ИИ-агент: что это на практике и чем он отличается от чат-бота

ИИ-агент - это система на базе языковой модели, которая сама решает, какие шаги предпринять для решения задачи, а не просто отвечает на реплику пользователя. За последний год ко мне стали чаще приходить с запросом «сделай агента», хотя по факту нужен обычный чат-бот с парой готовых сценариев, и бывает наоборот: просят «простого бота», а без цепочки вызовов внешних систем задача не решается в принципе. Разница между этими двумя вещами не терминологическая, она определяет архитектуру, стоимость и сроки разработки.

Что на практике называют ии-агентом

Термином «агент» сейчас называют что угодно: от промпта с ролью «ты помощник» до сложной мультиагентной системы с десятком инструментов. На практике полезно проверять три признака, и если хотя бы один не выполняется, перед вами не агент, а чат-бот с расширенным промптом.

• Модель сама строит план действий: какие шаги сделать и в каком порядке, а не выполняет один жестко прописанный сценарий.
• У модели есть доступ к внешним инструментам: вызов API, запрос к базе данных, отправка письма, создание задачи в CRM.
• Работа идет циклами: модель делает шаг, смотрит на результат, при необходимости повторяет или меняет план, а не отвечает один раз и завершает диалог.

Пример из практики: заявка с сайта на интернет-магазине приходит в обработку, и агенту нужно проверить остаток товара в WooCommerce, посчитать стоимость доставки через API СДЭК, сформировать ссылку на оплату через T‑Bank и записать результат в CRM. Порядок вызовов и то, нужно ли переспрашивать клиента адрес, агент определяет сам по контексту заявки, а не по жестко прописанному if-else.

Чем агент отличается от чат-бота и обычного ассистента

Чат-бот отвечает на реплику: у него есть сценарий или промпт, и максимум один заранее известный вызов внешней системы, например запрос статуса заказа по номеру. Агент выполняет задачу целиком, сам решает, какие данные ему не хватает и откуда их взять.

Важный нюанс: агент не обязательно точнее отвечает на вопросы. Если задача - ответить по базе знаний, чат-бот с RAG справится не хуже и обойдется дешевле, потому что не нужна логика планирования и повторных вызовов.

Из чего собирается агентная система

За модным словом стоит вполне конкретный набор компонентов, и на каждом я останавливался при разработке реальных проектов.

Модель с function calling

Основой служит языковая модель, которая умеет не просто генерировать текст, а возвращать структурированный вызов функции: имя инструмента и аргументы в JSON. Дальше код на моей стороне реально выполняет этот вызов и возвращает модели результат.

tools = [{
    "name": "get_order_status",
    "description": "Возвращает статус заказа по номеру",
    "input_schema": {
        "type": "object",
        "properties": {"order_id": {"type": "string"}},
        "required": ["order_id"]
    }
}]

response = client.messages.create(
    model="claude-sonnet-5",
    tools=tools,
    messages=[{"role": "user", "content": "Где мой заказ 10245?"}]
)
# модель возвращает tool_use с order_id, код вызывает реальный API СДЭК
# результат отдается модели обратно, и цикл повторяется до финального ответа

Этот цикл «модель решила, что вызвать - код вызвал - модель получила результат - модель решила, что дальше» и есть агент в инженерном смысле, а не в маркетинговом.

Оркестрация и память между шагами

Для простых сценариев цикл вызовов я пишу вручную на Python или собираю в aiogram-боте для Telegram. Для процессов с ветвлением и несколькими интеграциями удобнее визуальная оркестрация в n8n: агентный узел там сам решает, какой из подключенных инструментов вызвать следующим, а остальные узлы отвечают за нормальную обработку ошибок и логирование.

Отдельный вопрос - память. Если агенту нужно помнить историю обращений клиента или искать ответы по базе знаний компании, я поднимаю векторную базу для RAG на сервере в РФ, а не в стороннем облаке: если в системе оседают контакты и переписка клиентов, это персональные данные, и по 152-ФЗ их положено хранить на территории России, а не в Google Sheets или Airtable.

Где я применяю агентов в реальных проектах

На практике агентная логика чаще всего закрывает три типа задач.

• Обработка заказов и заявок. Telegram-бот на aiogram с function calling проверяет остатки в WooCommerce, считает доставку через API СДЭК, создает платеж в T‑Bank и пишет менеджеру, если что-то не сходится - все это без участия человека на промежуточных шагах.
• Квалификация и маршрутизация лидов. Форма на Tilda падает в n8n, агентный узел оценивает заявку по содержанию сообщения и истории клиента в CRM, сам решает, какому менеджеру назначить и нужно ли сразу подключать оператора.
• Ответы по базе знаний с действиями. Чат-бот с RAG не просто цитирует документацию, а по ходу диалога может создать заявку в поддержку или проверить статус подписки через API - это уже агент, а не просто поиск по векторной базе. Такой сценарий я закрываю через готовый ИИ-чатбот на Claude из библиотеки скриптов, если нужна база для быстрого старта, а не разработка с нуля.

Когда хватит обычного чат-бота, а агент не нужен

Агентная логика стоит дороже сценарного бота не из-за моды, а из-за реальных издержек: больше токенов на каждый шаг, сложнее тестирование, нужна обработка ситуаций, когда модель выбрала не тот инструмент. Поэтому перед стартом я всегда проверяю, обязательна ли самостоятельность модели в принятии решений.

Правило простое: если число и порядок вызовов известны заранее и не меняются от диалога к диалогу, дешевле и надежнее написать обычный детерминированный скрипт. Агент оправдан, когда шаги нельзя перечислить наперед, потому что они зависят от содержания конкретного обращения.

Сколько стоит разработка ии-агента и сколько это занимает

Стоимость определяется не «модностью» задачи, а числом систем, которые агент должен вызывать, и тем, нужна ли ему память между сессиями.

На рынке у студий и фрилансеров разработка агента часто оценивается в диапазоне 80 000-250 000 ₽ в зависимости от количества интеграций - это ориентир по рынку, а не мои цены. Итоговая стоимость у меня всегда зависит от числа внешних систем: агент с одним API и агент, который лезет одновременно в CRM, склад и платежку, это разные по трудозатратам проекты, и я называю точную цифру после короткого разбора задачи на консультации.

Частые вопросы

Чем ии-агент отличается от нейросети вообще?

Нейросеть или языковая модель - это движок, который генерирует текст или структурированный ответ. Агент - это система вокруг модели: код, который вызывает реальные инструменты по решению модели, хранит промежуточные результаты и повторяет шаги, пока задача не будет решена. Без модели агент не построить, но сама по себе модель агентом не является.

Можно ли сделать агента без программиста, например в n8n?

Простые сценарии, где агент выбирает один из 3-5 заранее подключенных инструментов, действительно собираются в n8n почти без кода. Как только появляются нестандартные форматы данных, сложная логика проверки результата или интеграция с системой без готового коннектора, нужен код на Python или JavaScript внутри workflow, и здесь уже требуется разработчик.

Сколько стоит разработка ии-агента под конкретную задачу?

У меня AI-интеграции с агентной логикой начинаются от 50 000 ₽, автоматизация в n8n от 25 000 ₽, а Telegram-бот со сценарной логикой от 30 000 ₽. Итоговая цена зависит от количества систем, которые агент вызывает, и от того, нужна ли ему собственная база знаний.

Какие риски у агентов, которые сами вызывают внешние api?

Основной риск - агент может выбрать не тот инструмент или передать в API некорректные параметры, особенно если задача сформулирована клиентом двусмысленно. Поэтому на боевых проектах я всегда добавляю подтверждение перед необратимыми действиями вроде списания оплаты или отправки письма клиенту, и логирую каждый вызов инструмента отдельно от диалога с пользователем.