Термин «ИИ-агент» сегодня встречается чаще, чем конкретные внедрения. Под ним продают всё: от чат-бота с памятью до полностью автономных систем, работающих без контроля. Практическая разница между маркетингом и инженерией большая, и именно её стоит разобрать, прежде чем проектировать собственную систему. В этом материале — что такое ИИ-агенты с точки зрения архитектуры, какие компоненты обязательны и как решить, нужен ли агент конкретной задаче.
Что такое ИИ-агенты и чем они отличаются от сценариев
ИИ-агент — это программа, в которой большая языковая модель управляет многошаговым процессом решения задачи. Модель не просто выдаёт текст: она формулирует план, вызывает внешние инструменты, читает результаты их работы и при необходимости меняет план. Именно цикл «рассуждение → действие → наблюдение → новое рассуждение» отличает агента от обычного вызова LLM.
Эта механика восходит к работе ReAct (Yao et al., 2022), где авторы показали, что чередование рассуждения и действий повышает точность на задачах, требующих работы с окружением. На практике термин закрепился после AutoGPT весной 2023 года: проект вызвал ажиотаж, но наглядно продемонстрировал и ограничения — на простых цепочках такая система путалась и тратила много токенов.
Удобную границу провели в руководстве Anthropic Building Effective Agents (декабрь 2024). Там различают workflows и agents: в workflow последовательность вызовов модели задаёт код и предсказуема, в агентной системе сама модель решает, какой шаг делать следующим. Ключевой вопрос при проектировании — где принимается решение о следующем шаге: в коде или в модели.
Из чего состоит агентная система
Минимальный набор компонентов:
- Ядро LLM с поддержкой вызова инструментов (tool calling): модель умеет запросить выполнение функции с нужными параметрами.
- Инструменты: API, функции, поиск, доступ к базам, запуск скриптов.
- Память: история шагов и результатов, позволяющая модели не терять контекст.
- Оркестратор: код, который запускает цикл, обрабатывает вызовы инструментов и передаёт результаты обратно модели.
- Ограничения: лимит шагов, таймауты, бюджет на токены.
- Наблюдаемость: логи траектории, чтобы разбирать ошибки.
Отдельно стоит протокол MCP (Model Context Protocol), представленный Anthropic в ноябре 2024 года. Он стандартизует подключение инструментов и данных к моделям; если агенту нужны типовые интеграции, MCP избавляет от написания собственных «мостов» для каждого сервиса. Для быстрого старта подойдут открытые фреймворки — OpenAI Agents SDK или экспериментальный Swarm: на них весь цикл агента виден в нескольких десятках строк кода.
Когда агент оправдан, а когда хватает workflow
Самая частая ошибка — строить агента там, где задача линейна и условия известны заранее. Агент добавляет задержки, расход токенов и непредсказуемость. Поэтому до проектирования стоит пройти по простой таблице решений.
| Ситуация | Что выбрать | Почему |
|---|---|---|
| Постоянная последовательность шагов, формат ответа фиксирован | Workflow | Код быстрее, дешевле и предсказуемее модели |
| Входные данные меняются, но число вариантов ограничено | Workflow с ветвлениями | Достаточно условий и шаблонов |
| На каждом шаге выбор следующего действия зависит от смысла результата | Агент | Модель принимает решение о следующем шаге |
| Нужна работа с внешними сервисами, форматы меняются | Агент с MCP-инструментами | Интеграции подключаются по стандарту |
| Задача чувствительна к ошибкам и цене сбоя | Workflow + человек в цикле | Агент пока не гарантирует детерминизм |
Практическое правило: если вы можете описать процесс блок-схемой без веток «зависит от смысла ответа» — это workflow. Агент начинается там, где решение о следующем шаге нельзя запрограммировать заранее, потому что оно зависит от содержания промежуточного результата.
Риски, которые нельзя игнорировать
Главный риск агентных систем — каскад ошибок. Модель принимает одно неверное решение, затем выстраивает на нём следующие шаги; ошибка умножается, а не исправляется. Поэтому в production-системах обязательны:
- Лимит шагов и таймауты на каждый вызов инструмента.
- Бюджет на токены с остановкой при превышении.
- Журнал траектории: каждое действие и результат должны быть воспроизводимы.
- Человек в цикле для финального утверждения необратимых операций.
Отдельная проблема — галлюцинации в наблюдениях. Агент может «достроить» отсутствующий ответ инструмента, если модель не настроена на строгую передачу результатов. На практике это лечится форсированным парсингом вызовов инструментов и валидацией типов на стороне оркестратора.
Ещё один момент — стоимость. Агентный цикл на сложной задаче может потребовать в 5–10 раз больше токенов, чем однократный вызов LLM. Прежде чем запускать агента в прод, стоит оценить бюджет на типовую траекторию и сравнить с ценой ошибки.
Как оценить задачу и начать внедрение
Перед стартом ответьте на четыре вопроса:
Решение о каждом следующем шаге действительно зависит от смысла промежуточного результата? Если нет — workflow.
2. Есть ли у модели доступ к нужным инструментам и данным? Без них агент вырождается в диалог.
3. Как система поведёт себя при сбое инструмента? Нужен явный сценарий возврата ошибки.
4. Кто проверяет итоговый результат? Автоматические проверки или человек.
Начинать стоит с прототипа на открытом фреймворке: OpenAI Agents SDK, LangGraph или Swarm. На прототипе измеряют число шагов, расход токенов и долю неудачных траекторий на выборке из 20–30 типовых задач. Только после этого имеет смысл переносить решение в продакшен и подключать MCP-серверы.
Первоисточники и что почитать
Ключевые материалы, на которые опирается статья:
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022) — оригинальная работа о цикле рассуждение–действие.
- Anthropic, Building Effective Agents (декабрь 2024) — разграничение workflows и agents, практические паттерны.
- Anthropic, Model Context Protocol (ноябрь 2024) — спецификация стандарта подключения инструментов.
- OpenAI Agents SDK и Swarm — открытые фреймворки для прототипирования.
- AutoGPT (весна 2023) — исторический пример ажиотажа и ограничений автономных агентов.
Если вы проектируете агентную систему, начать стоит с руководства Anthropic и прототипа на открытом фреймворке, а не с покупки «готового ИИ-агента». Основной критерий — где принимается решение о следующем шаге: в коде или в модели. Пока это решение принимает модель, система остаётся агентом со всеми его рисками и преимуществами.