AI-агент

Отличие от чат-бота принципиальное и заключается в цикле. Чат-бот получает сообщение и возвращает текст. Агент получает цель, планирует шаг, вызывает инструмент, получает результат, оценивает его и решает, что делать дальше — и так до достижения цели или до срабатывания ограничителя. Именно наличие инструментов и повторяющегося цикла делает агента агентом. Типовой набор инструментов в коммерческой системе: поиск по базе знаний, чтение и запись в CRM, обращение к внутреннему API, отправка уведомления, создание задачи.

Где агенты реально окупаются: там, где задача состоит из нескольких шагов, шаги плохо формализуются заранее, а цена ошибки умеренная и ошибка обратима. Разбор входящей почты с созданием заявок в CRM, первичная квалификация обращений, сбор данных из нескольких систем в один отчёт, подготовка черновиков документов по шаблону, мониторинг и уведомление об аномалиях. Там, где шаги известны заранее и не меняются, обычный сценарий или интеграция дешевле, надёжнее и не требует наблюдения — заменять их агентом означает добавлять недетерминированность туда, где она не нужна.

Проектирование агента на 80% состоит из ограничителей, и это не пессимизм, а инженерная реальность. Нужны: белый список действий и данных, к которым агент имеет доступ; лимит шагов и стоимости на одну задачу, иначе цикл может крутиться бесконечно; обязательное подтверждение человеком для необратимых действий — отправка клиенту, платёж, удаление; полный лог всех вызовов инструментов для разбора инцидентов; отдельная проверка того, что попадает во вход, потому что данные от пользователя могут содержать инструкции. Агент без этих рамок в продакшене — это не автоматизация, а источник инцидентов с непонятной ответственностью.

Смежные термины

• LLMLLM — большая языковая модель: нейросеть, обученная на огромных объёмах текста предсказывать следующий токен, из-за чего она умеет писать, пересказывать и отвечать, но не хранит фактов как база данных и может уверенно ошибаться.
• RAGRAG — схема, при которой языковая модель перед ответом ищет подходящие фрагменты в вашей базе знаний и отвечает по ним: это даёт актуальные данные и ссылку на источник без дообучения самой модели.
• Промпт-инжинирингПромпт-инжиниринг — проектирование инструкций для языковой модели: роль, контекст, задача, формат ответа и ограничения формулируются так, чтобы результат был воспроизводимым, а качество проверялось на наборе тестовых примеров, а не на впечатлении.
• APIAPI — зафиксированный набор правил, по которым одна программа запрашивает данные или действия у другой: адреса методов, формат запроса и ответа, авторизация и лимиты, описанные так, чтобы обе стороны могли меняться независимо.
• SLASLA — соглашение об уровне сервиса: в нём зафиксированы доступность системы в процентах, время реакции и время устранения по классам инцидентов, часы работы поддержки и компенсации на случай, если подрядчик эти показатели не выдержал.

Услуги по теме

• Разработка AI и ML-решенийМы делаем AI, который решает конкретную задачу и окупается, а не демо ради демо. Классификаторы, рекомендации, обработка текста и документов, ассистенты на LLM, интеграция моделей в существующий продукт.
• IT-консалтинг и продуктовый аудитСамые дорогие ошибки в разработке делаются до первой строчки кода: неверно понятая задача, стек, выбранный по привычке подрядчика, и ТЗ, которого нет. Консалтинг нужен, чтобы разобраться до того, как начнётся счётчик разработки: что именно строить, из чего, за сколько и в каком порядке. Результат — документ, а не мнение на созвоне.
• Разработка веб-приложений и Telegram Mini AppКогда сайта уже мало и нужен продукт: личный кабинет, дашборд, внутренний сервис или Mini App внутри Telegram. Проектируем архитектуру, пишем бэкенд и фронтенд, доводим до релиза.

Почитать подробнее

• ИИ-ассистент на своей базе знаний: как работает RAG и сколько стоит внедрениеРазбираем, чем RAG-ассистент отличается от бота с кнопками и от LLM без данных, откуда берутся галлюцинации и что их реально снижает, сколько стоит SaaS против кастомной разработки и на каком месяце проект выходит в ноль.
• Где бизнесу реально нужен AI и ML, а где это дорогой хайпИИ окупается там, где есть повторяющееся решение, много однотипных данных и допустимость ошибки. Если хоть одного условия нет — не надо. Разбираем задачи, которые действительно работают, реалистичную точность, стоимость эксплуатации и формат пилота на 4–6 недель.