Слово «агент» звучит как из фантастики, но идея проста: агент — это языковая модель, которой дали цель, инструменты и право самой решать, что делать дальше. Вместо одного запроса и одного ответа получается цикл действий. Курс объяснит, как это устроено, где реально помогает и где создаёт больше проблем, чем решает.
Чем агент отличается от одиночного запроса
Обычный запрос линеен: вы задали вопрос — модель ответила — конец. Агент работает циклично: модель сама планирует шаги, выполняет их через инструменты, смотрит на результат и решает, что делать дальше. Цикл повторяется, пока цель не достигнута (или пока не сработает лимит попыток).
Общая схема цикла агента:
- Цель. Пользователь формулирует результат: «собери список конкурентов с ценами», «почини падающий тест».
- План. Агент раскладывает цель на шаги и выбирает инструменты для каждого.
- Действие. Агент вызывает инструмент: поиск, запуск кода, чтение файла, запрос к внешнему сервису.
- Наблюдение. Агент читает результат действия: что вернул поиск, упал ли тест, что в файле.
- Корректировка. На основе наблюдения агент обновляет план — повторяет шаг, меняет подход или объявляет цель достигнутой.
- Возврат к шагу 3, пока не выполнено.
Ключевое отличие — именно обратная связь: одиночный запрос не видит последствий своих слов, агент видит последствия своих действий и подстраивается.
Инструменты агента
Инструмент — это функция или сервис, который агент может вызвать. Модель не «ломает» систему — она формирует структурированный вызов, а ваша программа решает, выполнить его или нет. Типичные инструменты:
- Поиск. Веб-поиск или поиск по внутренним базам знаний — чтобы агент опирался на факты, а не на память модели.
- Код. Возможность написать и запустить скрипт: посчитать, обработать файл, проверить идею.
- Файлы и рабочая среда. Чтение и изменение документов, работа с репозиторием.
- Внешние сервисы. Почта, календарь, трекеры задач, базы данных — через их API.
Инструменты описываются в виде схем: имя, что делает, какие принимает параметры. Модель выбирает инструмент по описанию, поэтому чем точнее описания, тем реже агент путается.
Субагенты и делегирование
Для сложных целей полезен приём: главный агент делит работу и создаёт субагентов — вспомогательных агентов с узкой задачей и собственным мини-контекстом. Например, главный агент координирует исследование, а субагенты параллельно собирают данные по отдельным темам и возвращают сжатые резюме.
Зачем это нужно:
- Чистый контекст. Субагент не тащит в главную ветку сотни тысяч токенов «сырых» наблюдений — только выжимку.
- Параллельность. Независимые подзадачи выполняются одновременно.
- Специализация. Каждому субагенту — своя роль, свой набор инструментов и своя инструкция.
Обратная сторона: больше вызовов модели — больше стоимость и точек отказа. Делегируйте то, что действительно громоздкое.
Память и контекст агента
Контекстное окно — «рабочая память» агента, и она конечна. Длинный цикл быстро её переполняет: история действий, результаты инструментов, промежуточные выводы. Без управления агент буквально забывает, зачем начал.
Основные приёмы:
- Резюмирование. Периодически сжимать историю до выжимки ключевых фактов и решений.
- Внешняя память. Хранить важное вне модели — в файлах или базе — и подгружать точечно, когда нужно.
- Чистка контекста. Убирать мусор: сырые логи, дубли, нерелевантные наблюдения.
Разница как у человека: рабочая память держит несколько мыслей, блокнот держит всё остальное. Хороший агент активно пользуется «блокнотом».
Где агенты помогают и где избыточны
Реально помогают:
- Многошаговые рутинные процессы. Обработка заявок, проверка данных по чек-листам, регламентные проверки — там, где шаги повторяются, а вариаций немного.
- Исследования. «Собери и сравни информацию по 30 источникам» — вручную это часы, агент сделает черновик за минуты.
- Конвейеры данных. Извлечь поля из тысячи документов, нормализовать, разложить по категориям, собрать отчёт.
- Итеративная работа с кодом. Написать → запустить тесты → увидеть ошибку → исправить, без ручного копирования сообщений об ошибках.
Избыточны:
- Простые вопросы. Один ответ на один запрос — агентная оболочка добавит задержку, стоимость и риск, а пользы не принесёт.
- Задачи, где нужна точность 100%. Расчёт зарплаты или юридически значимый документ агент «на автономке» делать нельзя — только под полным контролем.
- Одношаговые преобразования. Перевести абзац, сократить текст — обычный запрос справится.
Правило: агент оправдан, когда задача требует нескольких шагов и наблюдения за результатами; во всех остальных случаях достаточно запроса.
Риски и как ими управляться
- Накопление ошибок. Каждый шаг цикла может ошибиться, и ошибка едет дальше по цепочке. Лечится контрольными точками: после ключевых шагов — проверка результата, а не слепое продолжение.
- Стоимость. Цикл — это десятки вызовов модели и инструментов. Без лимитов на попытки и токены агент может «зациклиться» и сжечь бюджет. Ставьте жёсткие пределы.
- Ошибочная уверенность. Агент может уверенно доложить о выполнении цели, которого нет. Финальную проверку делает человек или автоматический тест, а не слова агента.
- Нужен human-in-the-loop. Участие человека в ключевых точках — необязательная роскошь, а обязательный элемент: подтверждение опасных действий, ревью результата, право остановить цикл.
- Права по минимуму. Дайте агенту только те инструменты и права доступа, без которых задача невозможна: агенту, читающему данные, не нужен доступ на удаление. Каждый инструмент — это дверь, которую ошибочное действие может открыть.
Ключевые выводы
- Агент — это цикл «цель → план → действие → наблюдение → корректировка» вместо одного запроса; сила агента — в обратной связи от результатов действий.
- Инструменты (поиск, код, файлы, внешние сервисы) описываются схемами и вызываются через вашу программу — она остаётся последней инстанцией.
- Субагенты держат контекст чистым и работают параллельно; памятью управляют через резюмирование и внешнее хранилище.
- Агенты сильны в многошаговых рутинных процессах, исследованиях и конвейерах данных; для простых вопросов достаточно обычного запроса.
- Главные риски — накопление ошибок, стоимость и ошибочная уверенность; лечатся лимитами, контрольными точками, human-in-the-loop и минимальными правами доступа.
Что дальше
Чтобы понимать, на чём стоят агенты, пройдите курс «Введение в API языковых моделей» — там разобраны запросы, токены и стоимость. Затем курс «MCP: зачем ИИ доступ к внешним инструментам» — о стандартизированном способе подключать к моделям внешние инструменты и источники данных.