Что такое ИИ-агент

ИИ агент - программа на основе большой языковой модели, которая получает задачу, сама планирует шаги и выполняет действия во внешних системах: ищет данные, заполняет CRM, готовит письма, создает заявки. Чат-бот отвечает на вопрос, агент доводит задачу до результата. Для бизнеса это способ снять с сотрудников рутину из десятков однотипных операций в разных системах. Работает это там, где понятна цена ошибки и есть контроль: без прав доступа, журнала действий и проверки человеком агент быстро создает больше проблем, чем решает.

Что такое ИИ-агент простыми словами

Представьте нового сотрудника с доступом к почте, CRM и таблице с остатками. Вы пишете ему: найди клиентов, которые не платили больше месяца, и подготовь каждому письмо. Он сам решает, что открыть сначала, что проверить, в каком порядке действовать, и возвращается с готовым результатом. ИИ-агент устроен так же, только вместо сотрудника работает языковая модель.

Из чего состоит агент:

• модель LLM (большая языковая модель, то есть нейросеть, обученная на огромном объеме текстов) - она понимает задачу и принимает решения;
• инструкция: роль агента, правила, ограничения, формат результата;
• инструменты агента - функции, через которые он действует: поиск, запрос к базе данных, вызов API внешнего сервиса, отправка письма;
• память: история текущей задачи и, если нужно, долгосрочные заметки о клиенте или проекте;
• база знаний: документы компании, из которых агент берет факты.

Сама модель умеет только генерировать текст. Агентом ее делают инструменты и цикл, в котором модель видит результат своего действия и решает, что делать дальше. Поэтому в чате модель отвечает на вопросы, а агент способен выполнять задачи из десятка шагов в нескольких системах.

Как работает ИИ-агент

Агент работает по циклу, который повторяется, пока задача не решена:

1. Агент получает запрос пользователя или событие из системы: новое письмо, заявку, строку в таблице.
2. Модель разбирает задачу и планирует последовательность действий.
3. Выбирает нужный инструмент и формирует вызов, например запрос к CRM с номером клиента.
4. Программа вокруг модели выполняет действие и возвращает результат.
5. Модель смотрит на результат и решает, какой следующий шаг: вызвать другой инструмент, уточнить у человека или выдать ответ.

Главная техническая деталь - вызов функций (function calling). Разработчик описывает инструменты: название, назначение, параметры. Модель не лезет в системы сама, она возвращает структурированную заявку вида: вызови функцию поиска заказа с номером 1234. Код проверяет заявку, выполняет ее и отдает ответ модели. Так агент выполняет действия, а разработчик контролирует, что именно ему разрешено.

Вторая деталь - внешние источники знаний. Модель знает мир на дату обучения и ничего не знает о вашей компании. Чтобы агент отвечал по делу, ему подключают базу знаний: регламенты, прайс, описания товаров. Перед ответом агент ищет в ней подходящие фрагменты и опирается на них. Такой подход называют RAG (поиск по документам плюс генерация ответа на их основе).

Третья - обратная связь. В хорошем агенте есть точки, где человек подтверждает действие: перед отправкой письма клиенту, перед изменением суммы в счете. Отметки сотрудников (верно или неверно) собирают, и по ним правят инструкции и набор инструментов.

ИИ ассистенты, чат-боты и агенты: в чем разница

Три понятия часто смешивают, хотя за ними разный уровень самостоятельности.

ИИ ассистенты помогают человеку: пишут черновик письма, пересказывают документ, отвечают на вопросы по базе знаний. Решение и действие остаются за сотрудником. Агент отличается тем, что действует сам: заводит сделку, меняет статус, отправляет уведомление. Граница условная, многие продукты сочетают оба режима. Для бизнеса разница принципиальна: у агента появляется право менять данные, значит, нужны права доступа, журнал действий и проверки.

Классический чат-бот без искусственного интеллекта по-прежнему полезен там, где сценарий короткий и ошибка недопустима: запись на прием, статус заказа, выдача документа. Добавлять модель туда, где хватает кнопок, значит платить за запросы и получать менее предсказуемое поведение.

Какие задачи ИИ-агенты решают в бизнесе

Агент окупается там, где сотрудник тратит время на однотипные операции в нескольких системах. Примеры конкретных задач:

• Продажи: разбирает входящие заявки, находит компанию в базе, заполняет карточку в CRM, готовит персональное первое письмо, ставит менеджеру задачу на звонок.
• Поддержка: отвечает клиенту по базе знаний, проверяет статус заказа в учетной системе, оформляет возврат по правилам и передает человеку спорные случаи.
• Бэк-офис: сверяет счета с договорами, находит расхождения, собирает отчет.
• Логистика: следит за статусами доставок и при задержке сам уведомляет клиента и менеджера.
• Внутренние сервисы: отвечает сотрудникам на вопросы по регламентам, заводит заявки в службу поддержки.
• Разработка: пишет и проверяет код, запускает тесты, готовит изменения на ревью.

Хороший первый проект - задача с понятным результатом и заметной нагрузкой. Например, разбор писем, которые приходят на общий ящик. Агент определяет тип обращения, достает из базы данных историю клиента, готовит черновик ответа, а сотрудник только подтверждает отправку. Такой рабочий процесс легко оценить: видно, сколько черновиков ушли без правок.

Где агент не нужен: если процесс укладывается в жесткое правило (сумма больше порога - отправить на согласование), обычная автоматизация дешевле, быстрее и надежнее. Агент оправдан, когда входные данные каждый раз разные и нужно решение, а не правило.

Топ ИИ агентов: какие бывают

Рейтинги агентов устаревают за несколько месяцев, поэтому полезнее знать категории и типичных представителей. Список ниже не рейтинг, а карта: какие агенты есть и для чего они подходят.

• Агенты внутри чат-сервисов. В ChatGPT есть режим агента, который сам работает с браузером и файлами. Похожие возможности развивают и другие сервисы на основе больших языковых моделей, в том числе российские. Подходят для личных задач сотрудника, но плохо встраиваются в процессы компании.
• Агенты для программирования: Claude Code, GitHub Copilot, Cursor. Пишут и правят код в репозитории, запускают тесты.
• Платформы для сборки агентов без кода: n8n, Yandex AI Studio и похожие studio-платформы облачных провайдеров. Агента собирают из блоков: модель, инструкция, инструменты, база знаний.
• Фреймворки для разработчиков: LangGraph, CrewAI, OpenAI Agents SDK и другие. Дают полный контроль над логикой, памятью и инструментами и требуют программиста.
• Агенты, встроенные в корпоративные продукты: CRM, службы поддержки, офисные пакеты. Работают внутри своего продукта и с его данными.

Выбор зависит от задачи. Сотруднику, который хочет ускорить свою работу, хватит агента в чат-сервисе. Отделу с повторяющимся процессом подойдет платформа без кода. Если агент должен работать с внутренними системами и персональными данными клиентов и отвечать за действия, его разрабатывают под компанию.

Создание ИИ агента с нуля

Под созданием с нуля обычно понимают сборку агента вокруг готовой модели в собственном коде, а не обучение своей модели. Обучать модель под агента почти никогда не нужно: хватает хорошей инструкции, инструментов и базы знаний.

Что проектируют:

1. Модель. Языковая модель LLM выбирается по качеству на ваших задачах, цене запроса, скорости и месту обработки данных. Для персональных данных важно, где стоит модель: у зарубежного провайдера, в российском облаке или на своем сервере.
2. Инструменты. Каждый инструмент - функция с понятным описанием: найти клиента, создать сделку, получить статус заказа. Чем точнее описание, тем реже модель ошибается с выбором.
3. Права. Агенту нужен минимальный набор доступов: читать можно многое, менять - только то, что требуется для задачи. Опасные действия идут через подтверждение человеком.
4. База знаний. Документы режут на фрагменты, индексируют и подключают поиск. Качество ответов агента в первую очередь зависит от качества этих документов.
5. Оркестрация. Код, который ведет цикл: передает модели контекст, выполняет вызовы, ограничивает число шагов и время, обрабатывает ошибки внешних сервисов.
6. Журнал и оценка. Каждое решение и действие агента пишется в лог. Набор тестовых задач с эталонными ответами прогоняют после каждого изменения инструкции или модели.

Отдельно продумывают, где агент живет. Для внутренних процессов это сервер компании с доступом к ее системам. Для клиентов агент подключают к каналам общения: сайту, мессенджерам, почте, мобильному приложению.

Как создавать ИИ агентов?

Процесс, по которому мы делаем агентов для заказчиков:

1. Выбор процесса. Ищем задачу с понятным входом и результатом, где ошибку можно исправить. Заказчик рассказывает, как задачу решают сейчас, и дает примеры реальных случаев.
2. Разбор на шаги. Описываем, какие решения принимает сотрудник и какие системы открывает. Из этого получается список инструментов.
3. Прототип. Собираем агента на тестовых данных и прогоняем на реальных примерах заказчика.
4. Оценка. Сравниваем результаты агента с тем, как задачу решили люди, фиксируем типичные ошибки.
5. Пилот. Агент работает на части потока, человек подтверждает его действия.
6. Расширение. По мере того как ошибок становится меньше, снимаем подтверждения там, где риск низкий.

Решение задачи агентом редко получается точным с первой версии. Большая часть работы уходит на итерации по реальным данным: уточнить инструкцию, переписать описание инструмента, добавить документ в базу знаний, запретить действие, которое модель выбирает не к месту.

Как создать своего ИИ агента?

Как создать ИИ агента, зависит от того, кто будет им пользоваться и к каким данным он получит доступ. Есть три пути.

• Личный агент в чат-сервисе. Собирается быстро и без программирования: инструкция, файлы, пара подключенных сервисов. Подходит для одного человека или небольшой команды, данные при этом уходят провайдеру сервиса.
• Платформа без кода. Визуальный конструктор рабочих процессов, где агент - один из блоков. Почту, таблицы и CRM подключают через готовые интеграции или HTTP-запросы. Нужен человек, который разберется в логике, но не обязательно программист.
• Разработка. Агент пишется кодом на фреймворке или напрямую через API модели, живет на серверах компании, имеет свои права доступа, журнал и тесты. Подходит для процессов, от которых зависят деньги и клиенты.

Частая ошибка - начинать с выбора модели или платформы. Начинать нужно с задачи: что агент делает, откуда берет данные, что ему запрещено, как понять, что он справился. Когда ответы на эти вопросы записаны, выбрать инструмент уже несложно.

Если агент должен работать с CRM, учетной системой и персональными данными клиентов, заказная разработка ИИ агентов обычно выходит надежнее самостоятельной сборки: права, журнал действий и хранение данных по 152-ФЗ закладываются с первого дня. Ориентир по бюджету можно получить в калькуляторе, точную оценку даем после брифа.

Как создать ИИ агента в GPT?

В ChatGPT есть два уровня. Первый - GPTs, собственные версии ChatGPT. В разделе GPTs выбирают создание нового, дальше в конструкторе задают инструкцию, загружают файлы для базы знаний, включают нужные возможности (поиск в интернете, работа с кодом, генерация изображений) и при необходимости подключают действия - вызовы внешнего API по описанию в формате OpenAPI. Такой GPT подходит как ассистент по документам компании или помощник для типовых задач.

Второй уровень - API. Разработчик вызывает модель из своего кода, описывает инструменты, а для сложной логики берет OpenAI Agents SDK. Так собирают агентов, которые работают в фоне, реагируют на события и встраиваются в продукт.

У российских компаний здесь два ограничения. Оплата и доступ к сервисам OpenAI из России затруднены. А передавать персональные данные клиентов зарубежному провайдеру без правовых оснований нельзя. Поэтому для рабочих процессов часто берут российские модели или открытые модели на своих серверах.

Как создать ИИ агента в дипсик?

В самом чате DeepSeek на момент подготовки статьи конструктора агентов нет: это ассистент для диалога. Агента на DeepSeek собирают одним из трех способов.

1. Через API. Ключ получают в кабинете разработчика DeepSeek. API совместим по формату с OpenAI, поэтому подходят те же библиотеки и фреймворки. Модель поддерживает вызов функций: вы описываете инструменты, модель выбирает нужный и возвращает параметры, код выполняет действие. Данные при этом уходят на серверы провайдера за рубежом.
2. Через платформу без кода. В n8n и похожих сервисах DeepSeek подключается как модель для блока агента, а инструменты и данные берутся из готовых интеграций.
3. На своих серверах. Веса моделей DeepSeek опубликованы в открытом доступе, их можно развернуть внутри компании. Данные тогда не покидают ваш контур, но для полноразмерной модели нужны мощные серверы с GPU. Для простых задач хватает уменьшенных версий.

Собственное размещение модели - хороший вариант, когда агент работает с чувствительными данными. Для остальных задач проще начать с API на обезличенных данных и перейти на свои серверы, когда станут понятны нагрузка и требования к безопасности.

Риски и ограничения: что проверить до запуска

Агент ошибается иначе, чем обычная программа. Код либо работает, либо падает с ошибкой, а модель может уверенно выдать неверный ответ или выбрать не тот инструмент. Отсюда правила, которые мы закладываем в каждый проект:

• опасные действия (оплата, удаление, отправка клиенту) проходят через подтверждение человеком, пока статистика не покажет, что агенту можно доверять;
• агенту дают минимум прав и отдельную служебную учетную запись в каждой системе;
• текст из писем и документов не может менять инструкции агента: так защищаются от prompt injection (попытки подсунуть модели команду внутри обрабатываемых данных);
• у каждой задачи есть лимит шагов и расходов на запросы к модели;
• все действия пишутся в журнал, который читают люди.

Когда эти правила соблюдены, агент берет на себя рутину и не создает новых рисков. Когда нет, одна неудачная инструкция может стоить дороже всей экономии на автоматизации.