Что такое ИИ-агент и чем он отличается от чат-бота

Слово «агент» сейчас означает слишком многое. В этом гиде оно означает конкретную вещь: программу, которая в цикле решает, какой инструмент вызвать следующим, чтобы приблизиться к цели.

Агент против одного вызова модели

Разница не в сложности промпта, а в наличии цикла.

Один вызов. На входе текст, на выходе текст. Модель ничего не делает с миром. Классифицировать обращение, извлечь поля из письма, переписать текст - это один вызов, и агент здесь лишний.

Агент. Модель получает задачу и набор инструментов, выбирает инструмент, видит результат, выбирает следующий, и так до готовности. Она принимает решения по ходу, а не выполняет заранее описанную последовательность.

Практический критерий: если вы можете нарисовать процесс блок-схемой заранее, вам нужен воркфлоу, а не агент. Воркфлоу предсказуем, дешевле, легче отлаживается. Агент нужен там, где следующий шаг зависит от того, что обнаружилось на предыдущем.

Чат-бот в этой системе координат - частный случай одного вызова с историей сообщений. Он отвечает; агент действует.

Из чего состоит агент

Четыре части, и все четыре обязательны.

Модель. Принимает решения. Разные части системы могут работать на разных моделях: разбор задачи на сильной, механические шаги на быстрой - см. роутер моделей.

Инструменты. То, чем агент действует: запрос в базу, вызов API, отправка сообщения, запись файла. Ключевая деталь, которую недооценивают: описания инструментов важнее промпта. Агент выбирает инструмент по описанию, и расплывчатое описание означает неверный выбор.

Память. Что агент помнит между шагами и между запусками. Контекст кончается быстрее, чем кажется, - разбор в статье про память агента.

Цикл и его границы. Сколько шагов допустимо, что считается завершением, что делать при ошибке. Без явных границ агент либо крутится бесконечно, либо останавливается на середине и сообщает, что всё готово.

Когда агент нужен и когда он лишний

Нужен:

• Следующий шаг зависит от результата предыдущего, и вариантов много.
• Данные приходят в неструктурированном виде и требуют разбора перед решением.
• Процесс включает поиск: найти нужное среди многого, а не обработать заданное.
• Число вариантов слишком велико, чтобы описать их условиями.

Лишний:

• Процесс известен целиком и не меняется. Это воркфлоу - см. n8n.
• Шаг один. Это вызов модели.
• Ошибка недопустима, а проверить результат автоматически нельзя.
• Задача решается запросом в базу. Это самый частый случай переусложнения.

Отдельно про деньги: агент дороже воркфлоу в разы, потому что каждый шаг цикла - это отправка всего накопленного контекста заново. Разница видна не на демо, а на объёме.

Что ломается в продакшене

Демо работает почти всегда. Ломается другое.

Агент врёт про результат. Он сообщает, что задача выполнена, при том что инструмент вернул ошибку. Это не редкость, а поведение по умолчанию: модель дописывает правдоподобное завершение. Лечится слоем верификации, который проверяет факт, а не отчёт.

Ограничения живут в промпте. «Не удаляй данные» в системном промпте - это пожелание, а не ограничение. Настоящее ограничение - отсутствие такого инструмента или прав. Разбор - в статье про guardrails и в внедрении агентов.

Повторный запуск повторяет действия. Агент перезапустился и отправил письмо второй раз. Идемпотентность в агентных системах не появляется сама - см. идемпотентные пайплайны.

Контекст кончается. Длинная задача упирается в окно, часть истории теряется, и агент начинает работать с неполной картиной, не сообщая об этом.

Стоимость растёт нелинейно. Задача, которая закрылась за пять шагов на тесте, в реальности иногда занимает сорок. Ограничение числа шагов - обязательная страховка, а не опция.

Куда двигаться дальше

Порядок, который экономит время:

1. Создание агента: от промпта до продакшена - общая схема работы.
2. Пошаговый разбор на реальном кейсе - как это выглядит на практике.
3. Внедрение: guardrails и верификация - до того, как выкатывать.
4. Память и контекст, мультиагентные схемы - когда одного агента становится мало.

Если вопрос в деньгах, а не в технологии: где агенты окупаются, а где нет. Если интересует локальный стек: локальный агент и свои модели. Про постановку задачи модели - слои промптов и основы. Про то, как выглядит разработка агентов как работа.

Как это выглядит на реальном проекте

Пример из практики - Megascope: система, где сбор и разбор данных идут автоматически, а модель отвечает за ту часть, где нужен разбор неструктурированного, а не за весь процесс. Это типичная рабочая пропорция: агент внутри процесса, а не вместо процесса.

Если нужна такая система под свою задачу - что и на каких условиях, описано на странице услуг.

Соседние гиды

Эти четыре темы описывают одну экосистему, и по отдельности каждая решает половину задачи.

• Claude Code - агент для разработки в терминале: когда нужно, чтобы код писала и проверяла машина, а решения принимали вы.
• MCP-серверы - как дать агенту доступ к вашим данным и системам одним способом, работающим во всех инструментах.
• n8n - когда порядок действий известен заранее и агент не нужен: воркфлоу дешевле, предсказуемее и проще отлаживается.