Разработка ИИ-агентов: стек, сроки, бюджет проекта

Разработка ИИ-агентов в 2026 году перестала быть игрушкой энтузиастов с доступом к GPT‑4, теперь это инженерная задача со своим стеком, сроками и бюджетом, который можно посчитать до старта проекта. За последние полгода ко мне приходили с самыми разными запросами: бот-консультант с базой знаний, агент, который сам разбирает заявки и распределяет их между менеджерами, ассистент для внутренней документации компании. Расскажу, из чего складывается разработка ИИ-агентов на практике: какой стек я использую, сколько это занимает по времени и куда уходят деньги заказчика.

Чем ИИ-агент отличается от обычного чат-бота

Чат-бот отвечает на вопросы по сценарию или с помощью языковой модели, но сам не выполняет действий: не создаёт задачу в CRM, не проверяет остаток на складе, не отправляет письмо клиенту. Агент умеет вызывать инструменты через function calling, хранить контекст между шагами диалога и решать, какой инструмент нужен для конкретного запроса пользователя.

На практике агент - это языковая модель плюс набор функций, которые она может вызвать: поиск по базе знаний, запрос к API склада, создание сделки в CRM, отправка сообщения через Telegram-бота на aiogram. Простой пример из моей практики - бот поддержки, который сначала пытается ответить по документации компании через RAG, а если не находит ответ, сам заводит тикет и уведомляет ответственного менеджера. Это уже агент, а не чат-бот с одним промптом поверх модели.

Стек для разработки ИИ-агента: модель, оркестрация, память

Стек собирается из нескольких слоёв, и на каждом есть выбор между быстрым и гибким вариантом.

Модель. Чаще беру Claude API или OpenAI API в зависимости от бюджета заказчика и требований к работе с русским языком - на моей практике Claude аккуратнее держит контекст в длинных диалогах и реже галлюцинирует на технической документации.

Оркестрация. Для несложных сценариев, где агент вызывает два-три инструмента по линейной логике, хватает n8n: собираю цепочку HTTP-запросов, условий и вызовов модели без написания сервиса с нуля. Для агентов со сложной логикой, где нужны циклы, повторные попытки и параллельные вызовы инструментов, пишу оркестрацию на Python поверх FastAPI.

Инструменты. Каждая функция, которую может вызвать агент, описывается отдельно, с чёткой сигнатурой и понятным описанием для модели:

def get_order_status(order_id: str) -> dict:
    """Возвращает статус заказа по номеру для агента"""
    return crm_client.get_order(order_id)

База знаний. Если агент должен отвечать по документам компании, тексты режутся на чанки, векторизуются и складываются в pgvector или Pinecone. Обычно беру pgvector в той же Postgres, где уже хранятся остальные данные проекта - не нужно оплачивать отдельный векторный сервис. Если нужен только диалоговый слой без сложной оркестрации с нуля, можно посмотреть готовые скрипты - там есть ИИ-чатбот на Claude, который закрывает базовый сценарий вопрос-ответ и его можно донастроить под свою базу знаний.

Память и состояние. Агенту нужно помнить, на каком шаге сценария находится пользователь и что уже обсуждалось. Для ботов на aiogram обычно храню состояние в Redis или той же Postgres - без этого агент забывает контекст между сообщениями и переспрашивает то, что пользователь уже сказал.

Данные диалогов и контакты клиентов храню на серверах в РФ, а не в иностранных облачных таблицах - это требование 152-ФЗ по локализации персональных данных, и я его соблюдаю по умолчанию, а не по запросу заказчика.

Сроки разработки ИИ-агента по этапам

Проектирование сценариев и списка инструментов занимает 3-5 дней: нужно понять, какие действия агент должен выполнять сам, а где обязательно подтверждение человека.

Настройка базы знаний и RAG-пайплайна - ещё 5-7 дней, если документация компании уже структурирована. Если документы разрозненные и противоречивые, это время увеличивается, потому что часть работы уходит на приведение источников к единому виду.

Оркестрация и интеграции с внешними системами занимают от одной до трёх недель в зависимости от количества сервисов: подключение к одной CRM это одна задача, а связка CRM плюс склад плюс почта плюс мессенджер - это уже три-четыре отдельные интеграции с документацией, тестовыми ключами и обработкой ошибок каждого сервиса.

Тестирование на реальных диалогах требует 3-5 дней: прогоняю агента через десятки реальных вопросов клиентов, смотрю, где он ошибается или вызывает не тот инструмент, донастраиваю промпты.

В сумме простой Telegram-бот с одним-двумя инструментами занимает 2-3 недели от старта до запуска. Агент с базой знаний и несколькими интеграциями - 4-6 недель. Агент как часть более крупного веб-сервиса или SaaS-платформы - от 8 недель, потому что там добавляется своя база данных, интерфейс управления и логика биллинга.

Структура бюджета: сколько стоит создание AI-агента

Цена собирается из тех же слоёв, что и стек: проектирование, настройка модели, база знаний, оркестрация с интеграциями, тестирование. Ниже мои цены по типам задач - они действительно зависят от объёма работы, а не назначены произвольно.

После запуска расходы не заканчиваются. Модели обновляются, промпты со временем требуют донастройки под новые формулировки вопросов, а токены модели тарифицируются провайдером отдельно от моей работы. Техподдержка с мониторингом и донастройкой стоит от 15 000 ₽ в месяц - это отдельная услуга, я не включаю её бесплатно в стоимость разработки.

n8n или кастомный сервис: как выбрать способ оркестрации

Разница между n8n и написанным с нуля сервисом на Python не в цене конкретного проекта, а в гибкости логики и в том, что будет с агентом через полгода после запуска.

На практике для внутренней автоматизации, где агент разбирает заявки и раскладывает их по папкам или создаёт задачи, n8n закрывает задачу полностью и обходится дешевле. Для клиентского продукта, где агент - часть основного сервиса компании, обычно перехожу на кастомную оркестрацию, потому что n8n не рассчитан на такую нагрузку и не даёт нужного контроля над обработкой ошибок.

Что удорожает внедрение агента в бизнес-процессы

Непроработанные сценарии до старта. Если на входе есть только идея «пусть агент отвечает клиентам», а не список конкретных сценариев с ожидаемым результатом каждого, часть работы на этапе разработки уходит на то, что должно было решиться на этапе обсуждения. Это удлиняет сроки и, соответственно, увеличивает счёт.

Желание закрыть всё сразу. Агент, который должен уметь отвечать на вопросы, оформлять заказы, обрабатывать возвраты и вести переписку с поставщиками одновременно, обходится дороже, чем последовательный запуск: сначала один сценарий в проде, потом следующий поверх уже работающей базы.

Неструктурированная база знаний. Если документация компании - это папка с разрозненными файлами без единой логики, обработка и векторизация занимают заметно больше времени, чем при работе с уже причёсанной базой.

Отсутствие API у внутренних систем. Если склад или CRM не отдают данные по API, а работают только через веб-интерфейс, приходится либо договариваться с разработчиком системы об API, либо писать более сложный переходник - это отдельная статья расходов, которую сложно оценить заранее без изучения конкретной системы.

Если у вас есть готовый список интеграций и сценариев, бюджет конкретного проекта проще оценить не по усреднённым цифрам, а после разговора о реальных системах заказчика и объёме данных, с которыми предстоит работать агенту.

Частые вопросы

Сколько стоит разработка ИИ-агента под ключ?

Зависит от сложности: простой Telegram-бот с одним сценарием у меня стоит от 30 000 ₽, агент с базой знаний и RAG - от 50 000 ₽, а агент как часть отдельного веб-сервиса или SaaS - от 300 000 ₽ со сроком от 8 недель. Итоговая цена складывается из количества интеграций и объёма базы знаний, которую нужно подготовить.

Сколько времени занимает разработка ИИ-агента?

Простой бот с одним-двумя инструментами запускается за 2-3 недели. Агент с базой знаний и несколькими интеграциями - за 4-6 недель. Агент как часть более крупного сервиса требует от 8 недель из-за собственной базы данных и интерфейса управления.

Какую модель лучше выбрать: Claude или OpenAI?

На практике для агентов, которые много работают с длинными документами и техническими текстами на русском языке, Claude показывает себя стабильнее и реже путается в деталях. Для задач с массовыми короткими запросами и большим объёмом обращений разница между моделями не так заметна, и выбор чаще определяется ценой токенов и лимитами провайдера.

Нужна ли поддержка агента после запуска?

Да. Модели провайдеров обновляются, поведение агента на новых версиях может немного меняться, а реальные вопросы пользователей со временем отличаются от тех, на которых агент тестировался при запуске. Техподдержка с мониторингом и донастройкой промптов у меня стоит от 15 000 ₽ в месяц и не входит в стоимость разработки по умолчанию.