Создание приложений с ИИ-агентами: архитектура, сроки, чем занят разработчик

Настраиваю ИИ-агентов, которые сами решают, какой шаг сделать дальше: обратиться к базе знаний, вызвать функцию, отправить запрос в CRM. Создание приложений с ИИ-агентами - это не «прикрутить чат-бота к сайту», а инженерная задача с отдельной архитектурой, тестированием и бюджетом на поддержку после запуска. Дальше по порядку: чем агент отличается от обычного бота, из каких частей собирается система, сколько уходит времени на каждый этап и чем я как разработчик занят от старта до продакшена.

Чем ИИ-агент отличается от обычного чат-бота

Обычный бот на aiogram работает по жёстким правилам: нажал кнопку - получил ответ, совпал текст с regex - сработал хендлер. Всё, чего разработчик не предусмотрел заранее, бот не умеет. Агент устроен иначе: у него есть языковая модель как «мозг», список доступных функций (инструментов) и цикл рассуждений - модель сама решает, какой инструмент вызвать, в каком порядке и нужно ли вообще что-то вызывать.

Пример из практики: клиент интернет-магазина пишет «а где мой заказ, я оплатил вчера картой». Обычный бот такую фразу без точного триггера пропустит мимо или отправит в общий FAQ. Агент на Claude с function calling сам сопоставит запрос с функцией check_order_status(order_id), поймёт, что для вызова не хватает номера заказа, уточнит его у клиента и только потом дёрнет API. Ту же логику можно расширить проверкой оплаты через Т‑Банк или статус доставки через СДЭК - агент сам решит, какую функцию вызвать под конкретную формулировку, а не разработчик пропишет все варианты фраз заранее.

Архитектура приложения с ИИ-агентом

В рабочем проекте я обычно собираю систему из пяти слоёв:

• LLM-ядро - Claude API или OpenAI, принимает решения и генерирует текст;
• слой оркестрации - либо кастомный backend на Python, либо n8n как no-code прослойка между триггером, моделью и внешними сервисами;
• инструменты - обёртки над реальными API: расчёт доставки через СДЭК, проверка оплаты через эквайринг, создание сделки в CRM;
• память - векторная база (обычно pgvector) для поиска по базе знаний плюс обычная таблица с историей диалога;
• интерфейс - Telegram на aiogram, виджет на сайте, встроенный скрипт в Tilda или отдельное SPA.

Сложность архитектуры прямо влияет на срок и бюджет, поэтому я обычно делю проекты на три уровня.

Сроки разработки: сколько занимает создание приложений с ии-агентами

По срокам ориентируюсь на такую раскладку этапов:

• аналитика и проектирование сценариев - 3-5 дней;
• подбор стека, настройка окружения, ключей Claude API и векторной базы - 2-3 дня;
• разработка агента и интеграций - от 2 до 6 недель в зависимости от числа инструментов;
• тестирование на живых диалогах и правка промптов - 1-2 недели, обычно 3-4 итерации;
• запуск и наблюдение за первыми неделями работы в проде.

Последний пункт часто недооценивают. Агент на тестовых сценариях ведёт себя предсказуемо, а на реальных запросах пользователи формулируют вопросы так, что модель выбирает не тот инструмент или зацикливается на уточнениях. Первые две-три недели после запуска я закладываю отдельно на разбор логов и донастройку промптов - без этого этапа проект нельзя считать завершённым.

Чем занят разработчик на каждом этапе

Проектирование сценариев и промптов

Пишу системный промпт, описываю список функций с чёткими условиями вызова и отдельно прорабатываю нештатные ветки: что агент отвечает, если функция вернула ошибку, если пользователь просит то, чего в системе не предусмотрено, если нужно передать диалог живому оператору. Без этой части агент в проде либо галлюцинирует ответы, либо застревает в бесконечных уточнениях.

Интеграции с внешними сервисами

Большая часть времени уходит именно сюда. Для агента-консультанта интернет-магазина на связке T‑Bank/WooCommerce я оборачиваю проверку статуса оплаты в отдельную функцию, для расчёта доставки - функцию с обращением к API СДЭК. Если проект небольшой и не требует отдельного backend, связку между Telegram, LLM и внешними сервисами собираю в n8n - это быстрее, чем писать сервер с нуля, и подходит для сценариев без сложной бизнес-логики.

Примерно так описание инструмента для агента выглядит на уровне кода:

tools = [
    {
        "name": "check_delivery_cost",
        "description": "Считает стоимость и срок доставки СДЭК по индексу получателя",
        "input_schema": {
            "type": "object",
            "properties": {
                "postal_code": {"type": "string"},
                "weight_kg": {"type": "number"}
            },
            "required": ["postal_code", "weight_kg"]
        }
    }
]

Тестирование и обработка ошибок агента

Логирую каждый вызов инструмента отдельно от текста ответа - иначе при разборе жалобы «бот ответил не то» невозможно понять, модель ли ошиблась с выбором функции или сама функция вернула кривые данные. Отдельно закладываю таймауты на внешние API и лимиты на количество шагов агента за один диалог, чтобы он не ушёл в цикл из повторных вызовов одной и той же функции.

Стоимость разработки приложения с ИИ-агентом

На практике смета собирается из компонентов:

• чат-бот с базой знаний (RAG) - от 50 000 ₽;
• AI-интеграция Claude API или OpenAI в существующий продукт - от 50 000 ₽;
• автоматизация сценариев в n8n без отдельного backend - от 25 000 ₽;
• Telegram-бот на aiogram с базовой логикой - от 30 000 ₽;
• полноценный веб-сервис с несколькими агентами и админкой - от 300 000 ₽, срок от 8 недель;
• техподдержка после запуска - разбор нештатных ответов, мониторинг лимитов, правка промптов - от 15 000 ₽ в месяц.

Для сравнения: у студий цена на проект с мультиагентной архитектурой на рынке стартует в среднем от 400 000 до 900 000 ₽ - это ориентир по рынку, не моя цена, у меня расчёт идёт от сложности конкретных сценариев и числа интеграций.

Если нужен быстрый старт без индивидуальной разработки, можно взять готового ИИ-чатбота на Claude из библиотеки и адаптировать его под свою базу знаний, а уже потом дорабатывать под задачи бизнеса.

Типичные ошибки в проектах с ИИ-агентами

• агенту дают доступ сразу ко всем функциям без разграничения по ролям и сценариям;
• не логируют вызовы инструментов, из-за чего невозможно разобрать причину неверного ответа;
• хранят переписку и персональные данные клиентов в иностранных облачных таблицах вместо сервера в РФ, что противоречит 152-ФЗ;
• не считают токены и стоимость запросов - бюджет на API уходит за первую неделю активного использования;
• не предусматривают передачу диалога живому оператору для нестандартных запросов.

Частые вопросы

Сколько стоит создать приложение с ИИ-агентом с нуля?

Зависит от сложности сценариев. Чат-бот с базой знаний обойдётся от 50 000 ₽, агент с несколькими внешними интеграциями - тоже от 50 000 ₽ с ростом суммы под число инструментов, а полноценный SaaS с несколькими агентами и админ-панелью - от 300 000 ₽ при сроке от 8 недель.

Можно ли собрать агента на n8n самостоятельно, без разработчика?

Простые сценарии вроде «принять сообщение в Telegram, отправить в Claude, вернуть ответ» действительно можно собрать в n8n своими силами. Как только появляется ветвление, несколько инструментов и обработка ошибок API, за логику всё равно отвечает разработчик - сам сервис на n8n у меня стоит от 25 000 ₽, дальше идёт правка сценариев по мере роста нагрузки.

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

Кнопочный бот работает по жёстко прописанным сценариям и не выходит за рамки того, что предусмотрел разработчик. Агент с function calling сам решает, какую функцию вызвать под конкретный запрос пользователя, и может комбинировать несколько шагов - например, сначала проверить оплату, потом рассчитать доставку - без отдельного хендлера под каждую формулировку.

Как быстро окупается такое приложение?

Окупаемость считаю через снятую нагрузку с поддержки: если агент закрывает типовые вопросы про статус заказа и доставку, это часы работы оператора в день. При обычном потоке в 50-100 обращений в сутки экономия одного оператора обычно перекрывает стоимость разработки за 2-4 месяца, но цифра сильно зависит от того, сколько обращений реально типовые.