Под словом «агент» сейчас продают всё подряд. Маркетологи называют агентами обычные чат-боты с автодополнением, разработчики спорят о философии агентности, а бизнес покупает «цифровых сотрудников», которые на поверку оказываются скриптом с красивой обложкой. При этом настоящие ИИ-агенты уже пишут код, ведут переписку и собирают отчёты, и устроены они вполне конкретно.
Пять лет я собираю такие системы для бизнеса: от парсинга тендеров до агентов, которые отвечают клиентам. Расскажу механику без воды: из каких деталей собран агент, как он выбирает следующий шаг и на каких местах новички теряют деньги.
Чат-бот отвечает, агент делает
Начну с разграничения, потому что тут путаются все. Обычный бот получает вопрос и выдаёт ответ. Спросили про статус заказа, он выдал шаблон, диалог закончился. ИИ-ассистент сообразительнее: помнит контекст беседы, уточняет детали, подстраивает стиль. Но и ассистент ничего не выполняет. Он только разговаривает.
Агент ломает эту схему. Ему дают не вопрос, а задачу: «найди все письма от клиента Иванова за неделю, выпиши жалобы и подготовь черновик ответа». Дальше агент сам решает, какими шагами идти, и сам вызывает нужные инструменты: поиск по почте, базу данных, календарь, браузер. Человек может не вмешиваться вплоть до финального результата.
Разница примерно такая же, как между справочником и стажёром. Справочник отвечает на вопросы. Стажёр выполняет поручения, и от него можно ждать как пользы, так и сюрпризов.
Отдельная ступень между ботом и агентом, AI-workflow: цепочка шагов, где порядок задан человеком заранее. Скажем, скрипт «получил заявку, классифицировал, записал в CRM». Жёстко, надёжно, предсказуемо. Workflow не придумывает маршруты. Агент планирует сам: если шаг не сработал, попробует другой путь. Отсюда гибкость и главный риск: агент может уйти не туда, куда вы рассчитывали.
Сердце агента: языковая модель с двумя способностями
В основе каждого ИИ-агента лежит большая языковая модель, LLM. Никакого отдельного «агентного мозга» не существует: та же GPT или Claude, только обвязанная инструментами и правилами. У модели внутри агента ровно две ключевые способности.
Первая: обращаться к цифровым инструментам, чтобы взаимодействовать с внешним миром. Модель получает обратную связь от инструментов и выполняет действия: дёргает API, читает файлы, пишет в базы, запускает код. Вторая: планировать и рассуждать. Анализировать данные, выявлять закономерности, предлагать интерпретации и раскладывать задачу на шаги.
Модель сама по себе живёт в тексте и ничего не может в реальном мире: она предсказывает следующий токен. Вся «агентность» возникает вокруг неё. Руки дают инструменты, блокнот для заметок даёт память, а правила цикла определяют, когда остановиться. Уберите любую из этих частей, и от агента останется обычный чат.
Function Calling: как модель нажимает кнопки
Главный механизм, который превращает болтливую модель в действующего агента, называется function calling, вызов функций. Схема такая.
Агент получает запрос пользователя. Затем он вызывает модель и передаёт ей не только сам запрос, но и описание всех доступных функций с их параметрами. Например: search_emails(отправитель, дата_от, дата_до) или create_task(название, срок, исполнитель).
Модель читает запрос и решает, нужно ли обращаться к внешним сервисам. Если нужно, выбирает подходящую функцию и подставляет параметры прямо из контекста разговора. Вы написали «собери письма от Иванова за прошлую неделю», и модель вернёт вызов search_emails со значениями sender=Иванов, date_from=прошлый понедельник, date_to=воскресенье. Агент исполняет вызов, результат уходит обратно в модель, цикл повторяется, пока задача не решена или не кончился лимит шагов.
Загляните в логи любого агентного сервиса: там видны ровно такие цепочки. Запрос пользователя, выбор функции, вызов, наблюдение, следующий шаг. Ради этих логов агентные платформы иногда и стоят своих денег: сразу видно, где агент затупил.
Практический совет из опыта: описывайте функции для модели максимально явно, с типами, ограничениями и парой примеров вызова. На Reddit в профильных сообществах разработчики, гоняющие агентов в проде, сходятся в том же: половина сбоев связана не с тупостью модели, а с криво описанными инструментами. Модель не экстрасенс, она работает с тем описанием, которое вы дали.
Отдельный момент, о котором пишут редко: обработка ошибок вызовов. Инструмент может вернуть пустой результат, таймаут или отказ в доступе. Нормальный агент не падает, а читает ошибку и адаптируется: меняет параметры, пробует другой инструмент, а в крайнем случае зовёт человека. На этапе сборки проверяйте обязательно: что сделает ваш агент, если API вернул 404 в середине плана. Если ответ «упадёт», дорабатывайте.
Планирование: агент думает до того, как делает
Вторая способность, planning и reasoning, отвечает за стратегию. Хороший агент перед действием строит план: понимает потребности пользователя, раскладывает задачу на подзадачи, оценивает, какие инструменты понадобятся на каждом шаге.
Дальше план исполняется через инструменты взаимодействия со средой. И важная развилка: агент умеет работать автономно, но умеет и звать человека. Данных не хватает или действие дорогое, скажем, отправить письмо реальному клиенту, агент запрашивает подтверждение или недостающую информацию. Режимы «полный автомат» и «человек в цикле» настраиваются отдельно под каждую задачу.
Я почти всегда включаю подтверждение критичных действий. Автономность звучит красиво, но агент, которому разрешили разослать письма по всей базе без проверки, однажды отправит не то и не тем. Цена ошибки в реальном бизнесе выше, чем один лишний клик человека.
Качество планирования это то место, где дешёвые модели сливаются мгновенно. Небольшие модели теряют шаги, выдумывают параметры вызовов, зацикливаются на одном действии. В обсуждениях на Reddit инженеры приводят типичный кейс: бюджетная модель по цене дешевле на порядок, но на реальной задаче съедает втрое больше токенов из-за зацикливания. Для агентных сценариев экономия на модели почти всегда оборачивается перерасходом денег и нервов.
Инструкция агента, системный промпт, задаёт роль, правила и границы. Плохой промпт превращает даже топовую модель в генератор отсебятины. Хороший промпт конкретен: что делать, чего не делать, в каком формате отвечать, когда поднимать человека.
Память и контекст: почему агент не страдает склерозом
У модели есть контекстное окно: объём текста, который она видит одновременно. Реальные задачи длиннее окна. Агент отработал двадцать шагов, накопил гору промежуточных данных, и всё это надо как-то удержать.
Решение трёхслойное. Рабочая память, это сам контекст: текущий диалог и последние шаги. Долгосрочная память вынесена наружу: агент пишет заметки во внешнее хранилище и читает их по мере надобности. Третий слой, RAG (retrieval augmented generation): поиск по базе документов. Перед ответом агент ищет релевантные куски в своей базе знаний и подкладывает их модели.
Пример из практики. Агент собирает еженедельную сводку по нише из тридцати источников. Контекст одного захода не вмещает ни все источники, ни все выдержки. Агент работает итеративно: по каждому источнику пишет краткую выжимку в долгосрочную память, а на финальном шаге собирает сводку из выжимок. Наивный вариант без памяти падал на середине, версия с памятью выдаёт стабильный результат.
У современных флагманов контекстные окна измеряются сотнями тысяч токенов, но держать всё в контексте дорого и снижает качество: модель теряет фокус на длинных массивах. Поэтому память выносят наружу даже там, где формально всё влезло.
Без памяти агент-исследователь будет открывать одну и ту же страницу трижды. С памятью помнит, что уже проверил, и двигается дальше. Именно организация памяти отличает агента, который решает задачу за пять шагов, от агента, который крутится на месте и сжигает ваш баланс.
Цикл работы: один и тот же сценарий у всех агентов
Соберу всё в типовой цикл. У агентов разных вендоров он на удивление одинаковый.
- Агент получает задачу и описание доступных инструментов.
- Модель строит план и выбирает первый шаг.
- Агент вызывает функцию, инструмент отрабатывает во внешней системе.
- Результат возвращается модели как наблюдение.
- Модель решает: цель достигнута или нужен следующий шаг.
- Цикл повторяется до результата или до лимита.
Лимит шагов ставьте всегда. Я видел, как агент без ограничений входил в бесконечный цикл поиска и за ночь съедал приличный кусок бюджета. Для большинства задач хватает от трёх до пятнадцати итераций, дальше стоит прерваться и разобраться вручную.
Инструменты: руки и глаза агента
Набор инструментов определяет потолок возможностей. Базовые категории такие.
- Поиск и доступ к информации: веб-поиск, парсинг страниц, поиск по внутренним документам через RAG.
- Исполнение кода: песочница, где агент пишет и запускает скрипты для расчётов и обработки данных.
- Интеграции с сервисами: почта, календарь, CRM, таблицы, платёжные API.
- Генерация контента: тексты, изображения, видео, голос.
Чем уже набор, тем предсказуемее агент и тем меньше у него простора натворить глупостей. Чем шире, тем больше задач он закрывает и тем внимательнее надо настраивать подтверждения. Мой рабочий баланс: широкий набор для черновых операций, жёсткие подтверждения для всего, что уходит наружу к людям или деньгам.
Мультиагентные системы: когда одного стажёра мало
Следующая ступень эволюции, мультиагентные схемы: несколько агентов работают над одной задачей, у каждого своя роль. Один исследует, второй пишет, третий проверяет и критикует. Оркестратор раздаёт задачи и собирает результат.
Работает это лучше одиночного агента на сложных задачах: проверяющий ловит ошибки исполнителя, специализация снижает нагрузку на контекст каждого. Но и здесь ловушка: чем больше агентов, тем дороже и хаотичнее система. Мультиагентность оправдана, когда задача объективно не лезет в один контекст и одну роль. В остальных случаях один толковый агент с хорошей памятью обойдётся дешевле.
Четыре способа сборки агентов на практике
Путей сборки четыре, от простого к сложному.
Первый, конструкторы без кода: Dify, Gumloop и аналоги. Агент собирается из блоков мышкой, модель подключается кнопкой. Для типовых сценариев вроде поддержки, обработки заявок и генерации контента этого хватает.
Второй, low-code платформы: N8N, Flowise, Langflow. Гибкости больше, в узлы можно вписать свой код и поднять сложные сценарии. Золотая середина для команд без выделенных ML-разработчиков.
Третий, готовые агентные оболочки, их ещё называют agent harness: Claude Code, Codex и подобные. Оболочка уже содержит инструменты, память и цикл, вы даёте задачу текстом. Так устроены агентные среды для программирования и глубоких исследований.
Четвёртый путь: своя разработка на фреймворках. Дорого, долго, оправдано только под специфические задачи с нестандартными интеграциями и требованиями безопасности.
Рабочие сценарии, где агенты приносят деньги
Скепсис в сторону: окупаемые кейсы уже есть, и они измеримы. На моих проектах стабильно работают четыре направления.
Обработка входящих: агент читает заявки и письма, классифицирует, черновит ответы, человек только согласовывает. Экономия времени на переписке уходит в разы. Исследования и мониторинг: сбор данных по конкурентам, тендерам и новостям с выжимками под ваш запрос. Программирование: агентные среды уже пишут рабочие куски кода и рефакторят легаси. Контент-конвейеры: от идеи до готового текста, картинок и видеороликов одной цепочкой.
Не окупаются пока задачи, где нужна стопроцентная точность без проверки: юриспруденция с ответственностью за формулировки, медицина, финансы с проводками. Там агент работает вторым номером у человека, и такая модель правильная.
Флагманские модели для агентов без иностранных карт и VPN
Качество агента упирается в модель, и тут у российского пользователя всегда была засада: иностранные карты не работают, подписки оформляются через посредников, к ним добавляются VPN и танцы с бубном вокруг стабильности соединения.
Обходится это через сервис 3GPT от 3SELLER. Он даёт прямой доступ из России к последним флагманским моделям: Chat GPT 6 Astra, Claude Fable 5 и Claude Fable 5.1, Claude Opus 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, плюс Nano Banana для генерации изображений и генерация видео. Всё в одном интерфейсе, за 149₽, без иностранных карт: пополнение баланса российской картой, через СБП или криптой.
Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT.
Применение шире агентов: создавайте продающие тексты и сайты, обрабатывайте максимально реалистичные изображения, генерируйте видеоролики и голос. По сути это рабочий кабинет со всеми актуальными моделями под рукой, а не одна подписка на одну нейросеть.
Готовые ИИ-агенты: попробовать без строчки кода
В 3GPT есть отдельная фишка для тех, кто не хочет собирать агента сам: библиотека готовых агентов под конкретные задачи. Выбираете агента и начинаете с ним общение. Модель, на которой работает агент, меняется прямо в чате: захотели погонять задачу на Claude Opus 5.5, переключили и сравнили качество планирования.
Выберите готового ИИ-агента и начните с ним общение на сайте 3GPT.
Такой формат идеален, чтобы прочувствовать разницу между ботом и агентом на живом примере. Дайте агенту реальную рабочую задачу и посмотрите в его рассуждения: как он строит план, какие функции выбирает и как реагирует на неудачные шаги. Один вечер с готовым агентом заменяет три статьи про теорию.
Три ошибки, которые делают все новички
Первая: доверить агенту всё сразу. Люди собирают агента с доступом к почте, CRM и платёжке, включают полный автомат и уходят на выходные. В понедельник разгребают последствия. Начинайте с операций «только чтение»: пусть агент сначала читает и предлагает, потом пишет черновики, и лишь после пары недель бесшовной работы выпускайте его наружу.
Вторая: экономия на модели. Дешёвая модель на агентных сценариях зацикливается и плодит выдуманные параметры вызовов. Пять прогонов на флагмане дадут больше информации о пригодности агента, чем пятьдесят прогонов на бюджетной модели.
Третья: отсутствие наблюдаемости. Если вы не смотрите логи вызовов функций, вы не понимаете, почему агент ведёт себя странно. Логи это рентген: видно каждый вызов, каждый параметр, каждое наблюдение. Настраивайте их с первого дня, потом будет поздно и больно.
Первые шаги: от готового агента к своему
Маршрут простой. Первый шаг: возьмите готового агента под свою задачу и погоняйте его на реальных кейсах. Второй: прогоните ту же задачу на другой модели и сравните, кто лучше планирует. Третий: соберите простейший workflow в конструкторе, когда поймёте, каких именно агентов вам не хватает.
Держите в голове главную мысль: агент не волшебник, а связка «модель плюс инструменты плюс память плюс цикл». Слабое звено в любой из четырёх частей роняет всю систему. Модель выбирайте флагманскую, инструменты описывайте точно, лимиты и подтверждения настраивайте заранее. Тогда агент будет цифровым сотрудником, а не источником сюрпризов в логах и расходах. Начните с готового агента в 3GPT сегодня вечером, а к концу недели у вас будет карта того, каких агентов не хватает именно вашему бизнесу.