The AI / news

Agents IA : полное руководство по пониманию, созданию и использованию автономных агентов

Agents IA : полное руководство по пониманию, созданию и использованию автономных агентов
13 мин чтения

Агент ИИ — это система, которая позволяет языковой модели самостоятельно выбирать необходимые шаги и инструменты для достижения цели, в цикле, пока задача не будет завершена или пока её не остановит ограничение. Он отличается от автоматизированного workflow, путь которого прописан заранее, и от ассистента, который действует только по запросу, ход за ходом. Это руководство объясняет, как он работает, какой тип агента выбрать, как его тестировать и как контролировать его доступы и стоимость.

Слово «агент» сегодня приклеивают к совершенно разным продуктам — от простого чат-бота с веб-поиском до систем, способных выполнять десятки действий в бизнес-приложении. Чтобы решить, нужен ли он вам и какой именно, нужно вернуться к механизму: кто решает о следующем действии, с какими правами и кто проверяет результат. Это — лейтмотив данной страницы, которая затем отсылает к более специализированным руководствам.

Что такое агент ИИ и что он реально может делать?

Самое распространённое в индустрии определение взято из руководства Building effective agents, опубликованного Anthropic в декабре 2024 года. Издатель разделяет там две семьи «агентных систем»: workflows, где модели и инструменты оркестрируются заранее определённым кодом, и agents, где модель сама управляет своим процессом и использованием инструментов. На практике, резюмирует этот текст, агент — это часто просто языковая модель, которая использует инструменты в зависимости от откликов своей среды, в цикле. Чтобы углубиться, прочитайте нашу статью «Что такое агент ИИ? Определение, принцип работы и примеры».

Конкретно, агент может делать всё, что позволяют его инструменты: запрашивать базу данных, искать в интернете, читать документ, создавать тикет, составлять и отправлять электронное письмо, выполнять код или заполнять форму. Он не может делать ничего вне этих инструментов и связанных с ними прав. Он также не гарантирует правильность того, что производит: Anthropic подчёркивает, что автономность оплачивается более высокой стоимостью и риском ошибок, которые накапливаются от шага к шагу.

Workflow, оснащённый ассистент, автономный агент: три степени автономности

Полезное различие — не между «ИИ» и «не ИИ», а между тремя способами распределения решения. Таблица ниже сравнивает их по пунктам, важным при развёртывании.

Подход Кто решает о шагах Пример Типичный контроль Основной риск
Детерминированный workflow Разработчик, раз и навсегда; модель участвует только в конкретном шаге Каждая полученная форма резюмируется моделью, затем записывается в CRM Чтение журналов выполнения Случаи, не предусмотренные прописанным путём
Ассистент с инструментами Модель предлагает действие, пользователь присутствует на каждом ходе Ассистент проверяет ваше расписание, чтобы предложить временной слот Пользователь проверяет каждый ответ Неправильно понятое действие, но сразу заметное
Автономный агент Модель выполняет несколько действий подряд до достижения цели Обработка очереди клиентских запросов, от чтения до классификации Лимиты, ручная проверка чувствительных действий, журналы Каскадные ошибки, нежелательные действия, рост затрат

Эти границы проницаемы: workflow может содержать агентный шаг, а агент может быть заключён в очень ограниченный workflow. Подробное сравнение агента ИИ и чат-бота, строгое определение того, что такое агент ИИ, и выбор между классической автоматизацией и агентом ИИ рассматриваются в отдельных руководствах этого досье.

Как работает агент ИИ: модель, инструменты, память и цикл действия

Все агенты основаны на одной механике, независимо от инструмента, который их размещает. Для её описания достаточно четырёх блоков.

  • Модель: большая языковая модель читает цель, историю и уже полученные результаты, затем выбирает следующее действие. Её способность следовать инструкциям и правильно вызывать инструменты важнее общего балла; инструмент какую модель ИИ выбрать для вашей задачи помогает отобрать кандидатов.
  • Инструменты: каждый инструмент описывается модели через название, описание и схему параметров. Модель не выполняет его сама: она создаёт структурированный запрос на вызов, который приложение выполняет перед тем, как вернуть ей результат.
  • Память: краткосрочная — это история, сохраняемая в контекстном окне; долгосрочная — это документы или заметки, которые агент ищет, часто через поиск в документоориентированной базе типа RAG, тема рассматривается в нашем руководстве по локальному ИИ и RAG.
  • Цикл и его ограничения: агент наблюдает результат своего действия, решает о следующем и останавливается, когда цель достигнута или когда выполнено условие остановки (максимальное число итераций, длительность, бюджет).

Это чередование рассуждения и действия было формализовано ещё в 2022 году в исследовательской статье ReAct Шунью Яо и его соавторов, где модель чередовала шаги размышления и действия над внешним источником. Anthropic со своей стороны настаивает на двух практических моментах: агент должен получать на каждом шаге «истину земли» от своей среды (реальный результат инструмента или кода), и описание инструментов заслуживает такого же внимания, как интерфейс, предназначенный для людей.

Остаётся подключить эти инструменты. Model Context Protocol (MCP), запущенный Anthropic в ноябре 2024 года, а затем в декабре 2025 года переданный в Agentic AI Foundation, структуру Linux Foundation, стандартизирует способ подключения приложения ИИ к внешним сервисам. Его спецификация, в версии от 28 июля 2026 года, описывает серверы, предоставляющие инструменты, ресурсы и шаблоны сообщений; наше руководство, посвящённое MCP, детализирует его архитектуру. Для углубления обратитесь к статье «MCP: понимание Model Context Protocol и его применения».

Запрос на возврат средств, обработанный от начала до конца

Следующий сценарий иллюстративен: он показывает цикл на типичном случае клиентской поддержки — одном из двух применений, которые Anthropic считает наиболее подходящими для агентов наряду с разработкой программного обеспечения. Мы детализируем этот момент в статье «Агенты ИИ в бизнесе: десять реально полезных случаев использования».

  1. Приходит электронное письмо: клиент сообщает о повреждённой посылке и запрашивает возврат средств.
  2. Агент вызывает инструмент поиска клиента и находит заказ.
  3. Он проверяет политику возвратов в документоориентированной базе и устанавливает, что запрос укладывается в сроки.
  4. Он подготавливает возврат, но инструмент оплаты настроен на требование ручной проверки: запрос отправляется консультанту с суммой и обоснованием.
  5. После получения подтверждения агент выполняет возврат, отвечает клиенту и фиксирует каждый шаг в тикете.

Ключевой момент заключается в шаге 4: агент решает о последовательности действий, но необратимое действие остаётся под контролем человека. Именно эта настройка, гораздо больше, чем выбор модели, определяет уровень риска.

Какие типы агентов ИИ выбрать в зависимости от вашей потребности?

Агенты различаются меньше технологией, а больше местом выполнения и тем, что их запускает. Следующая таблица группирует основные семейства, доступные в ноябре 2026 года.

Семейство Запуск Типичные применения Момент для внимания
Подключённый разговорный ассистент Запрос пользователя Поиск, синтез, разовые действия в подключённых приложениях Права, унаследованные от учётной записи пользователя
Агент workflow (n8n, Make, Zapier) Событие: электронное письмо, форма, расписание Сортировка запросов, обогащение карточек, подготовленные ответы Выполнение без свидетеля, отсюда важность журналов
Агент кода Задача разработки Исправить баг, написать тесты, мигрировать код Доступ к репозиторию и секретам проекта
Агент навигации или персональный агент Задание, порученное пользователем Сравнение предложений, заполнение форм, бронирование Вредоносный веб-контент, платежи
Система мульти-агентов Агент-оркестратор, который делегирует Длинные задачи, разбитые на специализированные подзадачи Умножение стоимости и трассируемости

Агенты навигации больше всего меняют взаимодействие с сайтами и онлайн-сервисами. Наша статья о агентном вебе показывает, как персональные ассистенты могли бы покупать, просматривать и оплачивать контент от имени пользователя, и почему крупные платформы могут стремиться заблокировать к ним доступ. Системы мульти-агентов относятся к отдельной теме — оркестрации мульти-агентов, которая будет рассмотрена отдельно. Чтобы углубиться, прочитайте нашу статью «Оркестрация мульти-агентов: как координировать нескольких агентов ИИ?».

Критерии, которые имеют значение

Прежде чем выбрать тип агента, задайте эти шесть вопросов о целевой задаче. Чем больше ответов склоняется к правой части каждой альтернативы, тем предпочтительнее будет простой workflow или контролируемый ассистент по сравнению с автономным агентом.

  • Изменчивость: сильно ли меняются запросы от раза к разу или они всегда следуют одному пути?
  • Количество шагов: оно непредсказуемо или вы можете прописать его заранее?
  • Обратимость: исправляется ли ошибка одним кликом или она затрагивает деньги, клиента, данные?
  • Проверяемость: можно ли результат проверить автоматически (тесты, правила) или только экспертом?
  • Чувствительность данных: обрабатывает ли агент публичные данные или персональные и конфиденциальные?
  • Объём: задача повторяется сотни раз в месяц или всего несколько раз?

Anthropic прямо рекомендует начинать с самого простого решения и добавлять автономность только тогда, когда она измеримо улучшает результат. Для случаев использования агентов ИИ в бизнесе и выбора лучших инструментов для агентов ИИ два руководства этого досье детализируют примеры и сравнение по применениям. Мы детализируем этот момент в статье «Лучшие инструменты для создания агента ИИ: сравнение по применениям».

Как построить и протестировать первого агента?

Существует два пути. Платформы визуальной автоматизации (n8n, Make, Zapier Agents) позволяют создать агента ИИ без программирования, собирая триггер, модель и инструменты; посвящённый агентам ИИ в n8n туториал показывает эту сборку шаг за шагом. Наборы для разработки от издателей моделей дают больше контроля ценой инженерной работы. В обоих случаях метод остаётся тем же. Эта тема рассматривается в отдельной статье: «Создать агента ИИ с n8n: туториал, затраты и меры предосторожности».

  1. Выберите ограниченную задачу, частую и малорисковую: сортировку входящих запросов, а не «управление поддержкой».
  2. Опишите определение успеха: как выглядит завершённая задача и что никогда не должно произойти.
  3. Дайте минимум инструментов, сначала только для чтения; добавляйте права на запись по одному.
  4. Составьте инструкции: роль, цель, правила, формат вывода, поведение в случае сомнений.
  5. Установите лимиты: количество итераций, максимальная длительность, бюджет на выполнение. В n8n, например, узел AI Agent по умолчанию ограничивает агента 10 итерациями.
  6. Создайте набор тестов на основе реальных случаев, добавив неоднозначные, неполные или подставные случаи.
  7. Запустите пилот под контролем, с ручной проверкой чувствительных действий и журнализацией каждого шага.

Тестирование — это чаще всего халтурный этап. Наше руководство по оценке агентов ИИ в бизнесе напоминает простой расчёт: агент, успешно выполняющий задачу в 80% случаев, имеет лишь около 33% шансов успешно выполнить её пять раз подряд. Поэтому надёжность нужно измерять на повторных выполнениях, а не на одной успешной демонстрации; метод оценки агента ИИ станет темой отдельного руководства этого досье.

Что приводит к провалу первого агента

  • Расплывчатая цель, позволяющая модели интерпретировать задание.
  • Слишком много инструментов или инструменты с нечёткими описаниями, провоцирующие неправильный выбор вызова.
  • Отсутствие условия остановки, и, следовательно, циклы, потребляющие вызовы без результата.
  • Тесты, ограниченные лёгкими случаями, скрывающие неудачи на нетипичных запросах.
  • Права на запись, выданные в первый же день, до наблюдения за реальным поведением.

Как обеспечить безопасность доступов и контролировать затраты?

OWASP, эталонный фонд в области безопасности приложений, относит «чрезмерную агентность» к десяти основным рискам приложений на основе языковых моделей (лист LLM06:2025). Она выделяет три причины: ненужные функции (инструмент, который может удалять, когда достаточно чтения), слишком широкие разрешения (всемогущая сервисная учётная запись вместо прав пользователя) и слишком большая автономность (действия с высоким воздействием без проверки). Защитные меры вытекают прямо из этого диагноза: специализированные инструменты вместо универсальных, минимальные привилегии, одобрение человеком действий с высоким воздействием и контроль разрешений в целевых системах, а не в суждении модели.

Второй специфический для агентов риск — это косвенная инъекция промпта: электронное письмо, веб-страница или документ, обрабатываемые агентом, содержат инструкции, которые искажают его поведение. OWASP, которая считает это риском номер один (LLM01:2025), уточняет, что ни RAG, ни донастройка модели не достаточны для его предотвращения. Спецификация MCP устанавливает тот же принцип со стороны коннекторов: хост-приложение должно получить явное согласие пользователя перед вызовом инструмента, и описания инструментов следует считать ненадёжными, пока они не поступают с доверенного сервера. Безопасность агентов ИИ, управление агентами и предотвращение инъекции промпта детализированы в отдельных руководствах.

Что касается секретов, правило простое: ключ API никогда не должен фигурировать в инструкциях агента или в общем файле. Он хранится в хранилище учётных данных платформы, ограничивается одним использованием и отзывается в случае утечки.

Оценить стоимость перед запуском

Агент потребляет токены на каждом витке цикла, и счёт быстро растёт, потому что контекст удлиняется по мере накопления результатов инструментов. Тарифная сетка Anthropic также напоминает, что определения инструментов, отправляемые модели, считаются как входные токены. Чтобы определить порядок величин, возьмём теоретический пример с Claude Sonnet 5.5, тарифицируемым в 2 доллара за миллион входных токенов и 10 долларов за миллион выходных (тарифы проверены в ноябре 2026 года):

  • 8 вызовов модели на задачу, в среднем 6000 токенов на входе и 400 на выходе;
  • то есть 48 000 входных токенов (около 0,096 доллара) и 3200 выходных (около 0,032 доллара);
  • около 0,13 доллара за задачу, следовательно, около 64 долларов за 500 задач в месяц, без учёта подписки на платформу и времени контроля.

Эти предположения сильно различаются от агента к агенту: новая попытка, объёмный документ или подчинённый агент могут умножить итог. Калькулятор стоимости агента ИИ позволяет пересчитать это с вашим сценарием, объёмами и моделью, а руководство по стоимости агента ИИ детализирует скрытые статьи: контроль, обслуживание, оценка.

Что говорит AI Act

Европейский регламент об ИИ (AI Act) рассуждает не по технологиям, а по использованию и уровню риска: агент, сортирующий заявки, имеет не те же обязательства, что агент, резюмирующий мониторинг. Согласно странице Европейской комиссии, посвящённой тексту, проверенной в ноябре 2026 года, изменяющий регламент, называемый «цифровым омнибусом» (регламент (ЕС) 2026/1744), вступивший в силу 27 июля 2026 года, сдвинул сроки применения правил для систем высокого риска: они будут применяться с 2 декабря 2027 года для чувствительных областей, перечисленных в Приложении III (занятость, образование, биометрия и др.), и с 2 августа 2028 года для систем, интегрированных в продукты. Тест, чтобы узнать, касается ли вас AI Act, даёт первоначальную ориентацию, и наше руководство по AI Act в бизнесе детализирует обязательства; ни один из этих материалов не заменяет мнения юриста. Эта тема рассматривается в отдельной статье: «AI Act: руководство по обязательствам и управлению ИИ в бизнесе».

Контрольный список перед запуском в эксплуатацию

  • Каждый инструмент имеет уникальную роль и минимальные права, задокументированные.
  • Необратимые действия (платежи, отправка, удаление) требуют ручной проверки.
  • Внешний контент, обрабатываемый агентом, считается ненадёжным.
  • Ключи API хранятся в хранилище, никогда в инструкциях.
  • Действуют лимиты итераций, длительности и бюджета.
  • Каждое выполнение журналируется: входные данные, вызовы инструментов, решения, стоимость.
  • Набор тестов перезапускается при каждом изменении инструкций, модели или инструментов.
  • Назначен человек для проверки журналов и остановки агента при необходимости.

Часто задаваемые вопросы об автономных агентах

Может ли агент ИИ работать без какого-либо контроля?

Технически да, если у него есть триггер и инструменты. На практике ни один серьёзный источник не рекомендует это для действий с высоким воздействием: и Anthropic, и OWASP рекомендуют точки контроля человеком и условия остановки. Однако контроль со временем может стать легче, перейдя от систематической проверки к выборочному контролю после измерения надёжности.

Нужно ли уметь программировать, чтобы создать агента?

Нет, для первого агента: n8n, Make или Zapier Agents предлагают визуальные редакторы, где собираются модель, инструменты и инструкции. Код становится полезен, когда нужны инструменты на заказ, тонкая интеграция с информационной системой или точный контроль затрат. В любом случае качество агента больше зависит от определения задачи и тестов, чем от выбранного инструмента.

Какая разница между агентом ИИ и классическим автоматом?

Автомат следует прописанным правилам: он предсказуем, недорог, но не умеет обрабатывать непредвиденный случай. Агент интерпретирует ситуацию и выбирает действия: он лучше справляется с разнообразием ценой более высокой стоимости за выполнение и менее предсказуемого поведения. Многие успешные развёртывания сочетают оба подхода, с агентом, ограниченным шагами, требующими суждения.

Какую модель использовать для агента?

Не существует универсально лучшей модели. Агенту в первую очередь требуется хорошая надёжность в вызове инструментов и следовании инструкциям; более маленькая и дешёвая модель может подойти для задач сортировки, более мощная модель необходима для длинных рассуждений. Интерактивный сравнитель моделей позволяет сопоставить цену, контекст и возможности, а сравнение моделей ИИ на этом сайте детализирует метод выбора.

Как узнать, действительно ли работает агент?

Измерив его на репрезентативном наборе случаев, повторённых несколько раз: процент успеха, процент ошибочных действий, количество эскалаций к человеку, стоимость и длительность на задачу. Сравните эти цифры с ситуацией без агента за тот же период и тот же объём. Предел этого упражнения известен: набор тестов никогда не покрывает все реальные случаи, отсюда важность регулярно проверять выборку выполненных задач в эксплуатации и добавлять каждый новый провал в набор тестов.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x