Создание ИИ-агента: из каких частей он состоит и сколько занимает

За последний год ко мне стало прилетать больше проектов на создание ИИ-агента, и в них редко нужен просто чат-бот с одним промптом. Клиенты просят систему, которая сама решает, какой инструмент вызвать, куда сходить за данными и как сформулировать ответ клиенту. Внутри такого агента несколько частей, у каждой своя логика и своя цена разработки. В статье раскладываю, из чего он состоит, как части связаны между собой и сколько это стоит и занимает по времени на практике.

Из каких частей состоит ИИ-агент

Агент - это связка из нескольких компонентов, каждый из которых можно менять и дорабатывать отдельно, а не одна большая нейросеть. На практике я собираю такие системы из следующих частей:

• Языковая модель-ядро. Claude или GPT‑4, которая читает контекст и решает, что делать дальше - ответить текстом или вызвать инструмент.
• Системный промпт и роль. Инструкция, которая задаёт агенту границы: с чем он работает, чего не делает, в каком тоне отвечает.
• Набор инструментов (tools). Функции, которые агент вызывает через function calling: поиск по базе знаний, запрос в CRM, расчёт доставки, отправка письма.
• Память. Краткосрочная - история текущего диалога, долгосрочная - векторная база для RAG, куда агент обращается за фактами о компании или товарах.
• Оркестратор. Код, который управляет циклом: получил вопрос, решил, что делать, вызвал инструмент, получил результат, решил отвечать или идти дальше.
• Интерфейс. Telegram-бот на aiogram, виджет на сайте, API для внутренней системы - то, через что человек с агентом общается.
• Логи и ограничители. Лимит на число шагов в цикле, лимит токенов, запись каждого вызова инструмента, без этого агент может зациклиться и сжечь бюджет на API за одну сессию.

Из всего списка дороже всего в разработке обычно обходятся инструменты и память: это не готовая библиотека, а код под конкретные системы заказчика - CRM, склад, платёжный шлюз.

Как части агента работают вместе: архитектура и логика решений

Агент работает циклом, который в статьях про LangChain называют ReAct: модель рассуждает, выбирает действие, получает результат и рассуждает заново. На вход приходит сообщение пользователя, модель решает - отвечать сразу текстом или сначала вызвать инструмент. Если инструмент нужен, оркестратор выполняет функцию, результат возвращается модели как часть контекста, и цикл повторяется, пока агент не соберёт достаточно данных для финального ответа.

Собирал для интернет-магазина на связке aiogram и Claude API бота, который отвечает на вопрос «где мой заказ». Агент получает номер заказа, вызывает функцию проверки трек-номера в СДЭК, получает статус доставки и только после этого формулирует ответ человеку своими словами, а не копирует технический JSON из API.

while True:
    response = client.messages.create(
        model="claude-sonnet-5",
        messages=history,
        tools=tools,
    )
    if response.stop_reason == "tool_use":
        tool_use = next(block for block in response.content if block.type == "tool_use")
        result = call_tool(tool_use)
        history.append({"role": "assistant", "content": response.content})
        history.append({"role": "user", "content": [
            {"type": "tool_result", "tool_use_id": tool_use.id, "content": result}
        ]})
    else:
        return next(block.text for block in response.content if block.type == "text")

Без оркестратора модель в лучшем случае угадывает ответ по памяти, в худшем - выдумывает статус заказа, которого не проверяла. Именно оркестратор отличает агента от чат-бота с одним запросом к API.

Какие инструменты и интеграции подключают агенту

Инструменты - это функции, которые агент вызывает по необходимости. На практике чаще всего подключаю:

• Проверку статуса заказа и трекинг через API СДЭК или другой службы доставки.
• Проверку оплаты в эквайринге, например статус платежа в T‑Bank для магазина на WooCommerce.
• Запись и чтение сделок в CRM (Bitrix24, amoCRM) - создание лида, обновление статуса.
• Поиск по базе знаний компании через векторную базу (об этом ниже).
• Парсинг открытых данных на Python, например цен конкурентов, для агента-аналитика.

Для части сценариев не пишу оркестратор с нуля, а собираю связку в n8n: вебхук из CRM запускает сценарий, узел HTTP Request идёт в Claude API, ответ агента возвращается в мессенджер. Это быстрее кастомного кода там, где инструментов немного и логика не сильно ветвится, но при десятке инструментов и сложных условиях n8n-цепочка становится не проще Python-кода, а сложнее его читать и поддерживать.

База знаний агента: как работает память и RAG

Если агенту нужно отвечать по документам компании - прайсу, регламентам, базе FAQ, подключаю RAG (retrieval-augmented generation). Тексты разбиваются на смысловые куски, каждый превращается в вектор через модель эмбеддингов и сохраняется в векторной базе вроде Qdrant или Pinecone. Когда приходит вопрос, агент ищет в базе несколько ближайших по смыслу кусков текста и подставляет их в контекст перед тем, как модель формирует ответ.

Разница с обычным чат-ботом на промптах в том, что RAG-агент не держит весь прайс или регламент в системном промпте - там уместится не больше пары десятков страниц, а в векторной базе можно хранить документацию любого объёма и обновлять её без переобучения модели. Для клиентов, которым нужен такой чат-бот без разработки с нуля, в библиотеке есть готовый ИИ-чатбот на базе Claude, который можно адаптировать под свою базу знаний.

Сколько стоит создание ИИ-агента

Цена собирается из отдельных частей, и универсальной вилки тут нет: агент с одним инструментом и агент с интеграцией в пять систем - разные по трудозатратам проекты. Ориентируюсь на такие цифры:

Отдельная статья расходов - обращения к API самой модели: они тарифицируются по токенам, не входят в стоимость разработки и зависят от трафика и от того, Claude это или GPT‑4. На рынке у студий похожий агент часто начинается от 150 000-200 000 ₽ и уходит выше в зависимости от штата и накладных расходов - я работаю без такой наценки, потому что веду проекты сам.

Сроки разработки и частые ошибки

Простой агент с одним-двумя инструментами и без памяти собираю за 1-2 недели: промпт, function calling, тесты на реальных вопросах. Если нужна база знаний, добавляется неделя на сбор и разметку документов - свежую базу приходится вычитывать вручную, автоматически хорошие куски текста не нарежутся. Интеграция с CRM или эквайрингом занимает ещё 1-2 недели с учётом тестовой среды и доступа к API заказчика. Полноценный SaaS с агентом внутри - от 8 недель, там кроме самого агента нужен фронтенд, база данных и авторизация.

Из ошибок, с которыми сталкивался чаще всего:

• Не ставят лимит шагов в цикле - агент уходит в рекурсию и вызывает инструмент по десять раз на один вопрос, счёт за API растёт незаметно.
• Хранят переписку и контакты клиентов в зарубежных облачных таблицах вместо серверов в РФ - для персональных данных это нарушение 152-ФЗ, а не только вопрос удобства.
• Запускают агента сразу в бою без логов - когда он один раз ответил не то, разобраться без записи вызовов инструментов почти невозможно.
• Экономят на тестировании на реальных вопросах клиентов и ловят баги уже после запуска, когда переписывать промпт приходится на живом трафике.

Частые вопросы

Чем ИИ-агент отличается от обычного чат-бота на промптах?

Чат-бот на промптах просто генерирует текст в ответ на вопрос, у него нет доступа к внешним системам и памяти дольше одного диалога. Агент вызывает функции - проверяет заказ, ищет в базе знаний, пишет в CRM - и сам решает, какой инструмент нужен для конкретного запроса.

Можно ли собрать агента на n8n без программиста?

Простые сценарии с одним-двумя вызовами API - да, n8n справляется без кастомного кода. Как только нужна ветвящаяся логика, несколько инструментов и обработка ошибок, схема в n8n превращается в такой же сложный объект, как код, только менее читаемый, и дешевле написать оркестратор на Python.

Сколько стоит поддержка агента после запуска?

Это отдельная статья расходов от разработки. Техподдержка - от 15 000 ₽ в месяц, туда входит мониторинг логов, обновление промптов и инструментов под изменения в системах заказчика. Бесплатных доработок и обновлений я не предлагаю: агент требует внимания так же, как любой продакшн-сервис.

Какую модель выбрать для агента - Claude или GPT‑4?

Для задач с function calling и длинным контекстом, документами, базой знаний, чаще беру Claude - у него стабильнее работает следование системному промпту на длинных диалогах. GPT‑4 выбираю, если у заказчика уже есть инфраструктура на OpenAI или нужны специфичные инструменты из их экосистемы. Итоговый выбор обычно зависит от того, что уже есть в стеке заказчика, а не от абстрактного превосходства одной модели.