AI-агент своими руками: чек-лист перед первым проектом

Собрать «своего AI-агента» сейчас можно за вечер: берёте модель через API, даёте ей список инструментов, зацикливаете вызовы — и вот программа сама читает почту, дёргает CRM и что-то отвечает. Проблема в том, что демо на пять минут и рабочий агент на боевых данных — это два разных проекта. Первый радует на видео, второй молча тратит токены, зацикливается на одном инструменте и однажды удаляет то, что удалять было нельзя. Ниже — что стоит понять до того, как вы напишете первую строчку кода.

Чем агент отличается от обычного бота

Обычная интеграция с языковой моделью работает по схеме «вопрос — ответ»: вы шлёте текст, получаете текст. Агент отличается одним — он может вызывать инструменты и действовать по результату, а потом решать, что делать дальше. Модель не просто пишет «нужно проверить остаток на складе», а возвращает структурированный вызов функции get_stock(sku), ваш код его исполняет, отдаёт результат обратно — и цикл повторяется, пока задача не закрыта.

Из этого цикла и растут все сложности. Модель сама решает, сколько шагов сделать, какой инструмент выбрать и когда остановиться. Если не поставить ограничитель, агент способен крутиться в цикле десятки раз, сжигая контекст и деньги на каждом обороте.

Агент — это не «умный чат-бот», а автономный цикл принятия решений с доступом к вашим системам. Права, которые вы ему выдали, он использует буквально.

Из чего он собирается

Минимальный агент — это четыре части, и ни одну нельзя пропустить:

• Модель. То, что генерирует рассуждения и вызовы. GPT, Claude, Gemini, или открытые модели вроде Llama и Qwen, если данные нельзя выпускать наружу.
• Инструменты (tools). Функции, которые агент может вызвать: поиск по базе, запрос к API, отправка письма. Каждый инструмент вы описываете сами — имя, параметры, что делает.
• Оркестратор. Код, который крутит цикл «модель → вызов → результат → модель», следит за лимитом шагов и обрабатывает ошибки инструментов.
• Память и контекст. То, что агент помнит между шагами и между сессиями. От простого списка сообщений до внешнего хранилища с извлечением по запросу.

Писать оркестратор с нуля не обязательно. Готовые фреймворки — LangGraph, LlamaIndex, CrewAI, AutoGen — берут на себя цикл, историю и обвязку вокруг вызова инструментов. У крупных провайдеров есть и родные механизмы: function calling в OpenAI, tool use у Anthropic. Но фреймворк не спасёт от плохо описанных инструментов и отсутствия ограничителей — это по-прежнему ваша работа.

Где именно ломается первый проект

Типичные грабли, на которые наступают почти все:

1. Нет лимита шагов. Агент зацикливается на одном инструменте и не выходит из петли. Ставьте жёсткий максимум итераций.
2. Инструменты описаны туманно. Модель выбирает не тот инструмент или подставляет мусор в параметры. Описание функции — это тоже промпт, пишите его так же тщательно.
3. Полный доступ на запись. Агент с правами удалять и менять данные на проде — это инцидент, который ждёт своего часа. Начинайте с прав только на чтение.
4. Никакого логирования. Когда агент сделал не то, вы должны видеть всю цепочку его решений, иначе отлаживать нечего.

Что выбрать под задачу

Инструментов много, и все обещают «агентов из коробки». Разница — в том, сколько кода вы пишете сами и насколько контролируете логику. Грубое сравнение подходов:

Конкретные возможности и цены API у провайдеров меняются регулярно — актуальные тарифы на токены и лимиты сверяйте на официальных страницах OpenAI, Anthropic и Google, а не по чужим скриншотам полугодовой давности.

Сколько это стоит на самом деле

Главная неожиданность первого проекта — счёт за токены. Агент платит не за один запрос, а за каждый оборот цикла, и вся история разговора уходит в модель заново на каждом шаге. Задача в десять шагов — это десять оплаченных запросов, где последний тащит весь накопленный контекст. Отсюда практические выводы:

• Ставьте лимит шагов и лимит бюджета на одну задачу — жёстко, в коде.
• Не грузите в контекст всё подряд. Чем длиннее контекстное окно^* вы заполняете, тем дороже и медленнее каждый шаг.
• Для простых подзадач берите модель подешевле, дорогую оставьте для рассуждений. Не всякий шаг требует флагманской модели.
• Кэшируйте то, что не меняется: системный промпт, описания инструментов, справочные данные.

^* Контекстное окно — максимальный объём текста (в токенах), который модель удерживает за один запрос: и ваш ввод, и история диалога, и ответ. Всё, что в него не влезло, модель «не видит».

Кому это пригодится, а кому нет

Агент оправдан там, где задача многошаговая, требует обращения к внешним системам и допускает автономность. Он лишний там, где хватает одного запроса к модели или где цена ошибки слишком высока.

Стоит браться, если вы делаете:

• ассистента поддержки, который сам ищет ответ в базе знаний и заводит тикет;
• агента-исследователя: собрать данные из нескольких источников и свести в отчёт;
• помощника разработчика, который читает репозиторий и предлагает правки под ревью человека.

Не связывайтесь, если:

• задача решается одним запросом «текст на входе — текст на выходе» — агент здесь только добавит стоимости и точек отказа;
• цена ошибки высокая, а надзора человека не будет: платежи, необратимые операции с данными, юридически значимые действия;
• вам нужен строго детерминированный результат — агент по природе вероятностный, один и тот же ввод может дать разные цепочки.

Начните с малого: один-два инструмента, только чтение, жёсткий лимит шагов и полное логирование каждого решения. Когда такой агент стабильно закрывает узкую задачу, расширять его безопасно. Обратный путь — сразу дать автономному циклу доступ на запись в прод — почти гарантированно приведёт к разбору того самого лога, который вы, возможно, не завели.