Как разрабатывать ИИ-агентов: от архитектуры до деплоя

Как разрабатывать ИИ-агентов?

ИИ-агент — это программа, которая не просто отвечает на запрос, а сама выполняет цепочку действий: планирует шаги, вызывает инструменты, анализирует результат и итерирует до достижения цели. Запрос «разработка ии агентов» набирает около 1000 обращений в месяц в Яндексе, «разработка ai агентов» — ещё ~300, и это один из самых быстрорастущих кластеров ядра. Разрабатывать агентов в 2026 году можно двумя путями: собрать агента на платформе без программирования (о чём мы писали в гайде по созданию агента) или написать его как инженерное решение: выбрать модель, спроектировать цикл «мысль → действие → наблюдение», подключить инструменты через MCP, добавить память и выкатить на деплой. Это руководство — про второй путь: архитектура, инструменты, типичные грабли и порядок работы.

Архитектура агента: четыре обязательных блока

Архитектура ИИ-агента из четырёх блоков: модель, инструменты MCP, память, оркестрация

Любой рабочий агент — это четыре компонента, и пропуск любого из них превращает агента в «болталку с инструментами»:

Блок	Что делает	Примеры реализации
Модель	Принимает решения, генерирует действия	Claude, DeepSeek V4, GLM
Инструменты	Расширяют модель: код, веб, базы, файлы	MCP-серверы, функции API
Память	Хранит контекст между шагами и сессиями	Файлы, векторные базы, конспект диалога
Оркестрация	Управляет циклом: план → действие → наблюдение	Код цикла, раннеры агентов

Anthropic в своём знаменитом руководстве по агентным системам предлагает простое правило: берите готовый агентный фреймворк только когда он реально нужен; для большинства задач достаточно простого цикла с прямыми вызовами модели (Anthropic Engineering, 2024). Собственно, цикл «запрос → вызов модели → выполнение инструмента → результат в контекст → следующий шаг» — это и есть минимальный агент.

Цикл работы: как агент выполняет задачу

Классический цикл агента над задачей выглядит так:

Планирование — модель разбивает цель на шаги, определяет, какие инструменты нужны.
Действие — выполнение одного шага: вызов инструмента, чтение файла, запрос к API.
Наблюдение — результат действия возвращается модели в контекст.
Итерация — модель решает: следующий шаг, исправление ошибки или завершение.

По данным Anthropic, 82 % провалов агентов происходят на этапе планирования и описания задачи, а не исполнения; структурированный спек поднимает успешность первой попытки с ~23 % до ~61 % (Claude Blog, 2026). Практический вывод: сила агента закладывается не в модели, а в качестве инструкции, которую вы ему даёте, — подробнее в гайде по постановке задач.

Инструменты: MCP как стандарт подключения

Стандарт подключения инструментов к агентам в 2026 году — Model Context Protocol: открытый протокол, по которому агент получает доступ к серверам инструментов. MCP-сервер — это программа, которая описывает свои инструменты (название, параметры, описание) и выполняет их по запросу агента. Один сервер может дать агенту работу с файлами, базой данных, браузером или каким угодно API.

Когда MCP-сервер стоит писать самому, а когда брать готовый:

Готовые серверы — файлы, браузер, GitHub, 1С, поиск: берите из реестров и маркетплейсов; например, для 1С есть готовые серверы, о которых мы писали в гайде по ИИ для 1С.
Свои серверы — когда нужен доступ к вашему внутреннему API или базе: 30–50 строк кода на Python, и агент умеет делать то, что умеет ваш сервис.
Хостинг MCP — в облаке для внешних агентов или локально для своих.

Важный момент безопасности: каждый инструмент — это поверхность атаки. Ограничивайте права (read-only где можно), валидируйте параметры на сервере и не давайте агенту «всё подряд» без необходимости.

Память агента: что и где хранить

Память — самый недооценённый блок. Агент без памяти каждый раз начинает с чистого листа: вы объясняете ему проект, правила и предпочтения заново. Три уровня памяти на практике:

Системный промпт и файлы инструкций (AGENTS.md, CLAUDE.md) — статические правила проекта: «не трогай папку legacy», «стиль кода — PEP8». Это память «навсегда».
Конспект сессии — сжатая выжимка предыдущих шагов, которую агент держит в контексте. Это память «на один разговор».
Долговременное хранилище — файлы-заметки, векторные базы, базы данных: агент обращается к ним, когда нужно вспомнить решение, принятое неделю назад.

Для большинства внутренних агентов достаточно уровней 1–2: статические правила в файле + конспект сессии. Векторная база нужна, когда агент работает с большим корпусом документов (внутренние инструкции, база знаний). В AgentHere память агентов работает именно так: файлы памяти привязаны к проекту и переживают перезапуски.

Собираем простого агента: пошагово

Минимальный рабочий агент на Python — это цикл, обрабатывающий вызовы инструментов:

def run_agent(task: str, tools: list) -> str:
    messages = [{"role": "user", "content": task}]
    for step in range(20):                      # предел шагов
        reply = llm(messages, tools)            # вызов модели с описанием инструментов
        if not reply.tool_calls:                # агент закончил
            return reply.content
        for call in reply.tool_calls:
            result = execute(call)              # выполнение инструмента
            messages.append({"role": "tool", "name": call.name, "content": result})
    return "Превышен лимит шагов"

Дальше — по порядку:

Определите границы задачи. Агент «сделай сайт» неконструктивен; агент «сгенерируй HTML по этому ТЗ и проверь его в браузере» — конструктивен.
Перечислите инструменты и напишите им человеческие описания: модель выбирает инструмент по описанию, так что «поиск товара в базе по названию» работает лучше «query_items».
Напишите системный промпт: роль, правила, формат ответа, когда останавливаться.
Добавьте предохранители: лимит шагов, таймауты, подтверждение для опасных действий.
Протестируйте на 5–10 реальных задачах, исправьте промпт и описания инструментов по результатам.

Типичные ошибки при разработке агентов

Агент ради агента. Если задача решается одним вызовом модели — не стройте цикл. Агентность добавляет стоимость и хрупкость.
Слишком широкие инструкции. Агент, которому разрешено всё, в лучшем случае неэффективен, в худшем — опасен. Чем уже зона ответственности, тем надёжнее результат.
Отсутствие наблюдаемости. Агент без логов — чёрный ящик: вы не узнаете, где он ошибся. Логируйте каждый шаг: что решила модель, что вызвал инструмент, что вернулось.
Нет лимитов. Агент, зациклившийся на шаге 147, съест ваш бюджет. Лимит шагов и токенов — обязателен.
Игнор обратной связи. Агент, который не видит ошибок выполнения (код не запустился, запрос вернул 500), будет вежливо «плыть» и выдавать фиктивные успехи. Всегда возвращайте реальный результат действия.

Деплой и эксплуатация

Когда агент написан и протестирован, его нужно выкатить. Практики, которые работают:

Версионируйте промпты вместе с кодом — промпт это код, и он должен проходить ревью.
Начните с одной команды и наблюдайте: посчитайте долю успешных выполнений, среднее число шагов, стоимость.
Поставьте человеческую проверку на критичные действия: агент готовит, человек утверждает (это же правило мы описывали для настройки агентов для кода).
Измеряйте экономику: агент, который экономит 10 минут, но стоит 20 минут вашего времени на проверку, — проигрыш.

Где взять готовое, а не писать самому

Честный совет: для 80 % задач бизнеса агента не нужно разрабатывать с нуля — его можно собрать на платформе: выбрать роль, подключить инструменты, залить базу знаний и получить работающего агента за вечер. На это нацелен и наш каталог агентов: агент-разработчик, аналитик, дизайнер, юрист и другие, которые работают на DeepSeek V4 и GLM, платятся в рублях и не требуют от владельца кода. А если вы — разработчик и хотите написать своего агента с доступом к своим инструментам, скачайте AgentHere: там есть и раннер агентов, и подключение MCP-серверов, и память — то есть всё, что мы разобрали выше, в одном приложении.

Мини-глоссарий агентной разработки

Термины, без которых не обойтись в обсуждениях:

Агент (agent) — программа, которая сама выполняет цепочку действий до результата, а не просто отвечает.
Цикл агента — последовательность «план → действие → наблюдение → итерация», которую агент повторяет до завершения задачи.
Инструмент (tool) — функция, которую агент может вызвать: поиск, запрос к API, чтение файла, запуск команды.
MCP (Model Context Protocol) — открытый протокол подключения инструментов к агентам; разбор — в отдельной статье.
Память агента — механизм хранения контекста: статические правила (AGENTS.md), конспект сессии, долговременное хранилище.
Оркестрация — управление циклом агента: порядок шагов, лимиты, обработка ошибок.
Раннер (runtime) — среда исполнения агента: читает репозиторий, даёт доступ к терминалу, собирает контекст. Примеры — Claude Code, opencode, приложение AgentHere.
Субагент — агент, запущенный другим агентом для параллельной задачи; типичный приём декомпозиции.

Как оценивать готовый фреймворк или платформу

Прежде чем строить своё или брать чужое, проверьте кандидата по пяти пунктам:

Какие модели поддерживает. Только проприетарные с западной оплатой — уже ограничение для российских команд; BYOK (свои ключи, включая DeepSeek) — плюс.
Как устроена память. Есть ли файлы правил проекта, конспекты сессий, импорт контекста между запусками.
Что с инструментами. Нативные инструменты, MCP-совместимость, можно ли подключить свой сервер.
Контроль прав. Read-only режим, подтверждения опасных операций, лимиты шагов и токенов.
Наблюдаемость. Логи шагов, стоимость сессии, воспроизводимость.

По этим же пунктам удобно сравнивать и платформы без программирования: каталог агентов AgentHere — моделями, памятью и MCP-подключениями. Если окажется, что сложной разработки не нужно вовсе, — вариант «собрать агента без кода» описан в гайде для новичков.

Вопросы и ответы

Сколько стоит разработать своего ИИ-агента? Если это цикл на Python с одним-двумя инструментами — неделя работы и стоимость API. Если нужна инфраструктура: очередь задач, память, мониторинг, мультитенантность — это уже проект на месяцы. Для 80 % внутренних задач хватает первого варианта.

Что выбрать: писать агента самому или брать платформу? Писать самому — когда нужен глубокий контроль над логикой и инструментами, или когда это часть продукта, который вы продаёте. Платформу — когда агент нужен как инструмент, а не как продукт: быстрее, дешевле, с поддержкой.

Чем агент отличается от автоматизации через скрипты? Скрипт исполняет заранее написанные шаги; агент сам решает, какие шаги выполнить, по ходу задачи. Поэтому агент справляется с задачами, где заранее неизвестна последовательность: «найди ошибку в этом коде и исправь» — а скрипт — нет.

Нужно ли знать программирование, чтобы разрабатывать агентов? Для простых агентов — нет: многие платформы собирают их из ролей и инструментов без кода. Для кастомных — да: чтение логов, правка промптов, отладка MCP-серверов требует базовых навыков разработчика.

Какие агенты окупаются быстрее всего? Те, что автоматизируют рутину с явной экономией времени: генерация отчётов, типовые правки кода, обработка входящих документов, ответы на типовые вопросы. Критерий: задача повторяется чаще раза в неделю и имеет чёткое «готово/не готово».

Как разрабатывать ИИ-агентов: от архитектуры до деплоя