Что такое ИИ-агенты и как они работают

ИИ-агент — это модель в рабочей среде

Обычная нейросеть в чате работает коротким циклом: вы задаёте вопрос, она формирует ответ и ждёт следующего сообщения. Она может написать фрагмент кода, объяснить таблицу или подготовить письмо, но не обязана открыть проект, проверить результат и продолжить работу.

AI-агент получает цель, выбирает следующий шаг, вызывает разрешённый инструмент, читает результат и решает, что делать дальше. Задача «исправить ошибку на сайте» может распасться на поиск места в коде, чтение связанных файлов, правку, запуск теста, проверку страницы в браузере и отчёт.

Поэтому агент — не самостоятельный разум, а оболочка вокруг подключённой модели. Качество работы зависит от модели, инструкций, контекста, данных, инструментов и ограничений доступа. Чем больше инструментов, тем больше полезных задач — и тем выше цена ошибки.

• Модель генерирует текст, код и выбор следующего действия.
• Инструкции задают цель, стиль работы, запреты и критерии готовности.
• Контекст — это задача, файлы, история шагов и важные выдержки из документации.
• Инструменты дают доступ к файлам, терминалу, браузеру, API, таблицам и другим системам.
• Права и контроль определяют, что агент может читать, менять, запускать и отправлять без подтверждения человека.

Когда нужен агент, а когда хватит workflow или чата

Обычная автоматизация подходит для заранее известных правил: новая заявка пришла с сайта, обязательные поля проверены, дубликат найден, сделка создана, менеджер получил уведомление. В n8n такую логику разумнее собрать из прозрачных нод, условий и обработки ошибок: её проще тестировать, дешевле запускать и легче передать команде.

Чат-бот или AI-ассистент полезен, когда нужно обработать свободный текст, но решение остаётся за человеком: подготовить черновик ответа, пересказать встречу, извлечь поля из обращения. Агент нужен, когда после понимания запроса требуется несколько разных шагов с инструментами — например, собрать данные из писем, CRM и таблицы, найти расхождения и предложить следующий шаг.

Для понятных цепочек действий сначала полезно освоить обычный workflow: что такое n8n и для чего он нужен. Агент стоит добавлять в отдельный участок, где появляются поиск причины, неструктурированный текст или выбор дальнейшего действия.

• «Каждая заявка должна попасть в CRM по одним правилам» — обычный workflow.
• «Подготовь черновик ответа по письму» — чат-бот или AI-ассистент с проверкой сотрудника.
• «Собери данные из писем, таблицы и CRM, найди расхождения» — агент; на старте только с правом чтения.

Что современные агенты умеют на практике

В разработке агент может создать структуру проекта, написать компоненты, запустить сборку и проверить страницу в браузере. В работе с документами — собрать сводную таблицу, найти расхождения, подготовить отчёт или пройти сценарий в браузере. Это не гарантирует готовый продукт: архитектуру, безопасность и итог принимают люди.

Большие файлы не исчезают из ограничений модели. Но агент может искать фрагменты на диске, читать их частями, делать сводки и запускать обработку. Он всё равно способен пропустить важную связь, поэтому результат нужно проверять. Например, в поддержке агент по разрешённым источникам собирает историю клиента и готовит черновик ответа; отправка письма или изменение данных — отдельное решение по рискам.

Задачи могут идти несколько минут, несколько часов, а иногда передаваться между несколькими агентами. Длительность не равна качеству: нужны лимиты времени и бюджета, сохранение промежуточного результата и ревью перед публикацией.

Четыре практических кейса для агентов

Подбор кандидатов. Агент читает резюме и сопроводительные письма, сверяет опыт с согласованными критериями, готовит вопросы для интервью и предлагает слоты в календаре. Workflow сохраняет карточку в ATS — системе учёта кандидатов — и отправляет приглашение только после одобрения рекрутера. На входе — вакансия, критерии, резюме и правовое основание для обработки данных; на выходе — карточка кандидата, вопросы и предложенное время интервью. Агент не должен сам отказывать человеку или принимать решение о найме.

Аналитик Яндекс.Метрики. По вопросу «почему стало меньше заявок?» агент с доступом только на чтение к API Метрики сравнивает периоды, источники, устройства, посадочные страницы и цели. Он возвращает не выдуманную «причину падения», а гипотезы с цифрами и следующими проверками. Для доступа нужен OAuth-токен — временный ключ, которым сервис подтверждает права пользователя. Агенту не выдают право менять цели Метрики, рекламный бюджет или код сайта.

Многостраничный сайт. Агент начинает с карты страниц и требований, создаёт компоненты и шаблоны, запускает сборку, проверяет ссылки и открывает страницы в браузере. В большой задаче роли можно разделить: один агент отвечает за структуру и данные, другой — за интерфейс, третий — за тесты. Безопасный старт для новичка — одна страница в локальной копии, а не доступ к production-сайту.

Контент или исследование. Исследователь собирает первоисточники, автор создаёт черновик, редактор проверяет логику и факты. Такую связку называют multi-agent-системой. Она оправдана, когда у ролей разные инструменты, права и критерии качества; для простой задачи надёжнее и дешевле один агент или обычный workflow.

Как n8n дополняет внешних агентов

n8n может дать внешнему агенту один безопасный инструмент — например, получить сводку из Метрики или найти фрагмент во внутренней базе знаний, — вместо доступа ко всем системам сразу. Одновременно в n8n можно создавать своих узкоспециализированных агентов: выбрать модель, написать инструкции, дать skills, память, базу знаний и при необходимости подключить sub-agent — отдельного агента с одной ролью.

Практичный принцип: агенту — выбор и работа со свободным текстом, n8n — повторяемые и проверяемые операции. Главный агент может вызвать в n8n инструмент «Получить сводку Метрики»: sub-workflow примет период и идентификатор счётчика, выполнит ограниченные запросы только на чтение, проверит формат и вернёт структурированный результат. Другой workflow найдёт фрагменты в базе знаний. Главный агент использует ответы и предлагает план проверки.

RAG — это поиск подходящих фрагментов в подготовленной базе знаний перед ответом модели. Он даёт опору на документы, но не равен самому агенту; подробный разбор RAG — отдельная тема. Sub-workflow — самостоятельный сценарий n8n с известной логикой, который можно тестировать и переиспользовать. MCP — общий способ подключать к агенту внешние инструменты и данные.

Такой подход не требует выдать одному агенту ключи от Метрики, CRM, базы и сайта. Сначала создают маленькие инструменты: поиск по базе, получение отчёта, создание черновика. Затем для чувствительных действий добавляют ручное одобрение. Ноды и интеграции n8n помогут собрать эти детерминированные части процесса.

Четыре актуальные агентские системы

Hermes Agent — автономная среда Nous Research с выбором моделей и провайдеров, инструментами для файлов, терминала, веба, MCP и skills. Она подойдёт технической команде, которой нужна гибкость, но потребует настроить хостинг, ключи и права.

OpenClaw — открытая агентная среда с подключаемыми провайдерами моделей. Плагины добавляют инструменты, skills, каналы общения и веб-возможности. Она подойдёт команде, которая хочет сама выбрать модель и среду, но будет сама отвечать за ключи, обновления и плагины. Не путайте её с OpenCloud: это другой продукт и облачная платформа.

ChatGPT Codex — агент OpenAI для технических задач: он ориентируется в кодовой базе, меняет файлы, запускает проверки и показывает результат. Подходит командам, которые уже ведут проект в коде; ему особенно помогают ясная задача, документация и человеческое ревью изменений.

Claude Code — среда Anthropic для работы с файлами, командами, расширениями и проектными инструкциями. В штатном режиме она запрашивает разрешения на редактирование и shell-команды. Подходит разработчикам, которые работают в терминале или десктопном приложении; критичные действия стоит проверять в тестовой среде.

Плагины, MCP и skills: как агент получает возможности

Плагин обычно добавляет агенту интеграцию или набор функций: доступ к сервису, источник данных, канал общения, новый инструмент или готовую конфигурацию. MCP-сервер подключает к агенту внешние сервисы, например базу знаний, календарь, CRM или внутренний API. Само подключение не делает действие безопасным: отдельно ограничивают операции и данные.

Skill — переносимый пакет инструкций для повторяемой задачи. В простом случае это файл SKILL.md с описанием, когда его применять и как действовать. В сложном — папка с чек-листом, шаблоном, скриптами и справочными материалами. Skill похож на хорошо оформленный промпт, но хранится рядом с проектом, подключается для нужной задачи и задаёт воспроизводимый процесс.

Skill не является техническим запретом. Модель может неверно понять инструкцию, потерять часть контекста или попытаться сделать лишнее. Поэтому запрет «не отправляй данные наружу» должен быть и в правах, сетевых ограничениях, списке разрешённых доменов и процедуре ревью. Инструкции направляют, а технические ограничения удерживают границы.

Почему агенты ошибаются и как удержать их в границах

Ошибки возникают по двум причинам. Модель может неправильно интерпретировать задачу, сделать недостоверный вывод или выбрать неудачный план. Окружение может дать ей слишком широкие права, небезопасный плагин, секреты в файлах или возможность выполнить команду в рабочей системе вместо тестовой.

Сильная модель иногда проявляет лишнюю инициативу: проверяет дополнительные файлы, запускает больше тестов или расширяет изменение. Это полезно не всегда. Нельзя считать доказанным тезис, что конкретная модель «игнорирует skills», без воспроизводимого теста: качество следования инструкциям различается между моделями и задачами, поэтому его проверяют на собственных сценариях.

• Начинайте с режима чтения и тестовых данных.
• Выдавайте минимально необходимые права и отдельные ключи для тестовой среды.
• Требуйте план до действий и отчёт с изменёнными файлами и командами.
• Опасные действия выполняйте только после подтверждения человека.
• Используйте version control, резервные копии и возможность отката.
• Не передавайте в чат пароли, токены, персональные данные и приватные ключи.

Документация делает агента полезнее

Агент быстрее разбирается в проекте, когда правила и контекст лежат рядом с кодом, а не только в голове одного разработчика. Нужны README с запуском, схема архитектуры, описание модулей и интеграций, инструкция по тестам и правила работы с данными.

В AGENTS.md или CLAUDE.md фиксируют команды проверки, запреты, разрешённые каталоги и критерии готовности. Секреты туда не попадают: указывают только имя переменной, место настройки и необходимые права. Такая документация одинаково полезна новому сотруднику, подрядчику и любому подключённому агенту.

Сколько стоят агенты

Стоимость складывается из подписки на среду, токенов модели, внешних инструментов и инфраструктуры. Длинная задача с браузером и подзадачами обычно дороже одного ответа в чате. Открытая агентная оболочка не означает бесплатную работу.

Для Hermes Agent и OpenClaw обычно оплачивают выбранную модель по API, сервер и подключённые сервисы. Codex доступен через планы ChatGPT: расход зависит от включённых лимитов и, при необходимости, кредитов. Claude Code доступен через платные планы Claude или оплату по API для тяжёлых задач. Цены и лимиты меняются, поэтому точный тариф выбирают после короткого пилота по качеству и расходу, а не по числу сообщений.

В рабочем решении полезны лимит бюджета, журнал расхода и правило остановки: если агент превысил число шагов или бюджет, он прекращает работу и запрашивает продолжение у человека.

С чего начать новичку

Выберите один процесс, который можно объяснить в пяти–семи шагах. Например: «собрать из папки договоров таблицу с датой, контрагентом и статусом, но ничего не отправлять и не менять». Опишите входные данные, ожидаемый результат, исключения, владельца и способ проверки. Затем дайте агенту только чтение файлов и попросите сначала составить план.

После успешной проверки можно разрешить одно ограниченное действие: создать черновик таблицы, предложить patch кода или открыть тестовую страницу в браузере. Лишь когда качество стало предсказуемым, имеет смысл добавлять запись в систему, автоматическую отправку или дополнительные инструменты.

Для первого пилота достаточно одной задачи на одну–две недели. Возьмите операцию, которая вручную занимает 30–60 минут в неделю, подготовьте тестовые данные, измерьте время и качество черновика, затем решите, стоит ли расширять доступы. AI-агент не заменяет мышление команды: он ускоряет работу там, где есть ясная цель, документация и контроль последствий.