Что такое ИИ-агент простыми словами

Что такое ИИ-агент, если убрать маркетинговый слой: это программа, которой дают цель, а не пошаговую инструкцию, и которая доводит цель до результата сама, вызывая внешние инструменты и проверяя себя после каждого шага. Формула короткая: ИИ-агент = модель + связующий код + инструменты + память. Модель выбирает следующий шаг, связующий код превращает её ответ в реальный вызов, инструменты меняют что-то во внешних системах, память удерживает контекст между шагами.

Бытовой пример. Запрос «перенеси завтрашнюю встречу с Ивановым на пятницу и предупреди его» обычная модель закроет советом, как это сделать. Агент выполняет шесть действий сам: находит событие в календаре, собирает свободные слоты пятницы, сверяет их с занятостью второго участника, переносит встречу, отправляет письмо с новым временем, возвращает отчёт. Человек участвует дважды: ставит цель и принимает результат.

Определение в одном абзаце

ИИ-агент простыми словами это система на базе языковой модели, которая получает цель, сама решает, какие шаги нужны, вызывает для этих шагов внешние инструменты (API, базы, почту, CRM), читает результат каждого вызова и корректирует план, пока цель не достигнута или пока не сработает ограничение.

Формальную границу Anthropic проводит в руководстве Building effective agents: workflow это связка модели и инструментов, где порядок шагов задан кодом заранее, agent это система, где модель сама управляет своим процессом и выбором инструментов. Вывод оттуда же: агентные системы платят за качество латентностью и стоимостью, поэтому строить их стоит только там, где сценарий заранее не расписывается.

Из чего состоит агент: четыре узла

Если хотя бы одного узла нет, перед вами не агент, а генератор текста, скрипт или чат-бот.

Модель: выбор следующего шага

Физическое ограничение модели это контекстное окно, куда попадает всё: системный промпт, каждое сообщение, результаты вызовов инструментов, документы и даже определения самих инструментов. У Claude Opus 5, Sonnet 5 и Sonnet 4.6 окно составляет 1 000 000 токенов, у Sonnet 4.5 и ряда прежних моделей 200 000 (документация Claude). Там же названо неприятное свойство: с ростом числа токенов точность и полнота извлечения падают, эффект зовётся context rot. Отсюда правило: в контекст кладут не всё, что есть, а то, что нужно на текущем шаге.

Инструменты: вызов функций и API

Технически это function calling. Документация OpenAI описывает цикл в пять шагов: запрос со списком инструментов, ответ модели с вызовом, исполнение вызова кодом приложения, повторный запрос с результатом, финальный ответ или следующий вызов (Function calling). Там же мягкая рекомендация, которую нарушают почти все первые сборки: держать доступными меньше 20 функций на начало хода, иначе точность выбора падает. Строгий режим (strict: true) заставляет соблюдать схему аргументов, но требует additionalProperties: false у каждого объекта и перечисления всех полей в required.

Подключение стандартизировано: Model Context Protocol Anthropic опубликовала 25 ноября 2024 года как открытый стандарт, чтобы не писать отдельную интеграцию под каждый источник; в первом наборе серверов были Google Drive, Slack, GitHub, Git, Postgres и Puppeteer (анонс MCP).

Память: короткая и векторная

Короткая память это само контекстное окно. Она конечна: если вход превышает окно, API возвращает ошибку 400 invalid_request_error с текстом «prompt is too long». Для длинных задач применяют компакцию, то есть серверное сжатие ранней части диалога, и очистку старых результатов инструментов.

Длинная память это внешнее хранилище с поиском. Каноническая схема называется RAG и описана в работе «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks», поданной 22 мая 2020 года и принятой на NeurIPS 2020 (arXiv:2005.11401). Рядом с моделью держат плотный векторный индекс (в оригинале это была Википедия), перед ответом достают релевантные фрагменты и кладут в контекст. Так агент помнит регламенты, прайс и историю клиента, не удерживая их в окне постоянно.

Цикл рассуждения: ReAct

Узел, который склеивает первые три. Схема ReAct описана в статье «ReAct: Synergizing Reasoning and Acting in Language Models», поданной 6 октября 2022 года (arXiv:2210.03629). Метод чередует рассуждение и действие: модель формулирует мысль, вызывает инструмент, читает наблюдение, обновляет план. Прирост успешности там составил 34% в среде ALFWorld и 10% в WebShop относительно методов имитационного обучения и обучения с подкреплением, при одном-двух примерах в промпте.

Как агент принимает решение: наблюдение, план, действие, проверка

Сквозной сценарий: с сайта пришла заявка «нужен расчёт на 40 точек», цель агента подготовить и отправить коммерческое предложение.

Столбец «Проверка» и отличает агента от скрипта. Если на шаге 1 организация не нашлась, агент не идёт на шаг 2, а задаёт уточняющий вопрос или закрывает задачу с пометкой «недостаточно данных».

Чат-бот, RPA и ИИ-агент: таблица различий

Следствие: RPA дешевле и предсказуемее там, где процесс не меняется годами и интерфейсы стабильны, агент оправдан там, где вход каждый раз разный. Смешивать полезно: агент принимает решение, RPA выполняет механический кусок в системе без API. Держите в голове и предупреждение Gartner про agent washing, переупаковку прежних ассистентов, RPA и чат-ботов в «агентов» без реальных агентных свойств: из тысяч вендоров, называющих себя агентными, настоящих около 130 (пресс-релиз Gartner от 25 июня 2025 года).

Уровни автономности: от подсказки до автономного исполнения

Автономность это не свойство модели, а настройка контура.

1. Подсказка. Модель предлагает текст или план, действия выполняет человек. Инструментов нет, рисков тоже.
2. Действие с подтверждением. Агент готовит конкретное действие (черновик письма, запись в CRM, платёжное поручение) и останавливается. В Agents SDK OpenAI это оформлено как interruptions: требующий одобрения вызов не исполняется, возвращаются список прерываний и сериализуемое состояние, после решения человека запуск продолжается с того же места, а не с начала (Guardrails and human review).
3. Автономность в песочнице. Агент действует сам внутри ограниченных прав: чтение, черновики, внутренние записи. Всё, что выходит наружу или меняет деньги, откатывается на уровень 2.
4. Автономное исполнение. Агент закрывает задачу целиком, человек смотрит логи выборочно. Допустимо только для обратимых операций с понятной ценой ошибки.

Подтверждение обязательно на любом действии с внешним эффектом и без простого отката. Документация OpenAI прямо относит к ним отмену операций, правку данных, shell-команды и чувствительные вызовы через MCP, а для рискованных сценариев требует отдельно отсекать доступ к продакшену, разрушающие изменения и выгрузку данных наружу. Второй обязательный триггер это порог отказов: превысив лимит попыток, агент передаёт задачу человеку, а не пробует ещё раз.

Мультиагентные системы: когда один агент не справляется

Оркестратор держит цель и делит её на подзадачи, исполнители работают каждый со своим узким набором инструментов и своим контекстом. Разумный порог перехода: задача требует больше трёх разнородных инструментов либо объём информации заведомо не помещается в одно контекстное окно.

Выигрыш измерим. У Anthropic связка из Claude Opus 4 в роли оркестратора и Sonnet 4 в роли исполнителей обошла одиночного Opus 4 на 90,2% на внутренней оценке исследовательских задач (How we built our multi-agent research system). Там же названа цена: агенты расходуют примерно в 4 раза больше токенов, чем обычный чат, мультиагентные системы примерно в 15 раз. И объяснение: на бенчмарке BrowseComp расход токенов сам по себе объясняет 80% разброса результатов, а вместе с числом вызовов инструментов и выбором модели три фактора дают 95%.

Где схема не работает: задачи, где всем участникам нужен один общий контекст, и задачи с плотной координацией. Пример оттуда же: в разработке по-настоящему параллельных кусков меньше, чем в ресёрче, а делегировать друг другу в реальном времени модели пока умеют плохо.

Что агент делает плохо

• Галлюцинация при вызове инструмента. Модель может вызвать функцию с выдуманным аргументом или несуществующим идентификатором. Лечится строгими схемами, валидацией аргументов на стороне кода и сокращением набора функций: рекомендация OpenAI держать меньше 20 инструментов на начало хода существует именно поэтому.
• Накопление ошибки по шагам. Отдельный шаг бывает надёжным, а цепочка нет. Бенчмарк τ-bench (arXiv:2406.12045, подан 17 июня 2024 года) ввёл метрику pass^k, успех во всех k повторах одной задачи. Сильные на тот момент агенты решали меньше 50% задач, а pass^8 в розничном домене падал ниже 25%: восемь одинаковых запусков подряд агент проходил реже, чем в четверти случаев.
• Стоимость растёт нелинейно. Каждая итерация тащит в контекст всю историю плюс результаты инструментов, поэтому шаг 10 дороже шага 2. Ориентиры Anthropic: 4x к обычному чату для одиночного агента, 15x для мультиагентной системы.
• Деградация на длинном контексте. Тот самый context rot: длинный диалог делает агента не умнее, а рассеяннее.
• Организационный риск. Gartner прогнозирует, что более 40% агентных ИИ-проектов свернут до конца 2027 года: рост издержек, неясная ценность, недостаточный контроль рисков. В том же релизе есть встречный прогноз: к 2028 году не менее 15% повседневных рабочих решений будут приниматься автономно (в 2024 году 0%), а 33% корпоративных приложений получат агентные функции (в 2024 году менее 1%). Противоречия нет: технология закрепляется, плохо поставленные проекты закрываются.

Примеры задач, которые агент закрывает целиком

Задача годится для агента, если у неё есть понятный вход, набор инструментов и измеримый выход.

• Квалификация заявки. Вход: форма с сайта. Инструменты: поиск по реестрам, база тарифов, CRM. Выход: карточка в CRM с заполненными полями и оценкой приоритета.
• Разбор почтового ящика. Вход: входящие за сутки. Инструменты: почтовый API, база знаний, таск-трекер. Выход: письма разложены по категориям, по срочным созданы задачи, по типовым готовы черновики на подтверждение.
• Ресёрч по рынку. Вход: список вопросов. Инструменты: поиск, загрузка страниц, векторное хранилище. Выход: справка, где у каждого утверждения есть ссылка на источник.
• Сверка документов. Вход: пакет актов и счетов. Инструменты: распознавание, выгрузка из учётной системы, таблица. Выход: список расхождений с указанием документа и строки.
• Работа с кодом. Вход: тикет с описанием бага. Инструменты: чтение репозитория, правка файлов, запуск тестов, создание пул-реквеста. Выход: пул-реквест с зелёными тестами, ревью остаётся за человеком.

Это механика, а не экономика. Какие сценарии окупаются первыми и где внедрение чаще всего проваливается, разобрано в материале ИИ-агенты для бизнеса.

Чек-лист: готова ли задача для агента

Семь вопросов, на каждый ответ «да» или «нет». Если «да» меньше пяти, берите сценарного бота или RPA: агент добавит только стоимости и непредсказуемости.

1. Цель формулируется одним предложением, и результат можно проверить без спора?
2. Вход каждый раз разный, то есть жёсткий сценарий из веток случаи не покроет?
3. Нужно обращаться минимум к двум внешним системам (почта, CRM, база, API)?
4. Доступы можно выдать программно, а не только через интерфейс человека?
5. Есть 20 и более прошлых кейсов, на которых можно замерить качество до запуска?
6. Цена редкой ошибки терпима, а сама ошибка обратима или отсечена подтверждением?
7. Понятно, кто принимает эскалацию, когда агент останавливается?

Частые вопросы

ИИ-агент это то же самое, что чат-бот?

Нет. Чат-бот работает по заранее описанным веткам диалога и отвечает текстом. Агент получает цель, сам выбирает шаги, вызывает инструменты и меняет состояние внешних систем. Граница совпадает с разделением Anthropic на workflow, где порядок шагов задан кодом, и agent, где шаги выбирает модель во время выполнения.

Сколько стоит запустить агента?

Готовых сумм нет, они зависят от модели и объёма, но формула считается заранее: разработка и интеграции + (число задач в месяц × среднее число итераций × токены на итерацию × тариф модели) + сопровождение. Ключевой множитель второй: расход токенов у агента примерно вчетверо выше, чем у обычного чата, а у мультиагентной системы примерно в 15 раз. Актуальные тарифы на токены смотрите на страницах цен вендора модели.

Нужно ли уметь программировать?

Для прототипа нет: визуальные конструкторы закрывают связку «модель плюс несколько готовых интеграций». Для боевой версии да, и упирается это не в модель, а в обвязку: описание инструментов, валидация аргументов, обработка отказов, логи и подтверждения.

Насколько безопасно давать агенту доступ к системам?

Безопасность здесь свойство контура, а не модели. Минимум: разделить действия на автоматические и требующие подтверждения, вынести в подтверждаемые всё необратимое, поставить порог числа попыток, после которого задача уходит человеку, и логировать каждый вызов с аргументами. В Agents SDK OpenAI это guardrails трёх типов (на входе, на выходе и на инструментах) плюс механизм одобрений.

С какой задачи начинать?

С той, где уже есть архив прошлых кейсов и понятный критерий успеха: на них замеряют качество до запуска и после. Практически это чаще всего разбор входящих обращений или ресёрч. Первые недели держите человека в контуре на уровне подтверждений: цифры τ-bench про падение надёжности при повторных прогонах относятся и к вашему агенту.