За последний год ко мне пришло больше десятка проектов с одинаковой формулировкой в письме: нужен ИИ-агент. Один клиент имел в виду чат-бота с базой знаний, другой говорил про автоматизацию обработки заявок, третий хотел скрипт, который сам разбирает почту и собирает отчёт для руководителя. Когда меня спрашивают, как создать ии агента под конкретную задачу, я сначала выясняю, что агент должен делать на самом деле, и только потом сажусь за код. Дальше маршрут в 6 шагов, по которому я довожу такие проекты от идеи до рабочего инструмента, с примерами на aiogram, n8n, Claude API и интеграциями с CRM и эквайрингом.
По теме статьи
Готовое решение
AI-чатбот для сайта на Claude - отвечает как ваш менеджер, работает 24/7
Подключу к вашему сайту чат-бота на Claude API. Бот отвечает на вопросы клиентов голосом вашего бренда, знает каталог и условия доставки, забирает лиды в CRM или Telegram.
от25 000 ₽
AI / Claude API
Искусственный интеллект для бизнеса
AI-чатбот на сайт с базой знаний, автообработка заявок, генерация контента, умный парсинг. Claude API, OpenAI, RAG.
от50 000 ₽
Шаг 1. Формулирую задачу: зачем бизнесу вообще нужен ИИ-агент
Перед тем как писать код, прошу заказчика ответить на три вопроса: какое действие сейчас делает человек вручную, сколько времени оно занимает и что случится, если агент ошибётся. Если ответ на третий вопрос «ничего страшного, менеджер перепроверит», агента можно ставить в самостоятельном режиме без опаски. Если ошибка бьёт по деньгам или репутации, например агент сам подтверждает возврат средств клиенту, в цепочку нужно добавить подтверждение человеком, и это сразу меняет архитектуру решения.
На практике задачи для агентов делятся на три группы:
- обработка входящих обращений: заявки, вопросы в мессенджере, письма на почту;
- работа с данными: сверка остатков, расчёт стоимости доставки, формирование отчёта;
- поддержка сотрудников: поиск по внутренней базе знаний, подготовка черновиков документов.
Не начинаю разработку, пока задача не уложится в одно предложение: агент принимает вопрос клиента в Telegram, ищет ответ в базе документов компании и передаёт диалог менеджеру, если уверенности меньше 70%. Такая формулировка сразу задаёт границы: какие данные агенту доступны, что он решает сам, а что эскалирует на человека.
Шаг 2. Выбираю архитектуру: чат-бот, RAG-агент или агент с инструментами
Словом «агент» сейчас называют три разные по сложности вещи, и сроки с бюджетом у них отличаются в разы.
| Тип агента | Как работает | Когда подходит |
|---|---|---|
| Чат-бот по сценарию | отвечает по заранее прописанным веткам диалога | простые FAQ, сбор заявки |
| RAG-агент | ищет ответ в базе документов компании и формулирует его моделью | поддержка клиентов, база знаний для сотрудников |
| Автономный агент с инструментами | сам решает, какой инструмент вызвать: CRM, расчёт, вебхук, поиск | обработка заказов, отчёты, многошаговые сценарии |
Для интернет-магазина на WooCommerce с оплатой через T‑Bank чаще подходит третий вариант: агент смотрит статус заказа в CRM, уточняет у клиента детали и сам создаёт заявку на возврат, если она укладывается в правила магазина. Для консалтинговой компании, где нужно быстро отвечать на вопросы по договорам, обычно хватает RAG-агента без автономных действий.
Шаг 3. Собираю стек: модель, фреймворк, среда исполнения
Модель выбираю под задачу, а не по принципу «что популярнее». Для работы с документами на русском языке и с длинным контекстом обычно беру Claude, для простых классификаций хватает более дешёвых моделей той же линейки. Дальше решаю, где агент будет жить:
- Telegram-бот на aiogram, если основной канал общения с клиентом уже мессенджер;
- n8n, если нужно быстро связать несколько сервисов вебхуками без бэкенда с нуля;
- свой бэкенд на Python с векторной базой, если агенту нужна кастомная логика, function calling и контроль над каждым шагом.
Если задача укладывается в формат «чат-бот отвечает по документам компании», не обязательно писать всё с нуля: готовый ИИ-чатбот на Claude из библиотеки скриптов закрывает такой сценарий, и его проще адаптировать под свои документы, чем собирать логику заново.
Бесплатный материал
🎁 Полезный скрипт в подарок
Подпишитесь на Telegram - пришлю готовый скрипт по этой теме.
Без спама. Отписка в 1 клик.
Шаг 4. Подключаю базу знаний и интеграции с бизнес-системами
Агент без доступа к данным компании отвечает общими фразами, и это первое, что замечает клиент. Для RAG-агента собираю базу из документов компании: регламентов, прайсов, ответов на частые вопросы, режу их на смысловые куски и кладу в векторную базу, чтобы агент искал не по ключевым словам, а по смыслу вопроса.
Дальше подключаю интеграции, которые реально нужны для задачи, а не все подряд:
- CRM, чтобы агент видел историю клиента и статус сделки;
- эквайринг, например T‑Bank для WooCommerce, если агент участвует в оформлении заказа или возврата;
- СДЭК, если задача агента - посчитать стоимость и сроки доставки без участия менеджера;
- внутренние базы знаний компании, если агент помогает сотрудникам, а не внешним клиентам.
Персональные данные клиентов в таких интеграциях храню на серверах в России, а не в иностранных облачных таблицах, это требование 152-ФЗ, а не только вопрос удобства.
Шаг 5. Тестирую агента на реальных сценариях, а не на идеальных
Демо на трёх удачных вопросах ничего не говорит о том, как агент поведёт себя в бою. Перед запуском прогоняю его через реальные обращения за последние 2-3 месяца, включая странные формулировки, опечатки и вопросы не по теме. Отдельно проверяю, что агент делает, когда не знает ответа: хороший вариант - честно признать неуверенность и передать диалог человеку, плохой - придумать правдоподобный, но неверный ответ.
Логирую каждый диалог на этапе тестирования и разбираю случаи, где агент ошибся или ответил расплывчато. Обычно на этом этапе выясняется, что часть проблем не в модели, а в данных: документы устарели, в базе противоречивые версии одного и того же регламента, формулировки в CRM не совпадают с тем, как реально пишут клиенты.
Шаг 6. Запускаю агента и слежу, чтобы он не терял смысл в работе
Запуск не значит, что работа закончена. Слежу за тремя вещами: сколько токенов агент тратит на диалог, это прямо влияет на счёт от провайдера модели, как часто он передаёт диалог человеку и в каких темах чаще всего ошибается. Первые 2-3 недели после запуска обычно уходят на донастройку промпта и правил эскалации по итогам реальных диалогов, а не тестовых.
Ниже ориентир по деньгам на разные форматы агентов, чтобы понимать порядок цифр:
| Задача | Что входит | Цена |
|---|---|---|
| Telegram-бот с ИИ-логикой | сценарий диалога, подключение Claude API или OpenAI, деплой | от 30 000 ₽ |
| Чат-бот с базой знаний (RAG) | векторная база, поиск по документам, интерфейс | от 50 000 ₽ |
| AI-интеграция под задачу | кастомная логика, function calling, интеграция с CRM | от 50 000 ₽ |
| Автоматизация в n8n | сценарий без кода, вебхуки, подключение сервисов | от 25 000 ₽ |
Автоматизация в n8n без кастомного кода обычно самый быстрый способ проверить гипотезу: если агент в таком виде снимает нагрузку с менеджеров, дальше есть смысл вкладываться в более гибкое решение на своём бэкенде.
Частые вопросы
Сколько времени занимает разработка ИИ-агента под задачу бизнеса?
Простой Telegram-бот с готовым сценарием и подключением Claude API собираю за 1-2 недели. RAG-агент с базой знаний и тестированием на реальных вопросах занимает 3-5 недель, потому что основное время уходит не на код, а на разметку и проверку данных, по которым агент отвечает. Автоматизация в n8n без кастомного кода может быть готова за несколько дней, если сервисы, которые нужно связать, уже дают API.
Можно ли собрать ИИ-агента на no-code платформе без разработчика?
Для простых сценариев да: n8n и похожие конструкторы закрывают склеивание сервисов через вебхуки и готовые узлы для OpenAI и Claude. Но как только нужна собственная логика проверки, работа с векторной базой или обработка эджкейсов, когда агент не уверен в ответе или данные противоречат друг другу, no-code упирается в потолок, и дешевле сразу писать код, чем потом переносить логику из визуального конструктора.
Чем автономный агент отличается от обычного чат-бота с ИИ?
Чат-бот отвечает на вопрос, и на этом его работа заканчивается. Агент умеет вызывать инструменты: посмотреть статус заказа в CRM, посчитать стоимость доставки через СДЭК, создать задачу, отправить письмо, и делает это в несколько шагов подряд, пока не решит задачу целиком. Технически это часто одна и та же модель, разница в наборе функций, которые ей разрешено вызывать, и в логике, которая решает, когда остановиться и передать диалог человеку.
Какие данные нельзя доверять ИИ-агенту?
Не подключаю агента напрямую к операциям с деньгами и персональными данными клиентов без подтверждения человеком: возвраты, списания, изменение реквизитов. Агент может подготовить решение, но финальное действие в таких сценариях лучше оставлять за сотрудником. Историю обращений и персональные данные при этом храню на серверах в России, а не в иностранных облачных таблицах, это требование 152-ФЗ.