Представьте: утром на столе уже лежит отчёт по конкурентам, а в таблице собраны цены на авиабилеты по нужному маршруту. Я хочу такие вещи автоматизировать. Обычные чат-боты этого не умеют, потому что у них нет рук. У автономного ИИ-агента руки есть. Он ходит в базы, дёргает API, заполняет таблицы, принимает заказы. В этой статье я по шагам покажу, как сделать собственного автономного ИИ-агента: от выбора цели и модели до готовых инструментов и доступов.
Сразу скажу: я не буду впаривать вам сферического коня в вакууме. Покажу реальные примеры, которые можно скачать и запустить на своём компьютере. Один из них: агент-рекомендатель блюд на Python с открытой базой рецептов TheMealDB. Потом усложним задачу и сделаем ИИ-консультанта для малого бизнеса с памятью и записью заказов в таблицу. В конце разберём, где взять стабильный доступ к флагманским нейросетям из России, потому что с этим вечно беда.
Назначение агента определяет модель, а не наоборот
Частая ошибка новичка: сначала выбрать крутую модель, а потом думать, куда её пристроить. Работает это иначе. Сначала опишите, что агент должен делать на входе и на выходе. Например, на входе список продуктов в холодильнике, на выходе рецепт. Или: на входе вопросы клиентов цветочного магазина, на выходе ответ и заказ в таблице.
Когда у вас есть такое описание, можно выбирать модель. Она становится мозгом системы. Именно модель понимает запрос, рассуждает, разбивает задачу на шаги и решает, какие инструменты вызвать. Без ясно сформулированной цели даже самая продвинутая модель будет давать мусор. Я видел такое много раз: человек берёт GPT-6, просит сделать агента, а потом не понимает, почему агент отвечает случайными фразами.
Поэтому первый шаг в создании собственного ИИ-агента не код, а текст. Напишите на листе бумаги или в заметках: какую реальную проблему решает агент, кто будет им пользоваться, какие данные ему нужны. Уже на этом этапе вы поймёте, какие инструменты понадобятся. Календарь для планирования? База рецептов? CRM с заказами?
Базовая модель: мозг агента, инструменты: его руки
Второй шаг: выбор базовой модели. Это может быть DeepSeek API, OpenAI API или любая открытая модель из Hugging Face. Если вы хотите полный контроль над логикой и не планируете платить за каждый токен, лучше начать с более дешёвой модели. Но помните: слабая модель будет хуже рассуждать и чаще ошибаться при работе с инструментами. Для учебного проекта хватит любой современной модели, для продакшена я бы взял флагманскую.
В одном примере из практики агента-рекомендателя блюд собрали на Python с библиотекой requests, DeepSeek API и открытой базой рецептов TheMealDB. Проект работает локально на компьютере. Без сервера, домена и сложной облачной настройки. Это лучший формат для старта, потому что вы сразу видите, как модель принимает решения, и можете подкручивать промпты.
Суть такая: пользователь пишет, какие продукты есть дома. Агент выделяет из сообщения ингредиенты, выбирает основной продукт, обращается к базе рецептов TheMealDB и предлагает блюдо на русском языке. Вся работа с внешним миром лежит на инструментах. Вы можете заменить базу рецептов на ваш каталог товаров, авиабилетов или услуг, и получите агента под свою задачу.
Собираем ИИ-агента: рекомендатель блюд из холодильника
Пройдёмся по шагам без лишней магии. Для запуска понадобятся Python, библиотека requests, редактор вроде Cursor и ключ от DeepSeek API. Устанавливаем зависимости, прописываем ключ, делаем цикл, в котором пользователь вводит продукты. Модель на каждом шаге решает, какой инструмент вызвать. Если нужно найти рецепт, она формирует запрос к TheMealDB. Ответ приходит в JSON, модель переводит его в человеческий вид.
import requests
api_key = 'YOUR_DEEPSEEK_API_KEY'
def get_recipes_by_ingredient(ingredient):
url = f'https://www.themealdb.com/api/json/v1/1/filter.php?i={ingredient}'
return requests.get(url).json()Такая схема упрощена, но она передаёт главную идею. Модель не хранит рецепты у себя в памяти, как это делает обычный чат-бот. Она ходит в базу, получает актуальные данные и только потом формирует ответ. Если пользователь спросит, что приготовить из риса и курицы, чат-бот выдаст средний рецепт из своих весов. Агент сначала выделит ингредиенты, выберет основной продукт, проверит базу и предложит конкретные варианты. Разница видна сразу, когда нужна свежая информация.
После того как агент ответил, можно добавить ещё один инструмент: запись выбранного рецепта в заметку или отправка списка покупок на почту. Так вы из простого демо сделаете полезную домашнюю автоматизацию. Кстати, таким же способом агент может каждое утро собирать цены на авиабилеты по нужному маршруту и показывать самые дешёвые. Парсинг страниц, вытаскивание полей, сохранение в JSON: всё это делается инструментами, а модель просто управляет процессом.
ИИ-консультант для цветочного магазина: память и инструменты
Теперь более серьёзный пример. В одном руководстве от разработчиков Сбера собран ИИ-агент для малого бизнеса: это консультант цветочного магазина. Он отвечает на вопросы об ассортименте и доставке, а ещё умеет принять заказ и записать его в таблицу. Полный контроль над логикой. Для сборки используется OpenAI API, но таким же образом подключаются бесплатные модели из Hugging Face.
Шаги простые. Устанавливаем библиотеку openai, импортируем json, задаём api_key. Потом определяем личность агента в системном промпте: кем он работает, в каком стиле общается, какие данные ему известны. Дальше делаем цикл общения с памятью. Простой консольный интерфейс, который отправляет модели историю диалога и возвращает ответ.
!pip install openai
import openai
import json
openai.api_key = 'YOUR_OPENAI_API_KEY'Память в таком агенте не магия, а просто список сообщений, который растёт с каждым ходом. Вы передаёте его модели, она отвечает с учётом всего предыдущего разговора. Когда нужно записать заказ, модель возвращает структурированный запрос на вызов функции. Вы запускаете эту функцию, например, добавляете строку в Google-таблицу, и возвращаете результат модели. Она видит, что заказ записан, и подтверждает клиенту.
Приём называется function calling. Он и делает агента автономным. Модель не просто отвечает, а сама решает, какой инструмент ей нужен в данный момент. Описания функций передаются в промпт, и модель выбирает подходящую. Как только вы это поймёте, перед вами откроется целый мир: календарь, почта, базы данных, мессенджеры, платёжные системы.
Автономность начинается там, где агент сам выбирает, куда сходить
Степень автономности бывает разной. На минимальном уровне агент только вызывает одну заготовленную функцию. На высоком уровне он сам планирует последовательность действий, сверяет результаты и при ошибке пробует другой путь. В реальных проектах я бы не гнался за полной автономностью с первого дня. Лучше начать с чётких сценариев и постепенно расширять свободу модели.
Хороший пример: агент для сбора и структурирования данных. Он парсит страницы, вытаскивает нужные поля и складывает результат в таблицу или JSON. Это экономит часы ручной работы. Резюмирование текстов: агент загружает ссылку или документ, составляет краткое содержание. Полезно для обзоров новостей, отчётов, научных статей. Всё это он делает не из головы, а ходит в реальные источники.
Но с инструментами приходит и боль. Слабая модель может вызвать не ту функцию, передать неверный аргумент или зациклиться в повторе. Поэтому я добавляю валидацию: проверяю, что запрос к функции соответствует ожидаемой схеме, логирую каждый шаг и разрешаю агенту делать максимум три попытки на одно действие. После трёх попыток он сдаётся и сообщает, что не смог выполнить задачу. Это лучше, чем молчаливо генерировать мусор в таблицу.
Тестируйте агента так, будто он стажёр
Когда ваш агент готов, не запускайте его сразу в бой. Посадите за него троих людей с разными сценариями. Пусть они задают одни и те же вопросы. Записывайте, где агент вызывает не тот инструмент, где отвечает слишком длинно, где теряет контекст. Для каждой ошибки добавляйте в системный промпт правило. Например: если пользователь спрашивает про доставку, сначала уточните город, только потом давайте сроки. На Reddit практикующие разработчики советуют фиксировать каждый такой кейс: одна и та же ошибка обычно всплывает снова в другом виде.
Такой подход работает лучше, чем бесконечная настройка параметров. Промпты важнее кода. Я не раз видел, как одна строчка в системном промпте полностью меняет поведение агента. Поэтому не бойтесь экспериментировать с формулировками. Главное, чтобы у вас был чёткий список ожидаемых сценариев и видны были реальные ответы агента на них.
Где взять доступ к флагманским моделям из России
Теперь самое больное. Для создания своего агента нужен стабильный доступ к API, а из России он часто не работает: иностранные карты, блокировки, пляски с VPN. Я сейчас не про учебные примеры, а про нормальную рабочую историю, когда вам нужен Chat GPT или Claude на ежедневной основе. Тут выручает ИИ-роутер 3GPT от 3SELLER.
3GPT даёт прямой доступ из России к последним флагманским моделям. Среди них Chat GPT 6 Astra, Claude Fable 5, Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для создания изображений, плюс генерация видео. Всё это доступно за 149 рублей в месяц. Пополнение баланса российской картой, через СБП или криптой. Никаких иностранных карт и ничего сверхъестественного. Запускаете и работаете.
Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT: https://3seller.com/3gpt. Там же есть понятный интерфейс, чтобы выбрать модель под свою задачу. Для экспериментов с собственным агентом это идеальный вариант: вы можете переключаться между моделями и сравнивать, какая лучше справляется с вашими инструментами.
Готовые ИИ-агенты для тех, кто не хочет кодить
Если писать код некогда, а агент нужен уже вчера, у 3GPT есть ещё одна фишка: готовые ИИ-агенты под ваши задачи. Они лежат на https://3seller.com/ai/agents. Выбираете подходящего агента и начинаете с ним общение. Модель агента можно менять прямо в чате. Это удобно, когда нужно посмотреть, как одна и та же задача решается на Chat GPT и Claude.
С помощью таких агентов можно создавать продающие тексты, сайты, обрабатывать максимально реалистичные изображения, генерировать видеоролики и голос. По сути, вы получаете команду ассистентов без зарплаты и отпусков. А если вы всё-таки хотите собрать своего агента с нуля, готовые экземпляры служат отличным примером. Посмотрите, как они формулируют промпты, как вызывают инструменты, какие ошибки отлавливают. Это отличная база для вдохновения.
Соберите своего первого агента уже сегодня
Начните с маленького, но законченного проекта. Агент-рекомендатель блюд идеальный старт, потому что у него один инструмент и понятная логика. Или соберите консультанта для цветочного магазина с памятью и записью заказов. За день вы получите работающий прототип, а дальше добавите интеграции: Google-таблицы, Telegram, почту, CRM.
План действий простой. Определите назначение и напишите цель на бумаге. Выберите базовую модель, до которой у вас есть доступ из России. Соберите минимум инструментов. Запустите цикл общения с памятью. Протестируйте на реальных запросах и посмотрите, где агент спотыкается. Потом подключите через 3GPT более сильную модель, и качество вырастет.
Обычные чат-боты перестают быть обычными, когда в них появляются инструменты. Агент, который умеет ходить в ваши базы и API, экономит часы каждый день. Начните с дешёвого API, чтобы прочувствовать логику, а затем переходите на флагманские модели. Первый платёж можно сделать российской картой без всяких танцев с бубном. Вот ссылка: https://3seller.com/3gpt.