Словарь agentic AI: 40 терминов простыми словами

За последний год словарь вокруг ИИ разросся быстрее самих моделей. Термин «агент» проник в маркетинг OpenAI, Anthropic, Google и десятков стартапов, но под ним каждая компания понимает своё: от чат-бота с доступом к калькулятору до системы, которая сама пишет код, запускает его и правит ошибки без человека. Ниже — рабочий словарь из 40 понятий, которые встречаются в документации, релизах и спорах о том, что вообще считать агентом.

Что такое agentic AI и почему термин размытый

Строгого определения агента нет ни у одной из компаний. Anthropic в своём инженерном блоге в конце 2024 года предложила различать «workflow» (жёстко заданную последовательность вызовов модели) и «agent» (систему, которая сама решает, какие шаги делать и когда остановиться). Эта граница удобна как ориентир, но её нельзя считать отраслевым стандартом — другие вендоры используют слово свободнее.

Практическая разница простая: если вы заранее прописали все шаги — это пайплайн. Если модель сама выбирает следующий шаг на основе результата предыдущего — это ближе к агенту.

Базовые понятия

• Агент¹ — система на основе языковой модели, которая ставит промежуточные цели, вызывает внешние инструменты и корректирует действия по результату, а не выдаёт один ответ на один запрос.
• LLM (large language model) — большая языковая модель, ядро большинства агентов. Сама по себе не имеет памяти между запросами и доступа к внешнему миру.
• Промпт — текст, который вы отправляете модели. Включает инструкцию, контекст и иногда примеры.
• Системный промпт — скрытая инструкция, задающая роль и правила поведения агента поверх пользовательского запроса.
• Контекстное окно — максимальный объём текста (в токенах), который модель удерживает за один вызов. У современных моделей — от десятков тысяч до 1–2 млн токенов; точные значения смотрите в документации конкретной модели.
• Токен — единица текста, на которые модель делит вход и выход. Примерно 3–4 символа русского текста на токен, но соотношение плавает.

Как агент действует

• Инструмент (tool) — внешняя функция, которую агент может вызвать: поиск, калькулятор, запрос к API, запуск кода.
• Function calling / tool use — механизм, при котором модель возвращает структурированный вызов функции с аргументами, а не просто текст.
• ReAct — паттерн «reasoning + acting»: модель чередует рассуждение и действие, описанный в одноимённой академической работе 2022 года.
• Оркестрация — управление порядком вызовов модели и инструментов, обработка ошибок и ветвлений.
• Планирование (planning) — разбиение большой задачи на подзадачи перед выполнением.
• Reflection / самокоррекция — приём, когда агент проверяет собственный результат и переделывает шаг при ошибке.
• Loop / цикл агента — повторение «подумал — сделал — оценил», пока цель не достигнута или не сработал лимит шагов.
• Human-in-the-loop — точка, где агент останавливается и ждёт подтверждения человека перед рискованным действием.

Память и знания

• RAG² — генерация с опорой на поиск: перед ответом система находит релевантные документы и подкладывает их в контекст.
• Векторная база — хранилище, где тексты представлены числовыми векторами для поиска по смыслу, а не по точному совпадению слов.
• Эмбеддинг — числовое представление текста, отражающее его смысл. Близкие по смыслу тексты имеют близкие векторы.
• Чанкинг — разбиение больших документов на фрагменты, чтобы каждый поместился в контекст и точнее находился.
• Кратковременная память — история текущего диалога или сессии.
• Долговременная память — сохранение фактов о пользователе или задачах между сессиями, обычно во внешнем хранилище.
• Дообучение (fine-tuning) — дополнительное обучение базовой модели на своих данных, чтобы изменить её поведение или стиль.
• Grounding — привязка ответов к проверяемым источникам, чтобы снизить долю выдумок.

Протоколы и интеграции

• MCP (Model Context Protocol) — открытый протокол, представленный Anthropic в конце 2024 года, для подключения моделей к внешним источникам данных и инструментам через единый интерфейс.
• API — программный интерфейс, через который агент общается с внешними сервисами.
• Structured output — вывод модели в заданном формате (например, JSON по схеме), удобный для машинной обработки.
• Sandbox — изолированная среда, где агент может безопасно запускать код без доступа к остальной системе.
• Multi-agent — архитектура из нескольких агентов с ролями, которые обмениваются сообщениями и делят задачу.

Качество, риски и оценка

• Галлюцинация — уверенно поданная выдумка: несуществующий факт, ссылка или цитата.
• Prompt injection — атака, при которой вредоносная инструкция прячется в данных или на сайте и перехватывает поведение агента.
• Guardrails — фильтры и ограничения на входе и выходе, отсекающие опасные или запрещённые действия.
• Бенчмарк — стандартизированный тест для сравнения моделей и агентов на одинаковых задачах.
• Eval — набор проверок под конкретную задачу: правильно ли агент решает именно ваши кейсы.
• Latency — задержка от запроса до ответа. У агентов растёт из-за многошаговости.
• Стоимость за токен — модели тарифицируются отдельно за вход и выход; актуальные цены смотрите на страницах прайсинга вендоров.
• Температура — параметр, регулирующий случайность ответа: выше — разнообразнее, ниже — предсказуемее.
• Chain-of-thought — приём, при котором модель проговаривает промежуточные рассуждения перед ответом.
• Autonomy level — степень самостоятельности: от подсказок человеку до полностью автономного выполнения без подтверждений.
• Определённость домена — насколько чётко очерчена задача; в узких задачах агенты работают надёжнее, чем в открытых.
• Токен-бюджет — лимит токенов на задачу, ограничивающий длину рассуждений и число шагов.
• Fallback — запасной сценарий, когда основной путь агента упирается в ошибку или лимит.
• Trace / трассировка — журнал всех шагов агента для отладки и разбора, что именно он сделал и почему.

Чем отличаются подходы вендоров

Таблица собирает публично описанные направления. Названия продуктов и функций меняются, поэтому детали сверяйте с документацией на дату чтения.

Кому этот словарь пригодится, а кому нет

Пригодится:

• Продакт-менеджеру, который решает, стоит ли строить агента или хватит обычного чат-интерфейса — здесь важна граница «workflow против agent».
• Разработчику, который выбирает между RAG и дообучением: первое дешевле обновлять, второе меняет поведение модели глубже.
• Тому, кто оценивает риски: связки prompt injection, sandbox и human-in-the-loop определяют, можно ли пускать агента к деньгам или продакшену.

Не пригодится:

• Тому, кому нужно один раз получить текст или картинку — там достаточно понимать «промпт» и «контекстное окно», остальное избыточно.
• Тому, кто ждёт готовых рецептов: словарь объясняет термины, но не гарантирует, что агент справится с вашей задачей — это проверяется evals.

¹ Агент — здесь: программная система на базе языковой модели, которая самостоятельно выбирает последовательность действий и вызывает инструменты для достижения цели. Единого отраслевого определения нет.

² RAG (retrieval-augmented generation) — подход, при котором перед генерацией ответа система ищет релевантные документы во внешней базе и добавляет их в контекст модели, чтобы отвечать по актуальным данным.