Как создать ИИ-агента и когда он вообще нужен?
Агент - это модель, которая в цикле вызывает инструменты. Начинают с простого: окружение, набор инструментов и системный промпт. Если шаги задачи известны заранее, обычный код или workflow надёжнее и дешевле. Мультиагентные схемы, по опыту спикеров, ломаются на передаче контекста между агентами.

Что такое агент
Barry Zhang из Anthropic даёт короткое определение: агент - это модель, которая в цикле вызывает инструменты. Его определяют три вещи: окружение, в котором он работает, инструменты, через которые он действует и получает обратную связь, и системный промпт с целями и ограничениями.
Zhang отличает агента от workflow. В workflow несколько вызовов модели идут по заранее заданному маршруту. Агент выбирает маршрут сам, по ответам окружения. Dex Horthy из HumanLayer раскладывает агента на детали из обычного программирования: промпт определяет следующий шаг, switch исполняет JSON от модели, код собирает контекст, а цикл решает, когда остановиться.
«Вот как мы видим агентов: это модели, которые в цикле используют инструменты.»
This is what agents look like to us. They're models using tools in a loop.
Когда агент не нужен
Первый совет Zhang - не делать агентов для всего подряд. Он предлагает проверить четыре вещи:
- Сложность. Если дерево решений легко нарисовать, постройте его явно. Это дешевле и даёт больше контроля.
- Ценность. Агент тратит много токенов на поиск решения. При бюджете около 10 центов на задачу, как в массовой поддержке, хватит 30-50 тысяч токенов, и лучше закрыть частые сценарии workflow.
- Узкие места. Нужно заранее убедиться, что модель справляется с шагами, без которых задачу не решить. Иначе урежьте задачу.
- Цена ошибки. Если ошибки дорогие и их трудно заметить, ограничьте агенту права: только чтение, больше подтверждений от человека.
Программирование проходит все четыре проверки: задача сложная, хороший код ценен, модели уже неплохо пишут код, а результат проверяют тесты и CI. Поэтому кодинг-агентов так много.
Horthy начинал с DevOps-агента и два часа дописывал в промпт порядок шагов сборки. Потом понял, что то же самое делает bash-скрипт. Поговорив со сотней команд, он увидел, что большинство агентов в продакшене почти не агентные: это обычный софт с LLM в нужных местах. В ZS Associates дошли до того же: поиск аномалий в продажах вынесли в детерминированный конвейер со статистикой и порогами, а агент только расследует найденное.
«Отсюда первый вывод: не делайте агентов для всего подряд.»
And that brings us to the first point: don't build agents for everything.
«Я мог бы написать для этого bash-скрипт секунд за 90. Не каждой задаче нужен агент.»
I could have written the Bash script to do this in about 90 seconds. Not every problem needs an agent.
Как собрать первого агента
Zhang советует не усложнять: любая сложность в начале убивает скорость итераций. У трёх разных агентов Anthropic почти один и тот же код. Остаются два решения: какие дать инструменты и что написать в промпте. Кэширование и параллельные вызовы - потом.
Дальше нужно думать как агент. Всё, что модель знает о мире на данном шаге, умещается в 10-20 тысяч токенов контекста. Прочитайте их глазами модели и проверьте, хватает ли информации. Zhang предлагает отдать Claude системный промпт, описание инструмента или всю траекторию агента и спросить, что в них непонятно.
Patrick Dougherty строил агента для корпоративных хранилищ данных. Он пишет, что формат ответа инструмента влияет на точность сильнее, чем кажется. GPT-4o не видел колонку в результате поиска, пока ответ был в Markdown, и сразу нашёл её в JSON. Claude же лучше работал с XML.
Horthy советует держать в своих руках поток управления и контекст. Иначе фреймворк быстро доведёт агента до 70-80% качества, а дальше вы окажетесь на седьмом уровне стека вызовов, пытаясь понять, как собирается промпт.
«совсем мелкие правки интерфейса между агентом и компьютером могут сильно повлиять на точность и качество работы агента.»
really small tweaks to the Agent-Computer Interface can have a massive impact on the accuracy and performance of your agent.
Нужна ли мультиагентная система
В ZS Associates собрали конвейер из нескольких агентов для фармацевтической аналитики. Каждый агент делал свой шаг верно, но итоговый вывод не сходился. Агент нашёл верную причину падения продаж (лекарство подорожало для пациентов из-за страховки), а следующий предложил отправить к врачам больше торговых представителей. Контекст терялся на каждой передаче, и картину целиком не видел никто.
Команда открыла пустую папку, запустила Claude Code с bash и доступом к базе и посмотрела, как он работает. После этого всё рассуждение собрали в одном агенте. Субагенты остались для узких расследований: они возвращают факты, а выводы делает главный агент.
Luke Alvoeiro из Factory перечисляет схемы, которые всё же работают. Самая полезная - создатель и проверяющий. Агент, который написал код, хочет, чтобы код работал. Свежий агент с чистым контекстом найдёт больше проблем. В их системе три роли: оркестратор планирует и до начала кода пишет контракт проверки, исполнители получают чистый контекст на каждую задачу, валидаторы проверяют поведение, а не только тесты.
«Работа агента - расследовать, а не обнаруживать.»
So the agent's job is to investigate, not to identify.
«То есть подвела не LLM, а то, как мы разделили работу.»
So obviously it's not the LLM which failed, right? It's the way how we split the work, right?
«Тесты, написанные после реализации, не ловят баги. Они подтверждают уже принятые решения.»
Tests written after implementation don't catch bugs. They confirm decisions.
Насколько этому можно верить
Zhang работает в Anthropic, Alvoeiro описывает продукт Factory, Horthy развивает собственный репозиторий 12-factor agents. История ZS - один случай в одной отрасли. Rémi Louf советует сначала собрать агента самим и только потом выбирать платформу, чтобы понимать, что вам нужно.


