отличие от классических архитектур, где поведение жёстко задавалось правилами, LLM-ориентированные агенты способны динамически формировать подцели, выстраивать многошаговые планы и подключать внешние инструменты. В работе приводится систематизация современных фреймворков разработки (LangGraph, CrewAI, AutoGen, LlamaIndex, Manus), корпоративных платформ (Agentforce, Copilot Studio, watsonx Orchestrate, Google Agent Builder) и ключевых технических возможностей агентов (рассуждение, планирование, вызов инструментов, память, мультимодальность, обучение на обратной связи). Особое внимание уделено переходу от жёстко запрограммированных систем к автономным сущностям, способным действовать в нестабильных средах. На основе сравнительного анализа обосновывается, что выбор конкретного инструментария зависит от характера решаемой задачи: для сложной координации множества агентов предпочтителен AutoGen, для быстрого прототипирования – CrewAI, для тонкого контроля графов выполнения – LangGraph. Практическая значимость работы связана с выработкой рекомендаций по выбору архитектурных решений при проектировании агентных систем. Перспективы дальнейших исследований включают разработку методов верификации автономных агентов и создание интерпретируемых архитектур (XAI).