Платформа ИИ агентов: как выбрать под задачу бизнеса

Платформа ИИ агентов - это не один конкретный сервис, а целый класс инструментов: от no-code конструкторов вроде n8n и Make до фреймворков, где агента собираешь кодом, - LangChain, CrewAI, Claude Agent SDK. За последние два года я прогонял через задачи клиентов и n8n-сценарии с нодами GPT и Claude, и кастомных агентов на Python, и связки Telegram-бот на aiogram с вызовом LLM по API. Выбор инструмента решает не только бюджет разработки, но и то, сколько времени вы потом потратите на поддержку и доработки, когда логика агента усложнится.

Что считать платформой для ИИ-агентов

Агент отличается от обычного чат-бота тем, что не просто отвечает на вопрос, а сам решает, какой шаг сделать дальше: вызвать инструмент, сходить в базу данных, дернуть внешний API, перечитать документ и только потом сформулировать ответ. Чат-бот на Tilda с фиксированным сценарием - это дерево диалогов с заранее прописанными ветками. Агент работает циклом: подумал, вызвал инструмент, посмотрел результат, подумал снова, и таких проходов может быть несколько подряд.

Условно платформы для ИИ-агентов делятся на три группы. Первая - no-code оркестраторы, где логику собираешь из блоков: n8n, Make, Zapier. Вторая - фреймворки и SDK, где агента описываешь кодом: LangChain, LangGraph, CrewAI, Claude Agent SDK. Третья - встроенные агентные возможности самих моделей: Assistants и Responses API у OpenAI, tool use у Claude. На практике я почти всегда комбинирую подходы: логику процесса собираю в n8n или на Python, а рассуждение агента отдаю вызову Claude или GPT с описанием доступных инструментов.

No-code инструменты для агентов: n8n, Make, Zapier

n8n - основной инструмент, который я беру для агентных сценариев в автоматизации бизнес-процессов. Он открытый, разворачивается на своём сервере, и в нём есть нода AI Agent, которая сама решает, какой из подключенных инструментов вызвать: HTTP-запрос, поиск в базе или отправку сообщения в Telegram. Для клиента это значит, что вся логика видна в одном сценарии, а не размазана по коду, и доработать один шаг можно за час, а не через полноценный релиз.

Make (бывший Integromat) и Zapier работают похоже, но только в облаке провайдера, и цена растёт с числом операций в месяц. Для простых интеграций вроде «пришла заявка - записать в таблицу - уведомить в мессенджер» они не хуже n8n, но как только сценарий превращается в агента с ветвлением и памятью между шагами, визуальный редактор начинает мешать: логику из десятка условий читать в блоках тяжелее, чем в коде, а версионировать такой сценарий через git не получится.

Из практики: агент на n8n, который проверяет заказ в WooCommerce, запрашивает у СДЭК статус доставки по трек-номеру и отвечает клиенту в Telegram без участия менеджера, я обычно собираю за 3-5 дней. Это тот случай, когда no-code выигрывает по срокам и стоимости запуска.

Фреймворки для агентного ИИ, которые пишут кодом

Как только процесс не укладывается в цепочку «условие - действие», выгоднее писать агента кодом. LangChain и надстройка над ним LangGraph дают контроль над каждым шагом рассуждения: можно явно описать граф состояний, куда агент возвращается при ошибке, и что делать, если инструмент вернул пустой результат. Порог входа выше, чем у n8n, зато предсказуемость поведения агента на живых данных тоже выше.

CrewAI устроен иначе: несколько агентов с разными ролями работают над одной задачей, например «агент-исследователь» ищет данные, а «агент-редактор» проверяет и оформляет результат. Такая мультиагентная схема хорошо ложится на подготовку контента или разбор большого массива документов, но для простой автоматизации это избыточно.

Claude Agent SDK - фреймворк, на котором построен интерфейс, которым я пользуюсь для работы над кодом и текстами вроде этой статьи: агент получает доступ к файлам и инструментам вроде поиска по коду или выполнения команд и сам решает порядок действий в рамках заданных разрешений. Для бизнес-задач я беру его, когда агенту нужен реальный доступ к нескольким внутренним системам клиента одновременно, а не просто ответ по базе знаний.

Минимальный агентный цикл на Python с вызовом Claude и внешним инструментом выглядит примерно так.

import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-sonnet-5",
    max_tokens=1024,
    tools=[order_status_tool, cdek_tracking_tool],
    messages=[{"role": "user", "content": "Где мой заказ 10452?"}]
)

for block in response.content:
    if block.type == "tool_use":
        result = call_tool(block.name, block.input)

Дальше результат инструмента возвращается модели, и она формулирует ответ или вызывает следующий инструмент. Разница с no-code в том, что каждую ветку можно покрыть тестами, а не проверять руками в визуальном редакторе.

Сравнение платформ ИИ-агентов по задачам

Если сводить варианты в одну таблицу, разница между ними видна по трём параметрам: нужен ли код, где агент физически работает и для каких задач он подходит лучше остальных.

n8n можно развернуть на собственном сервере бесплатно, у Make и Zapier - только облако провайдера с оплатой по числу выполненных сценариев в месяц, а у OpenAI Agents SDK запросы идут через их облако и тарифицируются по токенам.

Между собой LangChain, CrewAI и Claude Agent SDK выбираю по объёму интеграций и по тому, нужна ли агенту одна роль или несколько параллельных. Для одного агента с чётким набором инструментов достаточно LangGraph или Claude Agent SDK. Для конвейера из нескольких этапов, где каждый требует свою логику и проверку, CrewAI укладывает это в модель ролей без лишней самодельной оркестрации.

Где агент реально работает: кейсы из практики

Самые частые агентные сценарии, которые я делаю клиентам без раздувания бюджета:

• поддержка на сайте: чат-бот с базой знаний, который отвечает по документации или каталогу, а не общими фразами. В библиотеке есть готовый пример такого решения - ИИ-чатбот на Claude с индексацией собственных документов;
• Telegram-бот на aiogram, который принимает заявку, уточняет детали через диалог с LLM и передаёт готовую карточку менеджеру;
• сверка платежей: агент в n8n забирает выписку по эквайрингу T‑Bank, сопоставляет с заказами в WooCommerce и шлёт уведомление, если сумма или статус разошлись;
• обработка вебхука с Tilda: форма на лендинге дёргает внешний скрипт, тот прогоняет обращение через LLM для классификации - жалоба, вопрос по доставке, запрос на возврат - и раскладывает обращения по очередям в CRM;
• проверка остатков и цен: агент читает прайс поставщика, сверяет с карточками в магазине и готовит список расхождений для менеджера вместо того, чтобы кто-то сверял это руками каждое утро.

Общее во всех случаях - агент не заменяет человека полностью, а убирает рутинный первый проход: сортировку, сверку, черновой ответ. Финальное решение в спорных случаях остаётся за менеджером, и такую эскалацию я закладываю в сценарий с самого начала, а не добавляю потом как заплатку. Если агент работает с контактами и заказами клиентов, я храню эти данные на серверах в России, а не в Google Sheets или Airtable: для персональных данных это требование 152-ФЗ, а не вопрос удобства.

Сколько стоит внедрение ИИ-агента и как выбрать инструмент

Цена агента зависит не от платформы, а от сложности логики и числа внешних систем, с которыми он работает. Ориентир по моим ценам:

• автоматизация в n8n с одной ИИ-нодой и парой интеграций - от 25 000 ₽;
• Telegram-бот на aiogram с вызовом Claude или GPT - от 30 000 ₽;
• чат-бот с базой знаний для сайта - от 50 000 ₽;
• кастомная AI-интеграция под конкретный процесс на Claude API, OpenAI или с RAG - от 50 000 ₽;
• парсинг и агентная автоматизация на Python без визуального конструктора - от 20 000 ₽.

На рынке похожий агент с интеграцией в CRM и несколькими источниками данных у студий и фрилансеров на бирже стоит от 80 000 до 250 000 ₽ - это не моя цена, а ориентир по тому, что просят за подобные проекты другие исполнители.

Отдельная история - поддержка агента после запуска: модели обновляются, у поставщиков API меняются лимиты и форматы ответов, и сценарий, который отработал полгода без изменений, может сломаться после обновления модели или смены версии API. Я веду такие проекты на технической поддержке от 15 000 ₽ в месяц, а не оставляю клиента с рабочим, но неподдерживаемым сценарием.

Что смотреть при выборе инструмента: если процесс укладывается в 5-7 шагов и меняется редко, берите no-code - n8n окупит себя скоростью запуска. Если агенту нужно принимать решения по неструктурированным данным, работать с несколькими ролями или масштабироваться на десятки параллельных диалогов, код-фреймворк обойдётся дороже на старте, но не потребует переписывания через полгода. Отдельно проверяйте, где физически хранятся данные: часть облачных платформ по умолчанию гоняет всё через серверы в США или ЕС, а для персональных данных клиентов из России это лишний юридический риск.

Частые вопросы

Чем платформа для ИИ-агентов отличается от обычного чат-бота?

Чат-бот на Tilda или в мессенджере обычно работает по заранее прописанному дереву диалогов: ветки известны заранее, и модель в лучшем случае помогает сформулировать ответ. Агент сам решает, какой инструмент вызвать и в каком порядке, может обратиться к нескольким системам подряд и скорректировать план, если первый шаг не дал результата.

Можно ли собрать агента без программиста?

Для несложных сценариев, где шагов немного и они редко меняются, n8n и Make действительно позволяют обойтись без разработчика: интерфейс визуальный, ноды с LLM уже встроены. Но как только появляется ветвление с десятком условий, несколько ролей агентов или нужна интеграция с внутренней CRM без готового коннектора, дешевле и надёжнее один раз написать код, чем распутывать разросшийся визуальный сценарий.

Как агент работает с данными клиентов и CRM?

Если агент читает или пишет контакты, заказы и переписку, эти данные должны храниться на серверах в России - это требование 152-ФЗ, а не рекомендация для перестраховки. На практике агент подключается к CRM или магазину через API или вебхук, а сама модель получает только тот минимум данных, который нужен для конкретного шага, а не полную выгрузку базы.

Сколько времени занимает внедрение агента в существующий процесс?

Сценарий на n8n с одной-двумя интеграциями я обычно собираю за 3-5 дней. Telegram-бот на aiogram с подключением LLM и базовой логикой диалога - от недели. Кастомный агент на Claude Agent SDK или CrewAI с несколькими внутренними системами занимает от двух-трёх недель, в основном из-за интеграций, а не самой модели.