«Агент» — сейчас самое перегруженное значениями слово в софте. Поставщики называют так и чат-ботов, и запланированные скрипты, и вообще что угодно, к чему прицеплен ключ API. Но под всем этим шумом скрывается настоящий паттерн, который стоит освоить. Если вы хотите создать ИИ-агента в этом году, первая задача — отделить этот паттерн от маркетинга, отчасти потому, что немалую долю «агентских» проектов, которые люди набрасывают, лучше было бы построить как простые автоматизации — за один день и за долю стоимости.
Это руководство делает три вещи. Оно определяет, что такое агент на самом деле, одной фразой, которую можно повторно использовать на планёрке. Оно излагает три пути построения под ваши навыки: платформы без кода, фреймворки для разработчиков и честный третий вариант — вообще не строить агента. И оно проходит один конкретный пример, агента для сортировки входящих, от цели до ограничителей.
Ничего из этого не требует подготовки в машинном обучении. Всё это требует ясного понимания того, что вы хотите, чтобы эта штука делала.
Что такое ИИ-агент на самом деле
Сорвите брендинг — и агент окажется тремя частями, работающими в цикле:
- Модель, которая решает, что делать дальше
- Набор инструментов, которые ей разрешено вызывать: искать в базе данных, читать письмо, ставить метку, набрасывать сообщение
- Цель с условием остановки, чтобы цикл знал, когда он завершён
Агент — это цикл: модель, которая решает, инструменты, которые действуют, и цель, которая говорит, когда остановиться.
Именно цикл — та часть, что имеет значение. Чат-бот отвечает на сообщение и ждёт. Рабочий процесс каждый раз выполняет одни и те же фиксированные шаги. Агент же считывает ситуацию, выбирает инструмент, смотрит на результат и решает снова, повторяя это, пока цель не будет достигнута или не иссякнет бюджет. Эта точка принятия решения в середине цикла и есть всё различие между агентом и всем прочим, что продают под этим именем.
Это же даёт вам чистый тест для вашего собственного проекта. Если вы можете нарисовать каждый шаг в виде блок-схемы ещё до того, как что-либо запустится, вам не нужен агент — вам нужен рабочий процесс, то есть путь три ниже, и тут нечего стесняться. Агенты оправдывают свою сложность лишь тогда, когда следующий шаг по-настоящему зависит от того, что всплыло на предыдущем.
Три способа создать ИИ-агента
Какой путь вы выберете, зависит не столько от амбиций, сколько от того, кто строит и какую форму имеет задача. Каталог ToolPotion перечисляет 700 инструментов для создания ИИ-агентов. Смысл этих трёх путей в том, что вам никогда не должно требоваться оценивать больше, чем горстку из них.
Путь 1: платформы для агентов без кода
Это маршрут для того, кто владеет процессом (руководитель поддержки, менеджер по операциям, продакт-менеджер), а не для того, кто пишет код.
Microsoft Copilot Studio позволяет создавать агентов, которые подключаются к данным вашего бизнеса, отвечают на запросы на естественном языке и развёртываются в приложениях Microsoft 365 или на сайте. Если ваша компания уже работает на Microsoft, это кратчайшее расстояние от идеи до развёрнутого агента: доступ к модели, подключения к данным и каналы уже там, где работают ваши коллеги. Чем дальше ваш стек отстоит от Microsoft, тем меньше он себя окупает.
Voiceflow подходит к задаче со стороны диалога: вы визуально проектируете потоки чат- и голосовых агентов, запускаете их по разным каналам и итерируете на реальных стенограммах. Он отлично подходит для клиентских агентов поддержки. И он неверной формы, если ваш агент никогда не разговаривает с человеком.
Общий компромисс на этом пути: вы арендуете цикл. Когда агент ведёт себя плохо, отладка означает клики по интерфейсу поставщика, а не чтение собственных логов, а переход позже на другую платформу означает пересборку. Будьте честны и в том, строите ли вы вообще агента: многие проекты на этом уровне на самом деле чат-боты, и если ваш из таких, то каталог инструментов для создания чат-ботов — более подходящее место для покупок.
Путь 2: фреймворки и код, для разработчиков
Разработчики получают больше контроля и больше домашней работы. Цикл вы пишете сами: выбираете модель, определяете каждый инструмент как функцию, выражаете цель в системном промпте и задаёте жёсткие лимиты на итерации и расходы.
Выбор модели здесь важнее, чем где бы то ни было ещё. Claude Opus создан именно для этой работы: рассуждающая модель, спроектированная под программирование и агентов, с контекстным окном в 1 миллион токенов, способным удерживать контекст размером с целый почтовый ящик или кодовую базу на протяжении долгой задачи. Оговорка — дисциплина расходов: передовая модель на каждом витке цикла набегает, поэтому направляйте дешёвые шаги (классификацию, форматирование) на модели поменьше, а большую берегите для решений.
Для первой сборки узкий фреймворк побеждает универсальный. Vanna 2.0 — хороший пример: фреймворк с открытым исходным кодом для агентов, которые запрашивают корпоративные базы данных на обычном языке, с поддержкой множества провайдеров LLM и баз данных, а также с контролем доступа и памятью агента для промышленной эксплуатации. Если ваш первый агент — это «отвечать на вопросы по нашим данным», то большая часть каркаса уже написана. Как и с любым фреймворком с открытым кодом, развёртывание и сопровождение — на вас.
Больше вариантов, от библиотек оркестрации до наборов для оценки, живут в каталоге ИИ-фреймворков.
Путь 3: вам не нужен агент — вам нужен рабочий процесс
Это самый частый честный исход теста с блок-схемой, и он заслуживает того, чтобы к нему относились как к настоящему пути, а не как к утешительному призу.
Если шаги известны, инструмент рабочих процессов с одним модельным шагом для нечёткой части даёт вам большую часть ценности без всякой непредсказуемости цикла. Zapier строит ИИ-процессы и агентов более чем в 9 000 приложений, с ограничителями и контролем доступа для команд, хотя его модель оплаты за задачу начинает щипать, как только растут объёмы. Make даёт вам визуальный холст с перетаскиванием, 3 000+ интеграций и бесплатный тариф для прототипирования. Крупные сценарии имеют обыкновение превращаться на этом холсте в спагетти. n8n лучше всего подходит техническим командам (код там, где он нужен, без кода там, где не нужен, и его можно развернуть у себя), но он рассчитывает, что в команде есть кто-то, кому не в тягость читать JSON.
Рабочий процесс с одним хорошо составленным шагом LLM — не агент второго сорта. Это верный инструмент, законченный раньше, и он даёт сбои так, как вы можете предсказать.
| Путь | Лучше всего для | Время на запуск | Подвох |
|---|---|---|---|
| Платформа для агентов без кода | Владельцы процессов без инженеров | Дни | Арендованный цикл: непрозрачная отладка, привязка к поставщику |
| Фреймворк и код | Разработчики | Неделя-другая | Оценки, мониторинг и сопровождение — на вас |
| Рабочий процесс плюс один шаг LLM | Любой, у кого есть определённый процесс | Часы | Не справится с открытыми задачами |
Разобранный пример: агент для сортировки входящих
Скажем, вы ведёте общий ящик поддержки, и цель такова: каждое входящее сообщение получает метку по типу и срочности, направляется нужному ответственному и там, где это безопасно, снабжается черновиком ответа. Вот как это выглядит в виде агента, на каком бы пути вы его ни строили.
- Цель, записанная на бумаге. «Сортируй каждое новое сообщение; остановись, когда оно помечено, назначено и либо снабжено черновиком, либо эскалировано». Условие остановки — не украшение: именно оно не даёт циклу забрести неизвестно куда.
- Инструменты. Прочитать сообщение. Поискать по прошлым перепискам и CRM по этому отправителю. Поставить метку. Назначить ответственного. Набросать ответ. Обратите внимание, чего не хватает: отправить. Это сделано намеренно.
- Цикл на одном сообщении. Приходит запрос на возврат. Модель читает его, ищет в истории клиента, находит годовую подписку и жалобу от марта, помечает как биллинг/высокий приоритет, назначает ответственному за биллинг, набрасывает ответ со ссылкой на прежнюю жалобу и останавливается.
- Ограничители. Потолок на число итераций цикла, потолок расходов на сообщение и метка «эскалировать человеку», которую агент обязан использовать всякий раз, когда не уверен.
Теперь честная часть. Большая часть этого конвейера — не агент. Расстановка меток и маршрутизация — это классификатор плюс правила, привычная территория для Make или n8n. Цикл окупается только на третьем шаге, где результаты поиска решают, что должен сказать черновик. Если такое составление ответа с учётом контекста для вас не ценно, соберите версию на рабочем процессе и закончите к пятнице.
И проверьте сторону покупки, прежде чем вообще что-то строить. Для личного ящика Shortwave уже упорядочивает, набрасывает, ищет и планирует почту по простым запросам. Строить своё имеет смысл только для общего ящика с правилами маршрутизации, которые не мог бы знать ни один готовый продукт. Двадцать минут в каталоге 553 готовых ИИ-агентов — дешёвый способ выяснить, существует ли ваш агент уже.
Когда это ломается и как вы об этом узнаете
Агенты дают сбой вежливо. Нет никакой трассировки стека, когда модель ставит неправильную метку или уверенно набрасывает чепуху: цикл завершается, рапортует об успехе, а ущерб всплывает днями позже в озадаченной переписке с клиентом.
Вот почему наблюдаемость — часть сборки, а не довесок на потом. LangSmith записывает трассу каждого шага, который делает агент, отмечает сбои и отслеживает стоимость и задержку, с SDK для Python, TypeScript, Go и Java. Он работает независимо от того, используете ли вы его родственные фреймворки. Langfuse — его аналог с открытым кодом, объединяющий трассировку, управление промптами и оценку, и его можно развернуть у себя. Любой из двух — это ещё один кусок инфраструктуры, который нужно эксплуатировать или оплачивать. Гонять агента вслепую надёжно обходится дороже.
Тогда ваша первая неделя выглядит так: напишите фразу цели с её условием остановки, перечислите инструменты, которых агенту дозволено касаться, проведите тест с блок-схемой и выберите путь, на который он указывает. Сборка — это лёгкая половина. Заслужить достаточно доверия, чтобы убрать человека из цикла, — вот в чём проект.
Часто задаваемые вопросы
Могу ли я создать ИИ-агента без программирования?
Да. Платформы вроде Microsoft Copilot Studio и Voiceflow позволяют определить цель агента, его подключения к данным и каналы через визуальный интерфейс. Впрочем, без кода не значит без работы: вам всё равно нужно задать цель, выбрать инструменты, поставить ограничители и просматривать стенограммы, так что рассчитывайте на настройку и тестирование, измеряемые в днях.
В чём разница между ИИ-агентом и чат-ботом?
Чат-бот отвечает на сообщение и ждёт следующего. Агент движется к цели, вызывая инструменты в цикле и сам решая свой следующий шаг на основе того, что вернул предыдущий. Немало продуктов, продаваемых как агенты, — это чат-боты с одним прицепленным вызовом API. Проверка в том, выбирает ли система своё следующее действие сама.
Нужны ли мне навыки машинного обучения, чтобы создать ИИ-агента?
Нет. Вы вызываете модели через API или платформы, а не обучаете их. Чёткое определение процесса, приличные промпты и знание собственных данных и инструментов значат для первого агента куда больше, чем теория машинного обучения.
Сколько времени занимает создание первого ИИ-агента?
Рабочий процесс с одним шагом LLM может заработать в тот же день. Агент на платформе без кода обычно требует дней настройки и тестирования. Написанный в коде прототип на фреймворке занимает неделю-другую. Длинный хвост во всех случаях — это доверие: оценить вывод и подтянуть ограничители, прежде чем убрать проверку человеком, обычно занимает больше времени, чем сама сборка.