Разработчик ИИ-агентов это не переименованный бэкендер и не промпт-инженер с расширенными правами. Роль опознаётся по составу того, что человек сдаёт на проекте: описания инструментов со схемами аргументов, набор проверок качества, ограничители и лимиты, трассировка вызовов, поведение системы при отказе модели и таймауте внешнего сервиса. Ниже этот состав работы, стек с датами релизов на 22 августа 2026 года и формулировки требований из живых вакансий hh.ru. Материал для тимлида, которому надо понять, кого нанимать и что спрашивать на собеседовании.
Откуда взялась цифра 92% и что показал опрос на самом деле
Заголовок «92% разработчиков уверены, что ИИ-агенты помогут им в карьере» разошёлся по русскоязычным изданиям без указания базы. Источник конкретный: материал Salesforce от 27 февраля 2025 года по данным четвёртого выпуска исследования State of IT: AI & App Development. Основная выборка это сегмент руководителей разработки внутри двойного анонимного опроса IT-руководителей, поле собиралось с 24 декабря 2024 года по 3 февраля 2025 года, более 2000 респондентов. Отдельно, в партнёрстве с YouGov, с 14 по 21 февраля 2025 года опросили около 250 линейных разработчиков в США.
Список стран респондентов приведён поимённо, их 28: от Австралии и Бразилии до Японии, ОАЭ, Великобритании и США. России в списке нет, переносить эти проценты на российский рынок нельзя. Полезны в опросе не 92% оптимизма, а цифры про неготовность инфраструктуры: они описывают ровно тот фронт работ, который закрывает разработчик ИИ-агентов.
- 82% разработчиков считают, что их организации нужно обновить инфраструктуру, чтобы собирать и выкатывать агентов;
- 56% говорят, что качество и точность их данных недостаточны для агентного контура;
- 48% отвечают, что процессы тестирования не готовы к агентам;
- более 8 из 10 ждут, что знание ИИ станет базовым навыком профессии, но больше половины не считают свой набор навыков готовым.
В самом оптимистичном опросе про агентов почти половина респондентов признаёт, что тестировать агента им нечем. Это и есть предмет роли.
Что разработчик ИИ-агентов сдаёт на проекте
Роль понятнее всего через список артефактов. Если чего-то из него на проекте нет, агент живёт в режиме демо, а не в проде.
| Артефакт | Что в нём | Признак, что его нет |
|---|---|---|
| Каталог инструментов | Имя, описание и JSON Schema аргументов функции | Модель угадывает параметры, в логах вызовы с выдуманными значениями |
| Набор evals | Датасет сценариев с ожидаемым поведением, прогон на каждый релиз промпта | Качество проверяют вручную на пяти любимых вопросах |
| Guardrails и лимиты | Проверки входа и выхода, потолок шагов и стоимости диалога, белый список действий | Агент уходит в бесконечный цикл вызовов |
| Трассировка | След запуска: промпт, вызовы, аргументы, ответы, токены, задержки | На жалобу «агент ответил ерунду» нечего открыть |
| Политика отказов | Поведение при таймауте инструмента, при 429 от провайдера, при отказе модели | Пользователь видит трейсбек или пустой ответ |
| Состояние и возобновление | Хранилище шагов, возобновление запуска, вставка решения человека | Перезапуск сервиса теряет контекст задачи |
Описания инструментов: главный артефакт и главная развилка
Основная работа разработчика ИИ-агентов это не промпт, а контракт между моделью и вашими системами. Формат контракта у каждого провайдера свой, переносимость нулевая.
В Anthropic Messages API инструмент описывается тремя полями: name, description и input_schema с JSON Schema аргументов. Когда модель решает вызвать функцию, ответ приходит со stop_reason: “tool_use” и блоком tool_use, а результат возвращается блоком tool_result с полем tool_use_id. Есть флаг strict: true, который гарантирует соответствие вызова вашей схеме, и tool_choice с параметром disable_parallel_tool_use, чтобы за ход был максимум один вызов.
В Yandex AI Studio функции описываются в поле tools, внутри объект function с именем, описанием и parameters в виде JSON Schema. Если модель решила воспользоваться инструментом, в ответе приходит поле ToolCallList, а результат работы функции отправляется обратно в поле ToolResultList.
В GigaChat API поля называются иначе: массив functions и параметр function_call со значением “auto”, а факт вызова опознаётся по finish_reason: “function_call”. Кроме пользовательских, у GigaChat есть встроенные функции, в том числе text2image, get_file_content и text2model3d.
Описания инструментов стоят токенов на каждом запросе. В документации Anthropic указан служебный системный промпт под tool use: для Claude Opus 5 это 286 токенов при tool_choice auto или none и 406 токенов при any или tool. Сверху идут имена, описания и схемы, а также блоки tool_use и tool_result в истории. Кто держит это в голове, пишет описания короткими. Кто не держит, приносит счёт, где половина трат ушла на пересылку схем.
Отдельная строка это Model Context Protocol: в репозитории спецификации лежат схемы за 2024-11-05, 2025-03-26, 2025-06-18, 2025-11-25 и 2026-07-28 плюс draft. Пять датированных ревизий меньше чем за два года означают, что интеграцию через MCP придётся сопровождать, а не написать один раз.
Применение ИИ-агентов упирается в evals, а не в качество промпта
Практическое применение ИИ-агентов ломается в одном месте: правка промпта улучшает три сценария и незаметно ломает седьмой. Увидеть это заранее позволяет только набор evals, то есть зафиксированный датасет входов с ожидаемым поведением, который прогоняется на каждое изменение.
Даты последних релизов на 22 августа 2026 года:
- promptfoo, последний релиз 0.122.0 от 4 августа 2026 года;
- DeepEval, версия 4.1.10 в PyPI от 21 августа 2026 года;
- Ragas, версия 0.4.3 в PyPI от 13 января 2026 года, больше семи месяцев без релиза.
Разница в датах это не рейтинг качества, а риск сопровождения: библиотека без релизов семь месяцев отстаёт от изменений в API провайдеров.
Минимум, который разумно требовать от кандидата: несколько десятков реальных диалогов из вашей предметной области, разделение на проверку факта (нашёл ли агент нужную запись) и формы (соблюдён ли формат), фиксация версии промпта и модели рядом с результатом прогона.
Guardrails и лимиты: что именно ограничивают
Термин guardrails в разных стеках значит разное, на собеседовании его надо раскрывать. В документации OpenAI Agents SDK это проверки входа и выхода, одна из трёх базовых сущностей наряду с агентами и handoffs. Входные проверки по умолчанию идут параллельно с агентом (run_in_parallel=True): при срабатывании tripwire агент может успеть потратить токены и вызвать инструменты, поэтому дорогие сценарии переводят в блокирующий режим run_in_parallel=False. Отдельно описаны tool guardrails, которые срабатывают до и после каждого вызова функции-инструмента.
В проде добавляются ограничители, которых в SDK нет и которые пишет разработчик:
- потолок итераций цикла «вызвал инструмент, получил ответ, думает дальше», иначе агент крутится до исчерпания бюджета;
- потолок стоимости диалога в токенах с эскалацией на человека при превышении;
- белый список действий с побочными эффектами: списание, отправка письма, правка записи в CRM только через инструмент с подтверждением;
- таймаут на каждый внешний вызов отдельно от общего таймаута запроса.
Трассировка вызовов: без неё роль не существует
Агент недетерминирован, и разбирать инциденты можно только по полному следу запуска: запрос пользователя, системный промпт, список инструментов, каждый вызов с аргументами, ответ инструмента, финальный текст, токены и задержка на каждом шаге. Логов приложения для этого не хватает.
Из систем трассировки в российских вакансиях встречается Langfuse: в вакансии Lad (hh.ru, 136417891) она названа прямо. Последний релиз v4.16.0 от 21 августа 2026 года, в файле LICENSE репозитория стоит «Copyright (c) 2023-2026 ClickHouse, Inc.», а каталоги ee/ вынесены под отдельную лицензию: при self-hosted варианте надо смотреть, какие функции попадают в платный контур.
Отказы модели и таймауты: где ломается прод
Список сбоев у агентных систем отличается от привычного бэкенду набора, и по нему видно опыт кандидата:
- Невалидный JSON в аргументах. Лечится строгими схемами (в Anthropic strict: true), валидацией на своей стороне и повтором с текстом ошибки, а не падением.
- Инструмент ответил за 30 секунд вместо одной. Нужен отдельный таймаут на вызов и осмысленный ответ о недоступности данных.
- Провайдер отдал 429 или 5xx. Повтор с экспоненциальной задержкой и обязательной идемпотентностью: повторный вызов «создать заявку» не должен создать две заявки.
- Модель отказалась отвечать. Нужен запасной маршрут: другой промпт, другая модель или передача человеку.
- Процесс упал на середине многошаговой задачи. Спасает сохранение состояния. В LangGraph это чекпоинтеры: InMemorySaver для тестов, SqliteSaver для разработки, PostgresSaver и AsyncPostgresSaver для прода, нить адресуется через thread_id (документация просит держать его короче 255 символов, иначе PostgresSaver вернёт ошибку базы).
Нужен агент, который переживёт таймаут и отказ модели
Собираем агентный контур с evals, лимитами и трассировкой, а не демо на скриншотах. Разбираем задачу, показываем архитектуру и сроки до начала работ.
Искусственный интеллект и ИИ-агенты: стек, который приходится выбирать
Выбор фреймворка обсуждают в терминах удобства, а нанимающей стороне важнее сопровождаемость. Цифры ниже сняты с GitHub и PyPI 22 августа 2026 года.
| Фреймворк | Последний релиз | Лицензия | Звёзд на GitHub |
|---|---|---|---|
| OpenAI Agents SDK (Python) | 0.22.0, 19 августа 2026 | MIT | около 28 900 |
| OpenAI Agents SDK (JS/TS) | 0.17.0, 19 августа 2026 | MIT | около 3 700 |
| LangGraph | 1.2.11, 11 августа 2026 | MIT | около 40 200 |
| CrewAI | 1.15.17, 20 августа 2026 | MIT | около 57 500 |
| Microsoft AutoGen | python-v0.7.5, 30 сентября 2025 | код под MIT (LICENSE-CODE), корневой LICENSE это CC BY 4.0 | около 60 600 |
Обратите внимание на последнюю строку. У AutoGen самое большое число звёзд, но последний Python-релиз датирован 30 сентября 2025 года: почти одиннадцать месяцев без обновления пакета. Звёзды это накопленная популярность, а не признак живого проекта. Кандидат, который обосновывает выбор стека звёздами, а не датой релиза и лицензией, последствий такого выбора не разгребал.
Российский контур добавляет работу: слой абстракции над провайдером, который скрывает расхождение имён полей у GigaChat, Yandex AI Studio и зарубежных API, пишется руками.
Чем роль отличается от ML-инженера, промпт-инженера и бэкендера
В вакансиях эти четыре роли идут рядом и путаются. Различие проще всего провести по предмету ответственности.
| Роль | За что отвечает | Чего обычно не делает |
|---|---|---|
| Разработчик ИИ-агентов | Контракт модели с внешними системами, цикл вызовов, лимиты, evals, трассировка, отказы | Не обучает модели, не собирает датасеты для обучения |
| ML-инженер | Обучение, дообучение, метрики модели, инференс-инфраструктура | Обычно не проектирует схемы инструментов и не разбирает инциденты |
| Промпт-инженер | Формулировки, структура инструкции, стабильность формата ответа | Не пишет интеграции, не держит состояние, не отвечает за идемпотентность |
| Бэкенд-разработчик | API, очереди, хранилища, нагрузка, надёжность сервиса | Обычно не строит evals и недооценивает недетерминированность модели |
Названия должности не устоялись: на hh.ru 22 августа 2026 года поиск по России даёт 282 вакансии, где встречается точная фраза «ИИ-агентов», и всего 47 с фразой «AI-агентов» в названии, а по слову «агентов» в названии возвращается 2649 позиций, где первые страницы это агенты по недвижимости. Искать корректнее по стеку и требованиям.
На практике границы размыты. В позиции Senior AI-engineer (AI-Агенты) в Сбере (hh.ru, вакансия 135635243) требования звучат так: «опыт как ML-инженера, DS, MLOps или Python Backend-разработчика в AI», «успешный опыт создания промышленных AI-агентов», «работу с фреймворками для AI-агентов (LangChain / LangGraph) и базовое понимание ML/DL», а в обязанностях названы «оркестрация множества агентов» и «интеграция с внешними системами через Kafka, REST API, gRPC, WS».
В вакансии «Инженер AI-агентов» группы IT-компаний Lad (hh.ru, вакансия 136417891) состав работы ближе к артефактам: «проектировать и разрабатывать ИИ-агентов: оркестрация, tool use, RAG, промпт-инжиниринг», «работать с инструментами мониторинга работы ИИ-агентов, например Langfuse», а среди требований отдельной строкой стоит «умение измерять качество ИИ-решений».
Что спрашивать на собеседовании: пять проверок
- «Покажите описание инструмента, который вы писали.» Есть ли описание у каждого параметра, есть ли required, ограничены ли значения через enum и границы. Схема без описаний параметров означает, что кандидат не разбирал вызовы с выдуманными аргументами.
- «Как вы понимали, что новая версия промпта не хуже старой?» Ответ «прогонял вручную» опускает роль до промпт-инженера. Нужен датасет, метрика и привязка к версии модели.
- «Что происходит, если инструмент отвечает 30 секунд?» В ответе должен быть отдельный таймаут на вызов и то, что видит пользователь, а не только слово retry.
- «Повторный вызов создаст вторую заявку?» Проверка на идемпотентность инструментов с побочными эффектами: на этом вопросе отсеиваются кандидаты из чистого промптинга.
- «Где вы смотрите след конкретного разговора?» Ответ должен содержать имя системы и перечень полей: аргументы вызовов, ответы инструментов, токены, задержки.
Чему роли приходится доучиваться
Набор компетенций этой роли не совпадает целиком ни с одной прежней специальностью, поэтому кандидат почти всегда приходит с пробелом в одной из частей. Бэкендеру не хватает работы с недетерминированным ответом и практики evals. ML-инженеру не хватает интеграционной части: очереди, идемпотентность, таймауты, состояние диалога. Промпт-инженеру не хватает инженерного слоя целиком. Это и стоит за формулировкой Salesforce про 8 из 10, которые ждут ИИ как базовый навык, при том что больше половины не считают свои навыки готовыми.
Пересобирается такой набор на реальных задачах, а не на общей теории. Маршрут обучения разобран отдельно, в материале про обучение ИИ-агентам и автоматизации.
Проверьте свой контур за две минуты
Датасет evals, потолок итераций цикла, отдельный таймаут на каждый вызов, идемпотентность действий с побочными эффектами, трассировка с аргументами. Если два пункта из пяти без ответа, агент живёт в режиме демо.
Частые вопросы
Обязательно ли разработчику ИИ-агентов знать машинное обучение?
Для прикладной роли нет. В вакансии Сбера 135635243 формулировка звучит как «базовое понимание ML/DL», упор идёт на промышленную разработку на Python, ООП, паттерны и микросервисы. Обучение моделей остаётся у ML-инженера.
Какой фреймворк выбрать в 2026 году?
Смотрите на дату последнего релиза и лицензию, а не на звёзды. На 22 августа 2026 года активно релизятся OpenAI Agents SDK (0.22.0 от 19 августа), LangGraph (1.2.11 от 11 августа) и CrewAI (1.15.17 от 20 августа), все под MIT. У Microsoft AutoGen последний Python-релиз от 30 сентября 2025 года.
Насколько применимы к России цифры опроса Salesforce?
Напрямую не применимы. Список стран респондентов включает 28 государств, России среди них нет, а дополнительный опрос 250 линейных разработчиков проводился только в США с 14 по 21 февраля 2025 года.
Чем tool use в российских API отличается от зарубежных?
Именами полей. У Anthropic это name, description и input_schema, ответ со stop_reason: “tool_use”. В Yandex AI Studio это tools с объектом function и parameters, ответ в ToolCallList, результат в ToolResultList. В GigaChat это массив functions и параметр function_call со значением “auto”, вызов опознаётся по finish_reason: “function_call”.
Сколько вакансий по этой роли реально открыто?
Точную цифру дать нельзя: названия не устоялись. На 22 августа 2026 года hh.ru по России показывает 282 вакансии, где встречается фраза «ИИ-агентов», и 47 с фразой «AI-агентов» в названии.
