Site icon CenterAI

Архитектура ИИ-агента: как он устроен и как создать своего

Demystifying AI Agents Guide

ИИ-агент — это программа, которая использует языковую модель (LLM), инструменты и рабочий контекст для выполнения задачи в несколько шагов. В отличие от обычного чат-бота, агент может не только отвечать на вопросы, но и обращаться к файлам, получать данные из API, запускать программные команды и передавать результаты в другие системы.

В этом руководстве разберём архитектуру ИИ-агентов простыми словами: что такое LLM, Agent Harness, инструменты, память и Skills, как они работают вместе, где полезны бизнесу и как начать с одного практического сценария без сложной инфраструктуры.

1. Чем ИИ-агент отличается от обычного чат-бота?

Обычный чат-бот в основном работает по схеме «вопрос — ответ». ИИ-агент способен выполнять последовательность операций, анализировать их результаты и выбирать дальнейшие действия.

Пример. Руководитель компании просит: «Собери статистику продаж за прошлую неделю, сравни с предыдущей и подготовь отчёт».

Обычная языковая модель может объяснить, как сделать такой отчёт, или обработать загруженную таблицу. Агент с необходимыми подключениями способен:

  1. Получить данные из CRM или таблицы.
  2. Проверить формат и полноту записей.
  3. Рассчитать продажи за два периода.
  4. Определить изменения по товарам или категориям.
  5. Подготовить таблицу и краткие выводы.
  6. Сохранить отчёт и отправить его менеджеру.

При этом не обязательно разрабатывать отдельное приложение. Современные AI-платформы уже предоставляют часть агентных возможностей через встроенные инструменты и подключения. Собственная архитектура становится особенно полезной, когда компании нужны регулярные процессы, собственные правила работы и интеграции с внутренними системами.

2. Из каких компонентов состоит ИИ-агент?

Архитектуру ИИ-агента удобно представить как взаимодействие четырёх основных частей: языковой модели, управляющей среды, инструментов и контекста.

Компонент Простыми словами Для чего нужен
LLM Мозг агента Понимает задачу, анализирует информацию, предлагает следующие действия
Agent Harness Управляющая оболочка Организует работу модели, передаёт команды инструментам и возвращает результаты
Tools Рабочие инструменты Читают файлы, обращаются к API, выполняют команды, обновляют данные
Context Рабочая информация Содержит инструкции, историю задачи, документы и полученные результаты

Упрощённая формула: ИИ-агент = LLM + Harness + инструменты + контекст.

В реальном приложении к этой схеме добавляются хранение состояния, проверка результатов, расписание, права доступа и другие компоненты по необходимости.

LLM: модель, которая принимает решения

Large Language Model — большая языковая модель. Например, модели семейств GPT, Claude или Gemini.

LLM анализирует запрос и доступную информацию. Когда к ней подключены инструменты, она может определить, какой из них использовать, сформировать аргументы вызова и интерпретировать ответ.

Но сама языковая модель не является сервером, CRM или браузером. Возможность выполнить действие зависит от среды, в которой модель работает, и предоставленных ей инструментов.

Agent Harness: управляющая среда агента

Agent Harness — программная система, которая организует выполнение задач языковой моделью. Она передаёт модели инструкции и контекст, обеспечивает вызов инструментов, обрабатывает результаты и управляет очередным шагом работы.

Например, агенту поставлена задача проанализировать каталог товаров. Harness может организовать следующий цикл:

  1. Передать модели задачу и описание доступных инструментов.
  2. Получить от модели решение прочитать CSV-файл.
  3. Запустить соответствующий инструмент.
  4. Передать модели найденные данные или ошибку.
  5. Получить решение о следующем действии.
  6. Продолжить цикл до выполнения задачи либо достижения установленного ограничения.

Подробности о роли управляющей оболочки разобраны в отдельной статье «Agent Harness: как устроена среда выполнения ИИ-агента».

Tools: инструменты для действий

Без инструментов модель ограничена генерацией и анализом доступного ей содержимого. Инструменты превращают её решения в реальные операции.

В зависимости от задачи агент может получить доступ к:

Важно понимать разницу: модель выбирает действие, но фактически его выполняет конкретная программа или сервис.

3. Как выглядит рабочий цикл ИИ-агента?

Разберём на примере обработки клиентской заявки.

Схема процесса:

  1. Вход: клиент отправляет сообщение через форму сайта.
  2. Анализ: LLM определяет тему обращения и какие данные нужны.
  3. Инструмент: агент проверяет наличие клиента в CRM.
  4. Результат: CRM возвращает сведения о клиенте.
  5. Решение: агент выбирает категорию обращения и подготавливает ответ.
  6. Действие: создаётся задача менеджеру, в CRM добавляется запись.
  7. Завершение: менеджер получает уведомление и подготовленный проект ответа.

В данном примере автоматизация включает привычные операции с данными и один интеллектуальный этап: интерпретацию обращения и принятие решения о его маршрутизации.

Агент не обязательно должен самостоятельно выполнять весь процесс. Часто эффективнее, когда AI анализирует и классифицирует информацию, а заранее определённый программный сценарий выполняет остальные операции.

4. Где может работать ИИ-агент: облако, компьютер или сервер?

Среда запуска определяет, какие ресурсы доступны агенту, насколько просто его обслуживать и сможет ли он выполнять задания без включённого компьютера пользователя.

Вариант Особенности Когда подходит
Облачный агент Использует инфраструктуру поставщика, подключённые сервисы и предоставленные инструменты Анализ документов, исследования, задачи с облачными приложениями
Локальный агент Работает на компьютере пользователя и может получать доступ к разрешённым файлам и программам Разработка, обработка локальных документов, разовые и интерактивные задачи
Серверный агент Запущен в серверной инфраструктуре и может обрабатывать события без участия рабочего ПК Регулярные отчёты, заявки, мониторинг, интеграции и автоматизация бизнеса

Локальные агенты

К локальным инструментам агентной разработки относятся Codex CLI, Claude Code, OpenCode и другие системы. Они могут работать с проектами, исходным кодом, документацией и командами терминала в рамках доступных прав.

Для первой практической задачи часто достаточно существующего компьютера и отдельной рабочей папки. Не требуется сразу создавать сервер или объединять несколько агентов.

Серверные агенты

Серверная система особенно полезна, когда задача должна выполняться регулярно либо запускаться при появлении новых данных.

Обычно используют два механизма:

Сервер сам по себе не делает агента автономным. Необходимо настроить запуск, хранение состояния, обработку ошибок и доступ к нужным системам.

5. Какие программы использовать для создания ИИ-агента?

При выборе инструментов важно различать готовые среды для работы с агентом и программные библиотеки для разработки собственных решений.

Инструмент Основное назначение Подходящие задачи
Codex CLI Агентная работа с кодом и проектами Разработка, изменение файлов, запуск тестов
Claude Code Работа с проектами, инструментами и командами Программирование, анализ и автоматизация рабочих операций
OpenCode Открытая среда агентной разработки Терминальная работа с кодом и подключаемыми моделями
Hermes Agent Настраиваемый агент с инструментами и рабочими процессами Персональные ассистенты, автоматизация повторяющихся задач
OpenAI Agents SDK Библиотека для разработки агентных приложений Собственные backend-системы и интеграции

Выбирать систему только по названию модели неправильно. Нужно учитывать поддерживаемые инструменты, права доступа, совместимость с вашей инфраструктурой, ограничения тарифа и требования конкретной задачи.

Для знакомства с одним из вариантов серверной автоматизации можно изучить возможности Hermes Agent для бизнеса.

6. Как агент подключается к CRM, Google Sheets и другим сервисам?

У ИИ-агентов существует несколько способов взаимодействия с внешними системами. Самые распространённые — API, MCP, CLI и браузерные инструменты.

API — прямое подключение к сервису

API (Application Programming Interface) позволяет программам обмениваться данными по определённым правилам.

Например, агент может вызвать API CRM, получить сведения о клиенте или отправить запрос на создание задачи.

MCP — стандарт подключения инструментов

Model Context Protocol (MCP) — открытый протокол, стандартизирующий взаимодействие AI-приложений с внешними инструментами и источниками данных.

MCP позволяет подключать совместимые серверы инструментов без необходимости для каждой интеграции заново разрабатывать собственный механизм взаимодействия.

Пример:

ИИ-агент → MCP-клиент → MCP-сервер → сервис или база данных → результат агенту.

Это не замена API: MCP-сервер сам может обращаться к API внешнего продукта.

Отдельное практическое объяснение — в статье «MCP простыми словами: как AI-агенты работают с данными».

CLI — управление программами через терминал

CLI (Command-Line Interface) позволяет выполнять действия через текстовые команды.

С помощью CLI агент может обработать файлы, запустить тесты, собрать проект или воспользоваться установленной утилитой.

Браузерные инструменты позволяют работать с веб-интерфейсом, если нужного API нет либо он не предоставляет необходимую функцию. Однако браузерные сценарии обычно сильнее зависят от изменений интерфейса.

7. Контекст, память и Skills: как научить агента работать по вашим правилам?

Один из наиболее полезных способов настройки ИИ-агента — дать ему постоянные инструкции, доступ к нужным данным и повторно используемые рабочие процедуры.

Контекст: что агент знает прямо сейчас

Контекст — информация, доступная модели при очередном обращении. Он может включать:

Контекст ограничен техническими параметрами модели и приложения. Поэтому крупные документы и длинные истории нередко приходится отбирать, сокращать либо загружать частями.

Память: сведения между заданиями

Память позволяет сохранять полезные сведения для следующих запусков: настройки проекта, принятые решения, результаты предыдущих операций.

Память может храниться в файлах, базе данных или специализированной системе. Не каждый агент автоматически ведёт долговременную память; это зависит от используемой реализации.

AGENTS.md и CLAUDE.md: постоянные правила проекта

Некоторые агентные среды поддерживают специальные файлы инструкций.

Например, Codex использует AGENTS.md, а Claude Code — CLAUDE.md.

В таком файле можно описать:

Пример содержимого AGENTS.md:

# Правила проекта

Проект: автоматизация еженедельных отчётов продаж.

Исходные данные находятся в папке data.

Готовые отчёты сохраняй в папку reports.

Не изменяй исходные CSV-файлы.

Проверяй итоговые суммы и количество обработанных записей.

Если обязательных данных нет, сообщи об этом. Не подставляй вымышленные значения.

Такой документ делает инструкции постоянной частью проекта, а не требованием, которое приходится повторять в каждом запросе.

Skills: готовые инструкции для повторяющихся задач

Skill — это повторно используемый набор инструкций и, при необходимости, дополнительных ресурсов или скриптов.

Примеры Skills для бизнеса:

Если процесс удалось выполнить и проверить несколько раз, его можно оформить как Skill. Это упрощает повторное использование процедуры.

При этом расположение Skills и поддержка их форматов отличаются у различных систем. Общая папка с инструкциями не гарантирует, что любой агент автоматически сможет их выполнить.

8. Сколько стоит работа ИИ-агента?

Стоимость зависит от модели, схемы оплаты, количества вызовов, объёма передаваемого контекста, используемых инструментов и инфраструктуры.

Существует три основных варианта.

Вариант Преимущества Ограничения
Подписка Удобна для ежедневной интерактивной работы, часто включает пакет доступных возможностей Лимиты использования, ограничения функций и условия конкретного тарифа
API с оплатой по использованию Удобен для интеграций, измеряемых рабочих процессов и собственных приложений Расход зависит от модели, токенов и других оплачиваемых операций
Локальная модель Может работать без оплаты облачного API и обрабатывать данные на собственном оборудовании Требует вычислительных ресурсов, настройки и обслуживания

Подписка не всегда дешевле API, а API не обязательно обходится дорого. Например, небольшая автоматизация, которая несколько раз в день классифицирует короткие обращения, может иметь низкую стоимость API. Напротив, агент, постоянно анализирующий большой проект, способен создавать существенный расход токенов.

Для оценки затрат полезно провести тест на реальных задачах и измерить количество вызовов, токенов и время выполнения.

Если предполагается запуск модели на собственном компьютере, полезно ознакомиться с руководством по локальным моделям через Ollama.

9. Практика: создаём первого ИИ-агента для обработки отчёта

Рассмотрим простой сценарий, который можно использовать как первое упражнение: агент получает CSV-файл с продажами, анализирует данные и создаёт отчёт.

Цель — проверить не автономность ради автономности, а способность системы выполнить измеримую рабочую задачу.

Шаг 1. Определяем задачу и результат

Предположим, в компании есть CSV-файл с четырьмя колонками:

Необходимо получить общую выручку, количество продаж, список наиболее продаваемых товаров и список некорректных записей.

Ожидаемый результат — отчёт в удобном формате и отдельный перечень обнаруженных проблем.

Шаг 2. Подготавливаем рабочую папку

Создаём папку sales-agent и внутри неё три элемента:

Пока достаточно одной папки и одного агента. База данных, сервер и несколько взаимодействующих моделей для такого упражнения не требуются.

Шаг 3. Формулируем задание агенту

Вместо длинной последовательности указаний о том, какие команды запускать, лучше определить задачу, источники данных, ограничения и критерии успешности.

Пример рабочего задания:

Проанализируй CSV-файлы с продажами в папке data и подготовь отчёт за указанный в данных период.

Рассчитай общую выручку, количество продаж и пять товаров с наибольшей выручкой.

Проверь корректность дат, количества и сумм. Некорректные записи не исправляй самостоятельно, а вынеси в отдельный раздел.

Сохрани итоговый отчёт в папку reports. Исходные файлы не изменяй.

Критерии готовности: все корректные записи учтены, итоговые суммы проверены независимым пересчётом, в отчёте указан период и число исключённых записей.

Такое задание оставляет агенту свободу выбора технических действий, но задаёт понятные условия проверки результата.

Шаг 4. Проверяем результат

После выполнения необходимо убедиться, что агент действительно обработал файлы, а не просто подготовил правдоподобный текст отчёта.

Проверяем:

Если значения расходятся, нужно установить причину и скорректировать правила либо инструменты обработки данных.

Шаг 5. Превращаем удачный процесс в повторяемый

Когда результат стабильно соответствует требованиям, рабочую процедуру можно сохранить в виде Skill или отдельного программного сценария.

В следующий раз задача будет сводиться к добавлению нового файла и запуску проверенной процедуры.

Итог практического задания: первый работающий сценарий, который обрабатывает исходные данные, выполняет вычисления, создаёт отчёт и предоставляет результат для проверки.

10. Как превратить учебный пример в бизнес-автоматизацию?

После проверки небольшого сценария можно добавить интеграции с реальными источниками данных и механизм запуска.

Например, для ежедневного отчёта продаж:

  1. Планировщик запускает задачу утром.
  2. Система получает новые данные из CRM или интернет-магазина.
  3. Программный инструмент проверяет структуру данных.
  4. ИИ анализирует отклонения и составляет пояснения.
  5. Результат сохраняется в Google Sheets или базе данных.
  6. Руководитель получает отчёт в Telegram.

Здесь важно правильно разделить обязанности. Сбор записей, сложение сумм и проверка обязательных полей обычно надёжнее выполняются обычным программным кодом. ИИ полезен для анализа нестандартных ситуаций, интерпретации информации и формирования понятных пояснений.

Аналогичный подход применяется при обработке клиентских заявок, почты, документов и внутренней базы знаний.

11. Типичные ошибки при создании ИИ-агента

Сразу строить мультиагентную систему

Несколько агентов нужны далеко не всегда. Дополнительные участники увеличивают сложность обмена информацией, диагностики ошибок и контроля результатов. Сначала полезно проверить, справляется ли один агент.

Использовать LLM для обычных вычислений

Если нужно сложить суммы, отфильтровать записи или сравнить даты, проще использовать стандартные функции программы. AI-модель должна решать те части задачи, где действительно требуется работа с языком, неоднозначными данными или выбором действий.

Подключить инструменты без критериев результата

Возможность вызывать API ещё не означает, что система правильно выполняет бизнес-процесс. Нужны определённые входные данные, ожидаемый результат и понятные проверки.

Смешивать инструкции, данные и память

Постоянные правила лучше хранить отдельно от текущих документов. Историю операций и важные результаты также желательно отделять от кратковременного контекста модели.

Не учитывать стоимость повторных вызовов

Агент может выполнить несколько вызовов модели для одной задачи. При разработке важно контролировать количество шагов, размер контекста и фактическое потребление ресурсов.

12. С чего начать создание ИИ-агента для своей компании?

Первый проект не должен охватывать все процессы бизнеса. Лучше выбрать задачу с понятным входом и проверяемым результатом.

Минимальный состав MVP:

После успешного тестирования можно добавить расписание, подключение CRM, Telegram, почты или базы данных. Более сложная архитектура имеет смысл тогда, когда действительно возникает необходимость в дополнительных возможностях.

Заключение

ИИ-агент — это не просто языковая модель с длинным промптом. Это рабочая система, в которой LLM анализирует задачу, Harness управляет процессом, инструменты выполняют действия, а контекст и память обеспечивают доступ к необходимой информации.

Для бизнеса главное — не количество агентов и сложность архитектуры, а конкретный результат: обработанная заявка, обновлённая CRM, подготовленный отчёт или выполненная повторяющаяся операция.

Хотите понять, какой процесс вашей компании можно автоматизировать первым? Обсудите задачу с CenterAI — начнём с оценки одного практического MVP.

Частые вопросы

Обязательно ли программировать, чтобы использовать ИИ-агента?

Нет. Для работы с готовыми агентными приложениями программирование не всегда требуется. Однако создание собственных интеграций и нестандартных инструментов может потребовать разработки.

Можно ли создать ИИ-агента без постоянного интернета?

Да, если модель и инструменты работают локально и задача не зависит от внешних сервисов. Для подключения облачной CRM, внешних API или почтовых сервисов обычно потребуется сеть.

Может ли один агент использовать несколько моделей?

Да, если выбранная среда поддерживает маршрутизацию между моделями. Например, разные модели можно использовать для классификации обращений и сложного анализа. Но для первого проекта это необязательно.

Нужна ли агенту база данных?

Не всегда. Простой агент может работать с файлами и кратковременным контекстом. База данных становится полезной, когда нужно хранить историю, состояние процессов, структурированные записи или общую информацию между запусками.

Источники и документация

Дата проверки: 22 октября 2026 года.

Exit mobile version