Сколько обсуждений вокруг ИИ-агентов, а у большинства до сих пор нет рабочего. Всех пугает сложность, хотя собрать своего агента можно за один вечер. Сейчас покажу на живом примере, как делать ИИ-агента, что ему дать и где взять модели. Поехали.
Чем агент отличается от обычного чата
Обычный чат с нейросетью работает просто: вы спросили, он ответил. Агент работает иначе. Он не просто выдаёт текст, а может сходить во внешний сервис: в календарь, таблицу, CRM или API. Представьте, что спрашиваете, что приготовить из риса и курицы. Обычный чат вытащит рецепт из памяти модели. Агент выделит ингредиенты, выберет основной продукт, обратится к базе рецептов TheMealDB и только потом предложит блюдо на русском. Разница колоссальная.
Агент - это языковая модель с инструментами. У него есть доступ к действиям. Он может спланировать шаги, выполнить их и вернуть результат. Для меня агент похож на маленького сотрудника. Хочешь собирать авиабилеты каждое утро, настраиваешь и он приносит свежие цены. Хочешь парсить страницы, он складывает данные в таблицу или JSON. Экономит часы ручной работы.
Как устроен ИИ-агент изнутри
Любой агент, даже самый простой, работает по циклу: планирование, действие, наблюдение. Сначала он получает задачу и разбивает её на шаги. Потом выбирает инструмент из доступных и вызывает его. Затем смотрит на результат и решает, что делать дальше. Если ответ готов, завершает цикл.
В моём агенте для TheMealDB это выглядит так. Шаг 1: пользователь пишет «курица и рис». Шаг 2: агент вызывает модель, чтобы она выделила ингредиенты. Шаг 3: агент идёт в API с ключевым словом. Шаг 4: получает рецепты, переводит, отправляет. Это и есть архетип агента.
Понимание цикла помогает, когда агент ошибается. Обычно проблема в одном из шагов: модель не поняла, какой инструмент выбрать, инструмент вернул пустой ответ, а агент не смог это обработать. Лучший способ отладить агента: добавить логирование каждого шага.
Что нужно для создания агента
Не нужен суперкомпьютер. Первый агент запускается локально, на ноутбуке. Возьмём простую задачу: рекомендация блюд. Пользователь пишет, какие продукты есть дома, а агент советует рецепт. Для этого понадобятся Python, редактор Cursor, библиотека requests, DeepSeek API и открытая база рецептов TheMealDB. Всё это бесплатно или почти бесплатно.
Проект работает локально, без сервера, домена и сложной облачной настройки. Если вы умеете ставить Python и открывать терминал, этого хватит. Если не умеете, всё равно читайте дальше: ближе к концу покажу готовое решение без кода.
Делаем агента на Python: рекомендатель блюд
Начнём с логики. Скрипт принимает строку от пользователя, например «курица и рис». Передаём её в DeepSeek API с системным промптом: просим выделить ингредиенты и выбрать главный продукт. Модель возвращает JSON. Из JSON берём основной продукт, например chicken, и делаем запрос к TheMealDB. Получаем список рецептов, отдаём их обратно в DeepSeek на перевод и адаптацию. Всё, агент готов.
import requests
def get_recipe(ingredient):
url = f"https://www.themealdb.com/api/json/v1/1/filter.php?i={ingredient}"
response = requests.get(url)
return response.json()Код занимает меньше сотни строк. Установите requests, создайте файл assistant.py, вставьте ключ API. Сначала напишите простой вызов модели, проверьте, что ответ приходит. Потом добавьте функцию запроса к TheMealDB. Двигайтесь шагами, не пытайтесь всё сразу.
Дальше можно добавить память. Пусть агент запоминает, что вы любите острое. Для этого храните историю диалога и передавайте её в запрос. Это простой, но полезный upgrade.
Для таких экспериментов не обязательно покупать дорогие зарубежные ключи. Я пользуюсь российским сервисом 3GPT, там есть и DeepSeek, и ChatGPT, и Claude. О нём расскажу ниже, а пока продолжаем.
Добавляем знания из своих документов
Каждый агент хорош настолько, насколько хороши его знания. Модель знает общий мир, но не знает ваши внутренние регламенты. Решение: загрузите документы в векторную базу и дайте агенту инструмент поиска.
На практике это так: берёте PDF или markdown, режете на фрагменты по 1000 символов. Отправляете их в embedding-модель, сохраняете в Milvus или Chroma. Теперь в запросе агента добавляете шаг: «найди в базе знаний ответ». Агент делает поиск, получает релевантный кусок и отвечает на основе него.
Это называется RAG. Не пугайтесь аббревиатуры, суть простая. С таким подходом агент может работать с вашими договорами, инструкциями, ценами. И не будет выдумывать.
Как подключить память и инструменты в n8n
Для тех, кто не дружит с Python, есть n8n. Это платформа для автоматизации. Открываете обзорную страницу, жмёте «Начать с нуля», добавляете триггер. В качестве триггера выбираете «Chat message». Дальше добавляете узел AI Agent, подключаете модель и вставляете API-ключ. Затем открываете чат, отправляете «привет» и проверяете ответ.
Чтобы агент стал умнее, добавьте модуль памяти. Простой узел, который сохраняет контекст. После этого добавьте инструмент, например Википедию или свой API. Всё, агент может искать свежую информацию, а не только то, что зашито в модель. Я так собрал помощника по документации проекта: он сам находит нужные куски текста и отвечает с ссылкой на источник.
No-code агенты через Make
Тем, кому ближе визуальное мышление, подойдёт Make. Это no-code платформа, где вы собираете сценарии из блоков. Make соединяет мессенджеры, языковые модели и CRM. Например, агент получил сообщение в Telegram, проверил его, записал данные в CRM и ответил пользователю. Всё в одном сценарии, никакого кода.
Я через Make настроил сбор заявок с сайта. Агент присылает клиенту приветствие, уточняет детали, отправляет карточку в Notion. Заниматься этим руками раньше было в разы дольше. Для бизнес-задач такие связки сейчас основной тренд.
Единственный минус Make: сложнее отлаживать ошибки. Если сценарий большой, тяжело понять, где именно что-то сломалось. Поэтому для сложных логик лучше Python, для быстрых связок лучше Make.
Куда внедрять агентов: бизнес-кейсы
Агенты - это не только про рецепты. Цифры не из головы: на Reddit практикующие маркетологи делятся кейсами, где правильно внедрённые ИИ-агенты снимают до 78% нагрузки с команд. Я сначала не верил в такие цифры, но когда поставил агента в поддержку, он начал закрывать типовые запросы: возвраты, промокоды, статусы заказов. Команде осталась только сложная первая линия, и то частично.
Скорость решения проблем тоже впечатляет: до 14 секунд. Человек тратит минуты, агент отвечает мгновенно. На больших объёмах это дни экономии за месяц.
Главное правило: один агент, одна задача. Не впихивайте всё в одного. Пусть один работает только с договорами, другой только с медицинскими документами, третий только с записью на приём. Узкая специализация повышает точность.
Агенты отлично справляются со сбором и структурированием данных. Например, я настроил сборщик цен на авиабилеты. Каждое утро он присылает мне в Telegram самые дешёвые варианты по маршруту. Это простой скрипт, но пользы на месяц.
Как защититься от галлюцинаций
Главный страх при работе с агентами - галлюцинации. В обсуждениях на Reddit разработчики часто жалуются на выдуманные ответы модели. Полностью убрать их нельзя, но снизить риск реально.
Первое, делите задачу на маленькие шаги. Когда агент делает несколько действий, он меньше ошибается на каждом. Второе, проверяйте промпты. Чем чётче написано, что и в каком формате нужно вернуть, тем лучше. Третье, используйте Guardrails: правила, ограничивающие поведение агента. Например, запрет на вымышленные цитаты или строгий JSON на выходе.
И обязательно ограничьте доступ к данным. Агент должен видеть только те поля, которые нужны для задачи. Это не только про безопасность, но и про качество ответов: меньше лишних данных, меньше вариаций.
Три ошибки, которые я совершил на старте
Первая ошибка: пытался сделать универсального агента. Он должен был и заявки обрабатывать, и контент писать, и в CRM смотреть. Итог: агент путался, забывал, к какому инструменту идти. Решил проблему, разбив на трёх узких агентов.
Вторая ошибка: пропускал тесты на реальных запросах. Написал код, запустил, вроде работает. А через неделю выяснилось, что пользователь пишет сокращениями, и агент их не понимает. Короткие тесты не показывают полную картину.
Третья ошибка: экономил на модели. Сначала поставил самую дешёвую модель. Агент на ней отвечал медленно и не всегда корректно. Перешёл на флагманскую модель через 3GPT, и качество выросло в разы. Экономия на модели это не экономия, а потеря времени.
Где взять мощные нейросети для агента в России
Теперь о главном - о моделях. Можно собрать красивый код, но если модель слабая, агент будет похож на студента с плохой шпаргалкой. Для нормальной работы с инструментами нужны флагманские модели: свежие ChatGPT и Claude. Именно они лучше всего понимают, когда и какой инструмент вызвать.
В России с этим сложность: официально ChatGPT и Claude не работают, нужны иностранные карты, VPN, постоянные обходы. Мучался сам, пока не нашёл 3GPT от 3SELLER. Это ИИ-роутер, который даёт прямой доступ из России к последним флагманским моделям без иностранных карт. Баланс пополняется российской картой, через СБП или криптой.
Стоимость всего от 149 рублей. Получаете доступ к Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol. Плюс Nano Banana для изображений, генерация видео и создание голоса. Всё в одном месте, без сложностей.
Подключиться можно на официальном сайте: https://3seller.com/3gpt
Используйте 3GPT для повседневных задач в бизнесе и в работе. Создавайте продающие тексты, сайты, обрабатывайте изображения. Агент на такой модели будет работать на порядок точнее, чем на дешёвой локальной.
Готовые агенты для старта без кода
Если нет времени даже на Make, возьмите готовых агентов от 3GPT. В библиотеке на https://3seller.com/ai/agents есть предсобранные агенты под разные задачи. Выбираете подходящего, начинаете общаться, а модель можно менять прямо в чате. Очень удобно для тестирования гипотез.
Я часто начинаю с готового агента, смотрю, как он устроен, какие промпты зашиты. Потом собираю свою версию под конкретный процесс. Это экономит часы и даёт рабочие шаблоны.
Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT: https://3seller.com/3gpt. Заходите, пробуйте, собирайте своего первого агента уже сегодня.