Клиент на прошлой неделе показал мне переписку со своим ИИ-агентом. Одной строкой он попросил: собери всех лидов с сайта за месяц, разбей по интересам, подготовь три варианта рассылки. Через сорок минут у него была таблица на четыреста строк, готовые сегменты и черновики писем. Ни одного промежуточного шага человек руками не задавал.
Здесь и проходит граница между «пообщаться с нейросетью» и делегировать ей работу. Разобраться, как такое возможно, можно без диплома по машинному обучению. Внутри агента три-четыре честных механизма, и каждый я разберу ниже без заумных терминов.
В основе лежит обычная языковая модель. Только с руками
Если ответить одной фразой на вопрос, как устроены ИИ-агенты: в основе каждого лежит обычная большая языковая модель. Та же самая, что отвечает вам в чате. Никакой особой агентной архитектуры под капотом нет, и это самое недооцененное знание во всей теме. Моделям просто дали два умения, которых у чат-бота не было.
Первое умение: обращаться к цифровым инструментам. Модель может не только генерировать текст, но и коммуницировать с внешним миром, получать фидбэк от сервисов и выполнять действия. Отправить письмо, записать строку в CRM, найти документ, дернуть API.
Второе умение: планировать и рассуждать. В индустрии это называется Planning и Reasoning. Модель анализирует данные, выявляет закономерности, предлагает интерпретации и строит план до того, как начнет что-то делать.
Все остальное: память, базы знаний, мультиагентные схемы. Надстройки над этими двумя способностями. Поймете их - поймете агентов целиком.
Бот, ассистент, агент: три родственника, которых все путают
Автоматизированные системы без ИИ работают по жесткому сценарию. Вы заранее задаете последовательность шагов, они выполняют ее всегда одинаково. Стабильно и предсказуемо, но абсолютно беспомощно, когда ситуация выходит за рамки сценария.
AI-ассистент ступенью выше. Он понимает естественный язык и отвечает умно, но сам ничего не делает. Спросили, получили ответ, действовать придется вам.
Агент замыкает тройку. Ему дают цель, а не инструкцию. Он планирует стратегически: понимает потребности пользователя и действует в соответствии с ними. План выполняет через инструменты во внешней среде. И работает либо автономно, либо вместе с человеком: запрашивает недостающую информацию, просит подтверждение важных действий.
Простая проверка в бою. Если после запроса система уточняет детали и сама лезет в базу, перед вами агент. Если отвечает текстом в духе «вам стоит сделать так», это ассистент. Если падает с ошибкой, потому что пятый шаг сценария не выполнен, классическая автоматизация.
Путаница в этих терминах дорого обходится. Компании покупают «агента», получают чат-бота со скриптом и разочаровываются в технологии, хотя технология ни при чем. Или наоборот: хотят простой автоворкфлоу, а им продают агентную систему в десять раз дороже. Сначала определитесь, какой уровень самостоятельности вам нужен, потом выбирайте инструмент.
Цикл агента: что происходит между вашим запросом и результатом
Схема работы выглядит так. Агент получает запрос пользователя, вызывает AI-модель и передает ей описание доступных функций с их параметрами. Модель определяет, нужно ли обращаться к внешним сервисам, и если да, выбирает подходящие параметры из контекста разговора для корректного вызова.
Ключевое слово здесь «контекст». Модель не выдумывает ID клиента из воздуха. Она берет его из того, что вы сказали тремя сообщениями раньше, или из данных, которые сервис вернул на предыдущем витке цикла. Поэтому качество контекста влияет на результат сильнее, чем «умность» модели.
После вызова функции результат возвращается модели, и она решает: задача закрыта или нужен следующий шаг. Цикл повторяется. Иногда два-три витка, иногда тридцать, зависит от сложности задачи.
Вот реальный кусок логов агента, который я показываю всем, кто хочет перестать бояться этого слова:
{"tool_call": "crm_search", "arguments": {"email": "ivan@company.ru"}, "result": "клиент найден, тариф Business, продление 14.03", "next_action": "prepare_renewal_email"}
Ничего мистического. Модель сформровала вызов функции, исполнитель его выполнил, результат вернулся, модель выбрала следующее действие. Все решение агента представляет собой цепочку таких витков.
Анатомия на живом примере: один день из жизни торгового агента
Разберу задачу, которую агенты делают в бизнесе каждый день. Интернет-магазин, владелец пишет: проверь, какие заказы висят без отгрузки дольше трех дней, и напомни менеджерам по каждому.
Виток первый. Модель разбирает запрос и составляет план: получить список заказов, отфильтровать по срокам, сопоставить с ответственными менеджерами, сформировать напоминания. Уже на этом шаге видно отличие от бота: план не написан человеком, модель его достроила сама.
Виток второй: вызов API CRM за списком заказов. Виток третий: фильтрация по датам. Здесь модель может посчитать сама в контексте, а может вызвать функцию фильтрации, зависит от объема данных. Виток четвертый: сопоставление заказов с менеджерами из внутренней базы.
Виток пятый: черновики сообщений для каждого менеджера с конкретикой по его заказам. Виток шестой: агент возвращает человеку список черновиков и просит подтверждения перед отправкой. Письма живым людям - слишком ответственная зона, чтобы делать это молча.
Ни один из шести шагов не был прописан заранее. Модель достраивала план по ходу, опираясь на результаты предыдущих вызовов. В этом и есть суть агентности.
Function Calling: главный винтик всей конструкции
Технический механизм называется Function Calling или Tool Calling, и работает он хитрее, чем кажется. Модель не выполняет функции сама. У нее нет рук: она не может отправить письмо или открыть базу данных. Она формирует структурированный запрос: название функции и аргументы.
Исполнителем выступает обвязка вокруг модели. Она принимает запрос, валидирует аргументы и отправляет нужному сервису. Ответ сервиса возвращается модели как обычный текст в контексте. Дальше цикл продолжается.
Здесь же кроется главная уязвимость. Модель выбирает параметры из контекста, и если контекст засорен или противоречив, она подставит кривое значение с той же уверенностью, что и правильное. Я видел агентов, которые отправляли письма не на тот адрес, потому что в переписке фигурировали два похожих контакта. Лечится строгими схемами функций и обязательной валидацией перед исполнением.
Планирование и рассуждение: почему агент не отвечает вам сразу
Чат-бот отвечает за секунду. Агент может думать минутами, и это нормально. Между запросом и ответом он прогоняет план: разбивает цель на шаги, оценивает, какие инструменты понадобятся, в каком порядке их вызывать и что делать при неудаче.
Хороший агент еще и рассуждает над данными: анализирует их, выявляет закономерности, предлагает интерпретации. Разница между «вот выгрузка» и «вот выгрузка, и вот три причины, почему конверсия просела именно во вторник» и есть reasoning в действии. Первое умеет любой скрипт, второе требует модели.
Важный режим: human in the loop. Грамотный агент не стесняется возвращаться к человеку за недостающей информацией или подтверждением действий. Особенно когда на кону деньги, письма живым людям или доступ к чувствительным данным. Агентов, которые все делают молча и сами, я в проде не держу.
Проверка на прочность простая. Дайте агенту задачу с подвохом, где очевидный первый путь тупиковый. Слабая модель упрется в тупик и начнет циклиться. Сильная перепишет план посреди выполнения. Именно на таких задачах разница между моделями видна лучше, чем на любых бенчмарках.
Память, контекст и RAG: откуда агент знает про вашу базу знаний
У модели нет врожденного знания о вашем бизнесе. Все, что она знает о вашей компании, лежит в ее контексте прямо сейчас. Отсюда три слоя, которые отличают рабочий агент от игрушки.
Контекст окна, короткая память. Все, что произошло в текущей сессии. Обрывается на размере окна модели, и на больших задачах это происходит быстрее, чем кажется.
Память между сессиями. Сохраненные факты: предпочтения пользователя, принятые решения, договоренности. Без нее каждый запуск агента начинается с чистого листа, что убивает половину бизнес-сценариев.
RAG, retrieval-augmented generation. Агент перед ответом ищет релевантные куски в ваших документах и подкладывает их в контекст. Так работают агенты, которые отвечают по регламентам компании или находят условия конкретного договора из тысячи страниц. Технически это поиск плюс генерация, ничего сложнее.
Практический совет: не пытайтесь скормить агенту все знания сразу. Чем больше мусора в контексте, тем выше шанс галлюцинации. Релевантные куски по запросу через RAG работают лучше, чем склейка всех документов подряд.
Системный промпт: должностная инструкция, которую все пишут наспех
У агента есть свой «трудовой договор»: системный промпт. В нем задают роль, правила поведения, ограничения и формат ответа. Половина провальных агентов провалилась именно тут: промпт писали на коленке за десять минут.
Отдельная история: описания функций. Модель выбирает инструмент по его описанию, и если описание кривое, выбор будет кривым. Написать «функция для поиска» недостаточно. Нужно: «ищет клиентов в CRM по email, телефону или имени, возвращает карточку с тарифом и датой продления». Разница в качестве работы агента между этими двумя описаниями колоссальная.
Мой рабочий шаблон: роль и границы, список инструментов с примерами вызовов, правила эскалации к человеку, лимит на число шагов. Проверено на десятках внедрений.
Четыре способа собрать агента: от мышек до кода
Пути делятся по уровню кода, и у каждого своя ниша.
No-code: конструкторы вроде Dify или Gumloop. Логика собирается мышками, за вечер получается рабочий прототип. Идеально, чтобы проверить идею. Плохо, когда логика ветвится на десять уровней и требует тонкой обработки ошибок.
Low-code: n8n, Flowise, Langflow. Уже можно вставлять код в узлы, контролировать каждый шаг и видеть весь поток данных. Мой основной инструмент для клиентских задач средней сложности.
Agent Harness: готовые агентные оболочки вроде Claude Code или Codex. Цикл уже настроен, инструменты подключены, вы описываете задачу текстом. Самый быстрый вход в агентный мир, если задача попадает в их специализацию.
Сборка с нуля через API: полный контроль над циклом, инструментами и лимитами. Дороже в разработке, но когда агент становится частью продукта, другого пути нет.
Отдельная ветка: мультиагентные схемы, где несколько агентов работают вместе, например один ищет, второй проверяет, третий оформляет. Красиво на слайдах, на практике оправдывает себя реже, чем обещают. Начинайте с одного агента на одну задачу.
Где агенты уже приносят деньги, а где их совать нельзя
Отлично работают: квалификация лидов, первая линия поддержки, мониторинг и алерты, контентные конвейеры, обработка входящих документов, рутинная сверка данных. Общее у этих задач: четкий критерий результата и умеренная цена ошибки.
Не сувать: финальные юридические решения, финансовые операции без проверки, все с необратимыми действиями против живых людей. Агент отличный черновик и исполнитель, но подпись под решением оставляйте себе. Эта дисциплина отличает внедрение, которое работает второй год, от показухи, которая умерла через месяц.
Метрики тоже продумайте заранее. Для агента поддержки это доля обращений, закрытых без человека, и процент ошибочных ответов. Для торгового агента: время на квалификацию лида. Если через месяц вы не можете сказать, сколько часов агент вам сэкономил, внедрение надо пересматривать.
Грабли, о которые спотыкаются все
Зацикливание. Агент уверен, что вот-вот решит задачу, и крутит один и тот же вызов в двадцатый раз. В обсуждениях на Reddit разработчики агентов сходятся в одном: именно зацикливание, а не галлюцинации, чаще всего сжигает бюджет на тестах. Ставьте лимит на количество шагов всегда, без исключений.
Стоимость. Каждый виток цикла означает вызов модели с растущим контекстом. Длинная агентная сессия съедает в разы больше токенов, чем один чат-запрос. Считайте бюджет до запуска, не после.
Галлюцинации в параметрах. Модель может придумать ID заказа, которого не существует, и спокойно его подставить. Валидация перед исполнением не опция, а обязательный слой.
Безопасность инструментов. Дали агенту доступ к почте, значит он отправит письма. Проверьте, кому и что он может писать, до того, как это сделаете вы. То же касается доступа к базам, файлам и платежам.
Как пощупать живых агентов из России уже сегодня
Теория понятна, осталось потрогать руками. Загвоздка одна: флагманские модели, на которых построены лучшие агенты, из России напрямую недоступны, а оплата иностранной картой превратилась в отдельный квест. Здесь выручает 3GPT: сервис дает прямой доступ ко всем флагманам, включая Chat GPT 6 Astra, Claude Fable 5 и 5.1, Claude Opus 5.5, Chat GPT 5.5 и Chat GPT 6.1 Sol. Плюс генерация изображений через Nano Banana, создание видео и синтез голоса. Подписка стоит 149 рублей, пополнить баланс можно российской картой, через СБП или криптой.
Для повседневных задач в бизнесе и работе этого закрывает почти все: продающие тексты, лендинги, обработка и создание максимально реалистичных изображений, видеоролики и голос.
Моя любимая фишка платформы: готовые ИИ-агенты под конкретные задачи. Открываете каталог агентов 3GPT, выбираете нужного и сразу начинаете общение. Модель агента меняется прямо в чате: сегодня работаете на Claude, завтра переключились на GPT без пересборки. Для проверки гипотез про агентов это самый короткий путь.
С чего начать, если хочется своего агента
Практический шаг на ближайшие выходные. Возьмите одну рутинную задачу, которую вы выполняете еженедельно и которая состоит из поиска информации и типовых действий. Опишите ее одним абзацем, как будто даете задание толковому стажеру.
Затем зайдите в 3GPT, откройте каталог готовых агентов и найдите того, кто ближе всего к вашей задаче. Погоняйте его на реальных данных и отмечайте, где он ошибается: эти ошибки и есть карта того, какие инструменты и проверки понадобятся вашему собственному агенту. Прежде чем написать хоть строчку кода, вы поймете, стоит ли овчинка выделки.
Начните с одного агента на одну еженедельную задачу - этого хватит, чтобы за пару дней понять, делегировать ли ей работу коду. Модель, инструменты, цикл, память: четыре механизма, с которых стартует любой агент, а дисциплина проверок придет только с практикой.