Накратко: AI-агент сохраняет контекст не потому, что постоянно держит в памяти всю переписку, документы и инструкции. Надёжная архитектура разделяет правила работы, состояние процесса и поиск по базе знаний. Агент получает только те данные, которые нужны для текущего шага, а затем сохраняет результат во внешней системе.
Именно поэтому переход от визуальных workflow к агентным системам не означает отказ от контроля. «Стрелочки» не исчезают — часть логики превращается в текстовые правила маршрутизации, Skills, вызовы инструментов и ограничения доступа.
Почему большое контекстное окно не решает проблему памяти
Контекстное окно — это рабочая область модели в рамках текущего запроса. В неё входят системные инструкции, история сообщений, документы, описания инструментов и результаты их вызовов. Это не постоянная база данных и не полноценная память бизнес-процесса.
Чем больше информации загружается в контекст, тем сложнее модели определить, какие сведения действительно относятся к задаче. Официальная документация Anthropic прямо отмечает: увеличение объёма контекста само по себе не гарантирует лучший результат, а с ростом числа токенов могут снижаться точность и полнота извлечения нужных сведений.
Поэтому практическая задача состоит не в том, чтобы поместить в промпт всё, а в том, чтобы организовать выборочное раскрытие информации:
- постоянно хранить только короткие правила и карту возможностей;
- подключать подробную инструкцию при выборе конкретного сценария;
- извлекать документы из базы знаний только по текущему вопросу;
- сохранять статус заявки, клиента или операции вне модели;
- после завершения шага передавать системе компактный результат, а не всю историю рассуждений.
Визуальный workflow и AI-агент решают разные задачи
Сравнивать AI-агента и n8n по принципу «что должно заменить другое» некорректно. В большинстве рабочих систем они дополняют друг друга.
| Компонент | За что отвечает | Где лучше применять |
|---|---|---|
| Визуальный workflow | Жёсткая последовательность действий, расписания, условия, API-вызовы | Синхронизация CRM, отправка уведомлений, обработка форм, регулярные отчёты |
| AI-агент | Интерпретация запроса, выбор инструмента, работа с неструктурированными данными | Классификация обращений, поиск ответа, подготовка документов, анализ переписки |
| RAG | Поиск релевантных фрагментов в документах | Регламенты, инструкции, договоры, каталоги, корпоративные базы знаний |
| CRM или база данных | Постоянное хранение фактов и состояния процесса | Карточки клиентов, статусы, сроки, ответственные, история операций |
| Skill | Повторяемые правила выполнения определённого типа задачи | Аудит, подготовка отчёта, проверка документов, обработка заявки |
Например, AI-агент может понять содержание нового обращения и определить его категорию. Но записать лид в CRM, назначить ответственного и отправить уведомление удобнее через предсказуемый workflow. Практический пример такой автоматизации показан в готовом n8n workflow с AI-обработкой контента.
Что такое прогрессивное раскрытие контекста
Прогрессивное раскрытие контекста — это подход, при котором агент сначала видит краткое описание доступных возможностей, а подробные инструкции и дополнительные материалы загружает только после выбора нужного Skill.
В актуальной документации OpenAI Skills описаны три практически важных уровня:
- Название и описание. Агент использует их, чтобы понять назначение Skill и определить, соответствует ли он запросу.
- Файл SKILL.md. После активации агент читает полную процедуру: порядок действий, требования, ограничения и критерии проверки.
- Дополнительные ресурсы. Скрипты, справочные материалы, шаблоны и другие файлы открываются только тогда, когда они нужны для конкретного шага.
Такой подход уменьшает постоянную нагрузку на контекст. Вместо десятков больших инструкций агент сначала получает компактную карту возможностей. Подробности раскрываются по мере выполнения задачи.
Подробнее о структуре и применении таких компонентов можно прочитать в руководстве „Skills и Plugins в Codex: как да изберете, инсталирате и използвате в работата“.
Почему описание Skill работает как маршрутизатор
При неявном выборе Skill агент сопоставляет пользовательский запрос с полем description. Поэтому описание выполняет функцию маршрутизатора на естественном языке.
Плохой вариант:
Работа с документами.
Из такой формулировки непонятно, какие документы поддерживаются, что именно должен сделать агент и когда Skill не следует применять.
Более точный вариант:
Проверяет договоры и внутренние регламенты, извлекает обязательства, сроки и риски. Использовать для запросов «проверь договор», «найди срок уведомления» и «сравни условия». Не использовать для подготовки юридического заключения без проверки специалистом.
Хорошее описание должно содержать:
- назначение Skill;
- тип входных данных;
- ожидаемый результат;
- характерные формулировки пользователя;
- границы применения;
- случаи, когда требуется подтверждение человека.
При этом даже подробное описание не гарантирует безошибочную маршрутизацию. Качество выбора необходимо проверять на реальных и пограничных запросах.
Чем память отличается от RAG
Память хранит состояние, а RAG находит знания. Это два разных элемента архитектуры.
Если клиент сообщил название компании, контактный телефон и желаемый срок запуска, эти сведения следует записать в CRM или базу данных. Если агенту нужно найти правило возврата товара в 200-страничном регламенте, применяется RAG.
| Что нужно сохранить | Подходящее место |
|---|---|
| Имя клиента, контакты, согласия | CRM или защищённая база данных |
| Текущий статус заявки | CRM, таблица или база состояния workflow |
| Правила работы агента | Системные инструкции и Skills |
| Договоры, инструкции, регламенты | База знаний и RAG |
| Краткий итог предыдущего этапа | Структурированная запись или резюме сессии |
| Журнал выполненных действий | Отдельный лог с датой, пользователем и результатом |
RAG обычно разбивает документы на фрагменты, индексирует их и по запросу возвращает наиболее релевантные части. Число фрагментов, стоимость индексации и качество поиска зависят от формата документов, модели эмбеддингов, размера чанков, перекрытия и выбранного хранилища. Поэтому универсального расчёта «столько-то страниц за несколько центов» не существует.
Как выглядит рабочая архитектура AI-агента
Практическая система может работать следующим образом:
- Пользователь отправляет сообщение через сайт, Telegram, WhatsApp или email.
- Оркестратор определяет намерение: консультация, заявка, поиск информации, изменение существующего заказа или обращение к менеджеру.
- Для подходящего сценария загружается соответствующий Skill.
- Если необходимы корпоративные знания, агент выполняет поиск по RAG-базе.
- Модель формирует структурированный результат: категорию, краткое резюме, найденные сведения и предлагаемое действие.
- Workflow проверяет обязательные поля и выполняет разрешённое действие.
- Результат сохраняется в CRM, таблице или базе данных.
- Операции с повышенным риском передаются человеку на подтверждение.
Схема получается не «полностью текстовой». Семантическая маршрутизация отвечает за понимание запроса, а детерминированные компоненты — за хранение данных, права доступа и исполнение операций.
Пример: агент для корпоративной базы знаний
Предположим, компании нужен внутренний помощник по договорам и регламентам. Загружать весь архив в каждый запрос не требуется.
Для MVP достаточно:
- одного канала общения с сотрудниками;
- отдельного Skill с правилами обработки вопросов;
- RAG-базы из выбранных документов;
- метаданных: тип документа, подразделение, версия и дата действия;
- ответа со ссылкой на найденный фрагмент;
- журнала запросов и неудачных поисков;
- эскалации специалисту при низкой уверенности или конфликтующих источниках.
Сначала стоит ограничить базу одной темой — например, кадровыми регламентами или правилами закупок. Это позволяет проверить качество поиска, полноту ответов и реальные формулировки сотрудников до подключения остальных документов.
Какие ограничения нельзя игнорировать
Маршрутизация может ошибаться
Похожая лексика встречается в разных бизнес-процессах. Запрос «изменить адрес» может относиться к доставке, договору, профилю клиента или реквизитам компании. Для неоднозначных случаев агент должен запросить уточнение либо передать задачу человеку.
Markdown не устраняет зависимость от платформы
Текстовые инструкции легче переносить, чем закрытый визуальный workflow, однако разные агентные среды поддерживают разные поля, инструменты, разрешения и способы вызова Skills. Обычно переносится основная логика, но интеграции и платформенные расширения приходится адаптировать.
RAG не гарантирует правильный ответ
Поиск может вернуть устаревший, неполный или нерелевантный фрагмент. В базе нужны версии документов, даты актуальности, фильтры доступа и понятное поведение при отсутствии ответа.
Агенту нельзя выдавать лишние права
Возможность прочитать документ и возможность отправить письмо, изменить CRM или удалить запись должны разграничиваться. Для чувствительных действий нужны минимальные разрешения, журналирование и подтверждение человеком. Подробная схема описана в материале о безопасном доступе AI-агентов к почте, CRM и данным.
С какого MVP начать бизнесу
Первый MVP не должен пытаться управлять всей компанией. Лучше выбрать один повторяемый процесс с понятным входом и проверяемым результатом.
- Выбрать сценарий. Например, классификация входящих заявок или поиск ответа в регламенте.
- Определить источник истины. Указать, какие документы и системы агент может использовать.
- Описать маршрутизацию. Зафиксировать типы запросов, границы и условия эскалации.
- Создать один Skill. Включить порядок действий, формат результата и критерии проверки.
- Подключить одно действие. Например, запись результата в CRM без автоматической отправки ответа клиенту.
- Собрать тестовый набор. Проверить обычные, неоднозначные и заведомо нерелевантные запросы.
- Измерить качество. Учитывать правильность маршрутизации, долю найденных ответов, ошибки и число передач человеку.
Подходящие бизнес-сценарии можно посмотреть в разделе AI-автоматизации CenterAI.
Главный вывод
Надёжный AI-агент — это не чат с бесконечной историей и не набор магических инструкций. Это система, в которой отдельно организованы маршрутизация, Skills, поиск по знаниям, постоянное состояние, выполнение действий и человеческий контроль.
Текстовые правила позволяют гибко управлять смыслом, а визуальные workflow и обычный код сохраняют предсказуемость исполнения. На практике наиболее устойчивый результат даёт их совместное применение.
Чтобы определить, какой контекст действительно нужен агенту и какой процесс стоит автоматизировать первым, можно обсудить MVP с CenterAI.
FAQ
Может ли AI-агент полностью заменить n8n?
Обычно нет. Агент лучше работает с неоднозначными запросами и неструктурированными данными, а n8n удобен для расписаний, интеграций и строго заданных действий. Их часто объединяют в одной системе.
Нужен ли RAG каждому AI-агенту?
Нет. Если агент работает с небольшой формой и несколькими фиксированными правилами, достаточно обычных инструкций и API. RAG нужен, когда ответы зависят от большого или регулярно обновляемого массива документов.
Можно ли хранить историю клиента в Markdown?
Технически можно, но для рабочего бизнес-процесса обычно лучше использовать CRM или базу данных. Они обеспечивают поиск, структуру, права доступа, обновление записей и аудит операций.
Гарантирует ли хорошее описание правильный выбор Skill?
Нет. Оно повышает качество маршрутизации, но результат необходимо проверять на тестовом наборе запросов. Для критичных действий следует использовать дополнительные условия и подтверждение человеком.
Можно ли перенести Skill между разными платформами?
Базовые инструкции и справочные материалы часто переносимы. Однако платформенные поля, инструменты, разрешения и способы запуска могут отличаться, поэтому обычно требуется адаптация.
Източници и проверка
Дата последней проверки: 17.08.2026