Мир быстро привык к словосочетанию «AI-агент», но за ним скрываются очень разные вещи: от чата с моделью в браузере до системы, которая сама читает почту, разбирает вложения и готовит документ. AI-агент в строгом смысле — это программа, которая получает от человека цель и добивается её самостоятельно: планирует шаги, обращается к внешним сервисам и сама решает, когда работа закончена. В этом материале собрано, что такое AI агент по формулировкам самих разработчиков моделей, как работают AI агенты внутри, какие из них уже запущены официально и какими способами агента создают — от конструктора без кода до прямых вызовов API.
Вся фактура ниже — из первоисточников: инженерных статей и документации Anthropic, OpenAI, Google и проекта MCP, а также из двух русскоязычных видеоразборов, где авторы объясняют устройство агентов и собирают одного из них прямо в кадре.
Что такое AI-агент
Разумнее начать с формулировок компаний, которые эти системы строят: между ними расхождений меньше, чем между статьями в интернете.
В практическом руководстве OpenAI по созданию агентов (A practical guide to building agents) определение занимает одну строку: агенты — это системы, которые самостоятельно выполняют задачи от вашего имени. Там же дана и обратная сторона, редкая для вендорских текстов: простые чат-боты, однократные обращения к модели и классификаторы тональности агентами не являются. Граница проходит по самостоятельности в выполнении задачи целиком, а не в отдельном ответе.
Anthropic в инженерной статье Building effective agents делит понятие надвое, и это деление объясняет большую часть путаницы. Рабочие процессы (в оригинале workflows) — это системы, где языковые модели и инструменты управляются через заранее прописанные пути в коде. Агенты (agents) — системы, где языковые модели сами направляют собственный ход работы и сами распоряжаются инструментами. Обе разновидности Anthropic объединяет общим названием «агентные системы». Разница практическая: в первом случае порядок шагов известен автору заранее, во втором его выбирает модель в момент выполнения.
Google Cloud в своём объяснении термина описывает агентов как программные системы, которые с помощью ИИ преследуют цели и выполняют задачи от имени пользователей, опираясь на рассуждение, планирование и память и обладая определённой степенью автономности.
По-русски ту же мысль коротко формулируют в выпуске Технорепорта:
Это системы, которые не просто отвечают, а действуют. Они планируют, анализируют, используют инструменты и достигают целей автономно.
— «Что такое ИИ-агенты?», канал «ТЕХНО: Яндекс про технологии»
Разработчик Алексей Голобурдин в разборе на канале «Диджитализируй!» говорит то же самое со стороны инженера: ИИ-агент — это система на основе большой языковой модели, которая способна сама решать задачу, взаимодействуя с внешним миром, и самостоятельно принимать решения.
Из четырёх определений складывается рабочее. AI-агент — это языковая модель, которой дали цель, набор инструментов и право самой выбирать, каким инструментом и в каком порядке воспользоваться, пока цель не будет достигнута.
Чем агент отличается от чат-бота
Разницу удобнее всего показать через образ из того же выпуска Технорепорта:
Если чатбот — это некий условный сверхразум-эрудит, запертый в комнате, то агент — это тот же эрудит, но с ключами от всех дверей, доступом в интернет и телефоном. Он не просто знает, он делает.
— «Что такое ИИ-агенты?», канал «ТЕХНО: Яндекс про технологии»
Комната — это ограничение обычной языковой модели. Модель знает многое, рассуждает связно, пишет тексты и код, но всё, что она умеет отдать наружу, — это текст ответа. Ключи от дверей — это подключённые к ней функции, API и сервисы. В том же разборе про них сказано прямо: у агента есть «ручки от внешнего мира», и это главное отличие его от просто модели.
Отсюда простой критерий для проверки. Спросите себя, что меняется вне диалога после того, как система отработала. Если ничего, кроме появившегося на экране текста, — перед вами чат-бот, каким бы умным он ни был. Если появилась строка в таблице, ушло письмо, создан файл, запущен тест, оформлен документ — это агент.
Есть и второе отличие, менее заметное. Чат-бот отвечает один раз на одну реплику. Агент работает циклом. В разборе Технорепорта этот цикл описан как рассуждение вслух: агент пробует, видит, что не получилось, идёт к следующему шагу по плану, а неудачный шаг исправляет, и останавливается только тогда, когда цель достигнута.
Как работают AI-агенты
В руководстве OpenAI устройство агента разложено на три части, и эта схема удобна тем, что подходит любому агенту независимо от языка и платформы.
Первая часть — модель. Она отвечает за рассуждение: понимает задачу, строит план, выбирает следующий шаг. Вторая — инструменты: внешние функции и API, через которые агент действует. Третья — инструкции: правила, которым агент подчиняется, включая запреты и ограничители. Всё это работает внутри цикла, который, по формулировке того же руководства, позволяет агенту работать до тех пор, пока не будет достигнуто условие выхода.
Те же три части перечислены и в разборе Технорепорта: искусственный интеллект здесь мозг, набор функций и API — инструменты, и вдобавок у агента есть контекст того, что он делал на предыдущих шагах.
Самое важное происходит в момент вызова инструмента. Решение принимает модель, а не заранее написанное условие:
Этой модельке мы даём конкретные инструменты для решения нашей задачи. И моделька, внимание, сама решает, когда вызвать наш код и какие параметры в этот код передать. Уже не мы пишем if else для того, чтобы определить, какую функцию вызвать.
— Алексей Голобурдин, «ИИ-агенты — вот что действительно изменит разработку», канал «Диджитализируй!»
Технически это выглядит одинаково у всех крупных провайдеров. В документации Anthropic по работе с инструментами последовательность такая: модель возвращает запрос на вызов инструмента, программа исполняет этот вызов у себя, результат отправляется обратно модели, и она формирует ответ или запрашивает следующий вызов. Повторение этих шагов и называется агентным циклом. В руководстве OpenAI по вызову функций описан тот же обмен, разложенный на пять шагов, с тем же принципом: когда и с какими параметрами звать функцию, определяет модель.
Отдельная часть — память. Языковая модель не помнит предыдущие обращения: всё, что она «знает» о ходе работы, приходит вместе с очередным запросом. Поэтому агенту нужно хранилище истории — от простого списка сообщений в оперативной памяти до базы данных, если агент работает постоянно.
Шесть типовых схем из документации Anthropic
В статье Anthropic перечислены шесть повторяющихся схем, из которых собирают агентные системы. Цепочка промтов: задача разбита на шаги, и каждый следующий шаг получает результат предыдущего. Маршрутизация: входящий запрос сначала классифицируется и направляется в подходящую ветку обработки. Параллелизация: задача делится на независимые части либо один и тот же вопрос задаётся несколько раз, а ответы сравниваются между собой. Оркестратор с исполнителями: главная модель дробит задачу и раздаёт куски другим моделям, а затем собирает результат. Генератор с оценщиком: одна модель пишет, вторая проверяет и возвращает замечания, пока результат не устроит проверяющего. И, наконец, автономный агент: цикл, в котором модель работает с инструментами, опираясь на обратную связь от среды. Первые пять схем относятся к рабочим процессам, их порядок задан кодом; агентом в строгом смысле является только последняя.
AI-агенты: примеры
Проще всего понять границы понятия по тому, что уже выпущено официально.
Claude Code — агент для программирования от Anthropic. На странице продукта его работа описана как чтение задач из трекера, написание кода, запуск тестов и отправка готовых изменений на ревью, причём разрешение на действия он спрашивает. Это хороший образец агента в чистом виде: цель ставится словами, а порядок шагов и выбор инструментов остаются за моделью.
Deep Research от OpenAI (анонс от 2 февраля 2025 года) — агент для исследований. По анонсу он проводит многошаговый поиск в интернете и тратит на одну задачу десятки минут. Здесь важна оговорка: это описание из анонса разработчика, а не независимый замер. Из того же ряда ChatGPT agent, который, по описанию OpenAI, выполняет задачи на собственном виртуальном компьютере.
Бытовой пример звучит в разборе Технорепорта: каждый понедельник с утра просмотреть свежие подкасты и новости на разных сайтах и в Telegram-каналах, отобрать нужное, сделать краткий обзор и прислать его автору в Telegram через бота. Пример полезен тем, что в нём видны все части агента: расписание запуска, источники как инструменты, отбор и сжатие как работа модели, доставка результата как отдельное действие.
Рабочий пример из разбора Голобурдина — из тех задач, что встречаются в любой небольшой компании. Реквизиты приходят на почту в разных видах: иногда PDF-документом, иногда файлом Word, иногда просто текстом в теле письма. По ним нужно выставить счёт или подготовить акт. Агент находит письмо, извлекает реквизиты и передаёт их дальше на оформление документа.
В этом примере есть деталь, которая важнее самой задачи. Сам документ агент не рисует — его собирает обычная функция в коде. Причина в разборе объяснена прямо: модель — вероятностная история, она может где-то ошибиться, а реквизиты должны быть точными, поэтому PDF генерирует функция автора. Это общее правило разумной сборки: модель отвечает за понимание и решение, детерминированный код — за то, что обязано быть точным.
Как создать AI-агента: три пути
Создание AI-агентов сегодня распадается на три уровня, и различаются они не столько возможностями, сколько тем, сколько кода придётся написать.
Путь первый: без кода
Конструкторы автоматизаций закрывают большинство прикладных задач. В n8n есть отдельная нода AI Agent, к которой снизу подключаются языковая модель и инструменты; похожим образом устроены Zapier Agents. Работа сводится к выбору блоков и описанию роли агента словами, программировать не нужно.
Здесь этот путь упомянут ради полноты картины: пошаговый разбор со всеми настройками, подключением ключа и сборкой бота есть в отдельном материале — как создать ИИ-агента в n8n.
Путь второй: Python и фреймворки
Второй уровень — код. Python здесь язык по умолчанию: почти все известные библиотеки выходят сначала под него, поэтому запрос «python ai агент» на практике сводится к выбору фреймворка.
LangChain предлагает готовую функцию create_agent, которая собирает агента из модели и списка инструментов. LangGraph от той же команды распространяется по лицензии MIT и работает уровнем ниже: он даёт низкоуровневую оркестрацию, то есть управление тем, как шаги связаны между собой. CrewAI — ещё один фреймворк из этого ряда. OpenAI Agents SDK построен вокруг небольшого набора примитивов: агенты, передача задачи между ними, ограничители и сессии. Claude Agent SDK в документации описан как те же инструменты, агентный цикл и управление контекстом, на которых работает Claude Code. Есть и Google ADK.
Как это выглядит на практике, показано в разборе Голобурдина: инструменты описываются как обычные функции, агент создаётся встроенной функцией фреймворка, куда передаются модель, список инструментов и хранилище истории сообщений. В ролике история хранится в оперативной памяти, и там же сказано, что для боевого применения контекст нужно складывать в базу — например, в PostgreSQL.
Разработка AI-агентов на этом уровне даёт то, чего нет в конструкторе: любые библиотеки, собственная логика между шагами, тесты и обычный контроль версий.
Путь третий: напрямую через API
Третий путь — без фреймворка вообще. Механизм называется вызовом инструментов у Anthropic и вызовом функций у OpenAI, но устроен одинаково: вы описываете доступные функции — имя, назначение, список параметров — и передаёте это описание вместе с запросом. Модель в ответ присылает не текст, а указание вызвать конкретную функцию с конкретными аргументами. Ваш код выполняет вызов и возвращает результат обратно. Цикл повторяется, пока модель не решит, что задача закрыта.
Этот путь требует больше ручной работы, но у него нет посредников: понятно, что именно уходит в модель и что возвращается. Многие начинают с фреймворка, а после первых сложностей с отладкой переходят на прямые вызовы.
Общее для всех трёх путей одно: агенту нужен доступ к языковой модели, то есть ключ API. GEN202 закрывает этот пункт одним ключом ко всему каталогу моделей с оплатой рублями и без зарубежной карты; новым пользователям начисляется 50 кредитов (25 ₽) — этого достаточно, чтобы собрать первого агента и проверить, что связка работает. Состав доступа описан на странице API языковых моделей.
MCP: как агенты подключаются к данным
Чем больше у агента инструментов, тем острее вопрос подключения. Каждый источник данных — почта, база, трекер задач, файловое хранилище — требует отдельной интеграции, и написанное для одного агента не переносится на другой.
Ответом на это стал MCP (Model Context Protocol). На сайте протокола он описан как открытый стандарт с открытым исходным кодом для подключения ИИ-приложений к внешним системам, а для наглядности предложено сравнение: MCP — это как разъём USB-C для ИИ-приложений. Смысл сравнения в единообразии: раньше к каждому устройству шёл свой провод, теперь один разъём подходит ко всему.
Протокол создан Anthropic и представлен в ноябре 2024 года. В анонсе задача сформулирована прямо: заменить разрозненные интеграции одним протоколом. На практике это означает, что источник данных достаточно один раз обернуть в MCP-сервер, после чего к нему сможет обратиться любое приложение, поддерживающее стандарт, — без переписывания под каждого клиента.
Для того, кто собирает агента, MCP полезен как готовый слой инструментов: вместо того чтобы вручную описывать функции для доступа к сервису, можно подключить уже существующий сервер.
AI-агенты для бизнеса
Прикладные задачи, на которых AI-агенты для бизнеса встречаются чаще всего, видны по примерам выше. Это клиентская поддержка, где агент отвечает на типовые вопросы и заводит обращения; продажи, где он отвечает на вопросы о товаре и записывает заявку; и внутренние процессы вроде подготовки документов из входящих писем или регулярного обзора источников.
Важнее, однако, не список задач, а трезвый расчёт. Показательна история, которую разбирают в выпуске Технорепорта. Компания Klarna в 2024 году громко объявила, что больше не нанимает людей, положившись на поддержку с искусственным интеллектом. По изложению авторов разбора, эксперимент полностью провалился: пользователи остались недовольны качеством поддержки. Вывод, который они делают, звучит так: самым эффективным процессом оказался тандем человека и машины.
Рекомендации разработчиков моделей ведут туда же. Anthropic в статье об эффективных агентах советует искать самое простое решение и повышать сложность только там, где она действительно нужна, и отдельно предупреждает, что агентные системы часто платят задержкой и стоимостью за лучшее качество решения задачи. Проверять поведение агента там же рекомендуют в песочнице, то есть в изолированной среде, где ошибка ничего не ломает.
OpenAI в своём руководстве описывает ограничители как многослойную защиту: несколько независимых проверок вокруг агента, а не одна большая инструкция. Отдельно там названы два условия обязательной передачи задачи человеку — превышение порога неудачных попыток и любые действия с высоким риском. Практический смысл простой: агент готовит и предлагает, а необратимое действие — платёж, рассылку, удаление — подтверждает человек.
Ограничения: что мешает агентам
Слабые места агентных систем известны, и разработчики их не скрывают. Короче всего они перечислены в выпуске Технорепорта:
Главные проблемы — это галлюцинация. То есть модель выдумывает то, чего нет. Неспособность держать контекст эффективно. Ещё вот то, что называется недетерминированность. Она каждый раз строит новые планы. Она может построить план, и вдруг она сделает какой-то другой план, который в итоге нашу цель плохо или вообще не реализует.
— «Что такое ИИ-агенты?», канал «ТЕХНО: Яндекс про технологии»
Как это выглядит вживую, видно в разборе Голобурдина. Прямо во время записи агент выдумал реквизиты — подставил в документ данные, которых в письме не было. Причину автор объясняет перегрузкой: когда в рамках одного агента происходит слишком много действий — поиск письма, выгрузка вложения, разбор реквизитов и генерация документа, — модель начинает галлюцинировать. Промта, который решил бы всю задачу одним агентом, подобрать не удалось, и задача была разбита на двух агентов, работающих последовательно. Это рабочий приём: чем уже зона ответственности одного агента, тем реже он ошибается.
Второй способ снизить разброс — настройка температуры. В том же ролике показано, что по умолчанию она выставлена в 0,1, и поясняется правило: чем меньше значение, тем более детерминированные ответы выдаёт модель. Полностью предсказуемой система от этого не становится, но разброс между запусками уменьшается.
Третье ограничение вытекает из природы самой модели. В разборе она названа механизмом продвинутого автодополнения текста — инструментом, который подбирает наиболее подходящее следующее слово с учётом смысла. Из этого следует всё остальное: то, что должно быть точным, лучше поручать обычному коду, а не модели.
Локальный AI-агент
Локальный AI-агент — это тот же агент, но с моделью, запущенной на вашем оборудовании. Чаще всего для этого используют Ollama: она запускает открытые модели на своей машине и отдаёт API, к которому подключаются редакторы кода и фреймворки.
Причин выбрать такой вариант две. Первая — данные не покидают контур: письма, документы и базы обрабатываются там же, где лежат. Для задач с персональными данными и коммерческой тайной это часто решающий довод. Вторая — нет оплаты за токены: сколько бы запросов агент ни сделал, счёт не растёт.
Плата за это тоже понятна. Нужна машина, способная держать модель, и её ресурсы становятся вашей заботой: память, видеокарта, скорость ответа. Открытые модели, которые помещаются на обычное железо, обычно уступают крупным облачным в сложных многошаговых задачах — а именно такие задачи и достаются агентам.
В конструкторах локальная модель подключается ровно так же, как облачная: в n8n Ollama выбирается в списке провайдеров той же самой подноды, что и остальные модели, а вся остальная схема не меняется. Это позволяет собрать сценарий на облачной модели, а потом перевести его на локальную, не переделывая логику.
AI-агенты в России
Разговор про AI-агенты в России удобно разделить надвое, потому что ответы получаются разные.
Инструментальная часть доступна полностью. n8n ставится на свой сервер и работает без ограничений, фреймворки вроде LangChain, LangGraph и CrewAI распространяются свободно, Ollama запускает модели локально. Ничто из перечисленного не требует ни подписки, ни зарубежного аккаунта.
Сложность возникает там, где агенту нужна сильная облачная модель. Ключи зарубежных провайдеров оформляются на зарубежную карту, и для многих это и оказывается стоп-фактором. Обходной путь — российский шлюз: GEN202 даёт один ключ ко всему каталогу моделей с оплатой рублями, так что зарубежная карта и отдельные аккаунты у каждого поставщика не нужны.
Из российских вариантов доступны и собственные модели отечественных компаний — например, GigaChat, на котором собирает агента автор разбора «Диджитализируй!». Фреймворки работают с ними так же, как с любыми другими.
Бесплатный AI-агент: что реально бесплатно
Запрос «бесплатный AI агент» встречается часто, и честный ответ на него состоит из трёх частей.
Платформа бывает бесплатной. n8n, поднятый на своём сервере, денег не стоит; фреймворки распространяются свободно, LangGraph — по лицензии MIT. За среду сборки платить не нужно ни в одном из трёх путей.
Модель на своей машине тоже бесплатна в смысле счетов: Ollama не берёт денег за запросы. Но железо оплачивается заранее и целиком, а если агенту нужно работать круглосуточно и принимать входящие события, добавляется сервер.
Облачные модели платные, и это единственная неустранимая статья расходов. Тарификация идёт за токены — отдельно за то, что уходит в модель, и за то, что она возвращает. На самой доступной модели каталога GEN202 счёт начинается от 18 ₽ за миллион входных токенов; цены по всем моделям собраны в каталоге.
Отсюда практический вывод. Полностью бесплатный агент существует — это связка бесплатного конструктора с локальной моделью, и она годится для задач, где важнее приватность, чем качество рассуждения. Как только требуется сильная модель, расход появляется, и лучше оценить его заранее, посчитав объём типичного запроса.
FAQ
Что такое AI-агент простыми словами? Это программа, которая получает цель, а не команду. Ей дают доступ к внешним сервисам и право самой выбирать, что и в каком порядке делать, пока цель не достигнута. Обычная программа выполняет прописанные шаги, агент придумывает шаги сам.
Чем AI-агент отличается от нейросети? Нейросеть, точнее языковая модель, — это часть агента, отвечающая за рассуждение и текст. Сама по себе она умеет только отвечать. Агент — это система вокруг модели: инструменты, инструкции, память и цикл, который повторяет шаги до результата. Модель без инструментов агентом не является, о чём прямо сказано в руководстве OpenAI.
Как создать AI-агента бесплатно? Поднять n8n или взять свободный фреймворк и подключить локальную модель через Ollama. Платить не придётся ни за конструктор, ни за запросы — расходом останется только ваше оборудование. Если нужна сильная облачная модель, бесплатной схемы не будет, но пробных кредитов при регистрации в сервисе доступа обычно хватает на сборку и проверку первого агента.
Что такое MCP? Открытый стандарт подключения ИИ-приложений к внешним системам, созданный Anthropic и представленный в ноябре 2024 года. Его задача — заменить отдельную интеграцию под каждый источник данных одним общим протоколом; на сайте проекта он сравнивается с разъёмом USB-C.
Можно ли создать агента без программирования? Да. Конструкторы вроде n8n собираются мышью: блок агента, языковая модель, инструменты и описание роли обычным текстом. Код понадобится позже — когда потребуется нестандартный инструмент или логика между шагами, которую конструктор не выражает.
Сколько стоит агент в работе? Считать нужно по обращениям к модели. Каждый шаг агента — это отдельный запрос, а история переписки подставляется в каждый следующий запрос заново и оплачивается как входные токены. Поэтому агент с десятком шагов обходится заметно дороже одного ответа чат-бота, и объём контекста стоит держать под контролем с самого начала.