Как создать ИИ-агента: порядок шагов

Агент это языковая модель, которая в цикле вызывает инструменты, пока задача не решена. Собрать его можно за вечер, а сделать надежным сложнее. Здесь семь шагов, на которых сходятся разработчики моделей, и ссылки на их документацию.

Обновлено 14 октября 2026 года. Текст подготовил ООО «ФИИ», источники в конце страницы.

Шаг 1. Проверьте, нужен ли агент

Что такое агент и чем он отличается от чат-бота, разобрано на странице об ИИ-агентах. Коротко: это программа, в которой языковая модель сама решает, какой шаг сделать следующим. LangChain формулирует еще короче: модель, которая вызывает инструменты в цикле, пока задача не выполнена.

Anthropic разделяет два вида систем. Если порядок шагов задан кодом, это workflow, сценарий. Если порядок шагов и выбор инструментов определяет сама модель, это агент. Та же компания советует искать самое простое решение и усложнять только при необходимости, вплоть до отказа от агента вовсе.

OpenAI в руководстве для команд дает признаки задач, где агент оправдан: решения с нюансами и исключениями, например одобрение возврата в поддержке, правила, которые стало дорого поддерживать, и работа с неструктурированным текстом. Если задача под эти признаки не подходит, там же сказано прямо: детерминированного решения может быть достаточно.

Практический тест: выпишите шаги задачи. Если список получился и он не меняется от случая к случаю, стройте сценарий. Агент нужен там, где список заранее не пишется.

Шаг 2. Опишите задачу, роль и условие остановки

В OpenAI Agents SDK агент задается именем, инструкцией и, при желании, конкретной моделью. В LangChain то же самое называется системным промптом: он задает роль и поведение агента, и документация просит писать его конкретно и по делу. Как формулировать такие инструкции, разобрано на странице о промпте для нейросети.

В инструкцию стоит записать три вещи.

Цель и границы: что агент делает и чего не делает.
Условие завершения: как агент понимает, что задача решена.
Что делать при неясности: спросить человека, а не угадывать.

Anthropic отдельно советует ограничивать число шагов: условие остановки вроде максимального числа итераций оставляет цикл под контролем. Второй их совет из той же статьи: показывать план агента явно, чтобы его ход был прозрачен.

Шаг 3. Выберите модель: облако или локальная

OpenAI советует собирать прототип на самой сильной модели, чтобы получить опорный результат, и только потом пробовать модели меньше там, где они справляются. Так видно, где именно малая модель проигрывает.

Модель не обязана быть облачной. В примерах LangChain среди поставщиков есть Ollama с пометкой, что для локального варианта Ollama должна быть запущена. Как поставить ее, описано на странице об Ollama, а общая картина локального запуска, память и квантование, на странице о локальной нейросети. Для пробы в окне подойдет и LM Studio: у нее есть сервер, совместимый с клиентами OpenAI.

Выбор влияет на цену и на данные. Облачная модель считает каждый вызов в токенах, и описания инструментов входят в счет. Локальная модель ничего не отправляет наружу, но слабее и требует памяти.

Шаг 4. Опишите инструменты

Инструмент это функция, которую модель может попросить вызвать: поиск, запрос к базе, отправка письма. У Anthropic это называется tool use, или вызов функций. Модель решает, когда вызвать инструмент, по запросу пользователя и по описанию инструмента, и возвращает структурированный вызов. Выполняет его ваше приложение и отправляет результат обратно.

Во всех трех библиотеках описание инструмента состоит из одного и того же: имя, текст описания и схема входных параметров. В OpenAI Agents SDK и LangChain описание берется из докстринга функции, а схема из ее аргументов и аннотаций типов. LangChain предупреждает: имя, описание и названия аргументов попадают в промпт модели, поэтому их нужно писать как документацию.

Советы Anthropic из двух статей об инструментах:

Поставьте себя на место модели: очевидно ли по описанию и параметрам, как пользоваться инструментом.
Хорошее описание включает пример вызова, крайние случаи, формат входа и границы с соседними инструментами.
Меняйте аргументы так, чтобы ошибиться было труднее. Для своего агента по задачам из SWE-bench Anthropic потратила на инструменты больше времени, чем на весь промпт.
Больше инструментов не значит лучше. Если инструменты пересекаются по смыслу или их назначение размыто, агент путается, какой выбрать. Начинайте с нескольких инструментов под самые важные сценарии.
Ошибку инструмента возвращайте словами, что именно исправить, а не кодом ошибки или трассировкой.

Еще одна деталь из документации Anthropic: если в запросе не хватает данных для обязательного параметра, модель может подставить значение сама. Значит, обязательные параметры лучше проверять кодом, а не надеяться на модель. Если инструментов много и они нужны нескольким приложениям, их удобно вынести на MCP-сервер.

Шаг 5. Соберите цикл

В документации Anthropic и OpenAI цикл агента описан одинаково. Модель получает задачу вместе с системным промптом, описаниями инструментов и историей разговора. Она отвечает текстом, запросом на вызов инструментов или тем и другим. Программа выполняет каждый запрошенный вызов и возвращает результаты модели, а модель решает, что делать дальше. Один такой круг Anthropic называет ходом, turn. Цикл кончается, когда модель отвечает без вызова инструментов. В OpenAI Agents SDK это ответ, который признан окончательным. Чередование рассуждения и действий описала еще в 2022 году статья ReAct.

Ответ без вызовов это естественная остановка, но рассчитывать только на нее не стоит. В Agent SDK у Anthropic есть ограничения на число ходов и на расход, и по умолчанию оба сняты. Документация предупреждает, что без ограничений цикл на открытой задаче может идти долго, и называет бюджет хорошей настройкой по умолчанию для рабочих агентов. В OpenAI Agents SDK при превышении max_turns запуск прерывается исключением. Это то же условие остановки, о котором писала статья Anthropic 2024 года: например, максимальное число итераций.

На каждом шаге агенту нужна правда от среды, результат вызова или выполненного кода, а не его собственное предположение. Поэтому результат инструмента возвращается в цикл, даже если это ошибка или отказ. В Agent SDK запрещенный вызов приходит модели как сообщение об отказе на месте результата, и она обычно пробует другой путь или сообщает, что продолжить не может. В Managed Agents упавшая песочница тоже возвращается модели как ошибка вызова инструмента. Anthropic описывает цикл агента как сбор контекста, действие, проверку работы и повтор, и советует давать агенту явные правила для результата с объяснением, какое правило нарушено и почему. Для кода такую проверку дает линтер.

Цикл можно написать самому или взять готовый. Anthropic сравнивает свои средства так.

Прямые вызовы API. Цикл вы пишете сами или отдаете его tool runner клиентской библиотеки, он в бета-версии. Этот путь Anthropic называет вариантом для своего цикла и тонкого контроля.
Agent SDK. Библиотека для Python и TypeScript с тем же циклом, инструментами и управлением контекстом, что у Claude Code. Работает в процессе, которым управляете вы.
Managed Agents. Цикл, выполнение инструментов и среду ведет Anthropic, сессии идут в облачной песочнице Anthropic или в песочнице на вашей инфраструктуре. Сервис в бета-версии.

Готовый цикл есть и у других: в OpenAI Agents SDK его ведет Runner, который сам выполняет вызовы инструментов и передачи между агентами, в LangChain create_agent. Но готовый цикл подходит не всегда. В документации tool runner сказано: если нужно подтверждение человека, свое журналирование или выполнение по условию, пишите цикл вручную. В Agent SDK для этого есть hooks, перехватчики, которые могут изменить или заблокировать вызов инструмента до выполнения.

Что осталось в силе из статьи Anthropic 2024 года. Сама Anthropic пометила ее: набор инструментов для агентов с декабря 2024 года сильно изменился. Но устройство цикла в новых материалах то же. В статье о контексте 2025 года Anthropic ссылается на ту статью и определяет агента как модель, которая сама вызывает инструменты в цикле, и пишет, что отрасль сходится на этой схеме. Условие остановки осталось, теперь это настройки ограничений. Совет начинать с прямых вызовов API не отменен: прямой доступ к модели по-прежнему предлагается для своего цикла. Меняется обвязка вокруг цикла. В статье о Managed Agents 2026 года Anthropic пишет, что обвязка закрепляет предположения, которые устаревают по мере роста моделей.

Признак готового цикла: агент останавливается сам, по условию из шага 2, а не потому, что кончились токены или бюджет.

Шаг 6. Ограничьте права и добавьте подтверждение человека

Агент читает письма, сайты и файлы, и в них может лежать чужая инструкция. Что из этого следует, разобрано в разделе о рисках на странице об ИИ-агентах. Здесь только то, что делается кодом.

Минимум прав. Инструмент получает доступ только к тому, что нужно для задачи. Удаление, отправка и платежи либо не доступны агенту, либо требуют подтверждения.
Подтверждение человека. В LangChain это готовый слой: когда модель предлагает действие, требующее проверки, например запись в файл или выполнение SQL, выполнение ставится на паузу. Человек может одобрить действие, изменить его аргументы или отклонить с пояснением. Для паузы нужен чекпоинтер, который хранит состояние.
Проверки на входе и выходе. В OpenAI Agents SDK это guardrails: проверки пользовательского ввода и ответа агента. Если проверка видит злоупотребление, она сразу останавливает запуск, не тратя время и деньги на основную модель.
Песочница. Anthropic рекомендует обширное тестирование в изолированной среде с подходящими ограничителями до того, как агент получит настоящие данные.

Шаг 7. Испытайте и измерьте

Соберите набор задач с известным правильным ответом до того, как менять промпт. OpenAI описывает тот же порядок: сначала опорный результат на сильной модели, потом замена на более дешевую там, где точность сохраняется. Anthropic советует строить инструменты под те сценарии, которые есть в наборе для оценки, и расширять набор по мере роста.

Что считать: долю задач, решенных верно, число шагов на задачу, число вызовов инструментов и ошибок, расход токенов. Если после правки одно из чисел выросло, а другое упало, правка не улучшение, а размен, и его нужно решать осознанно.

Когда одного агента мало

Anthropic описывает несколько составных схем, и большинство из них не агенты, а сценарии с моделью внутри.

Цепочка промптов. Задача делится на шаги, каждый вызов модели обрабатывает результат предыдущего.
Маршрутизация. Первый вызов классифицирует запрос и направляет его специализированной ветке.
Оркестратор и исполнители. Центральная модель разбивает задачу на части, раздает их моделям-исполнителям и собирает результат.
Оценщик и улучшатель. Одна модель отвечает, другая оценивает и дает замечания по кругу.

OpenAI Agents SDK предлагает два способа связать несколько агентов. Передача: специалист перенимает разговор на эту часть хода. Агент как инструмент: оркестратор сохраняет управление и вызывает специалистов как инструменты. Выбор зависит от того, кто должен отвечать за итоговый ответ.

Сколько это стоит

Цена агента в рублях зависит от модели, числа шагов и объема данных, и готовой цифры здесь нет. Но два правила счета видны из документации. Во-первых, у облачной модели оплачиваются токены, и в счет входит параметр tools: имена, описания и схемы инструментов отправляются с каждым запросом. Чем длиннее описания и чем больше инструментов, тем дороже каждый шаг. Что такое токен и сколько их в русском тексте, на странице о токенах. Во-вторых, агент делает много шагов, и каждый шаг это новый запрос с накопленной историей. Поэтому Anthropic и пишет, что агентные системы обменивают задержку и цену на качество, и советует начинать с простого.

У нас

Конструктора агентов у нас нет. Есть три вещи, которые пригодятся на шагах 3 и 4.

Сибирь.ИИ строит русскоязычные языковые модели с нуля, наибольшая обученная модель 1 млрд параметров. При обучении и выводе программа не обращается к внешним службам, наборы и контрольные точки хранятся у пользователя. Корпоративная лицензия предусматривает развертывание в инфраструктуре лицензиата, нужен ускоритель NVIDIA с CUDA от 12 ГБ видеопамяти.
Сибирь.Диалог включает справочного помощника по базе знаний организации: поиск по загруженным документам и ответ с указанием источников. Данные эксплуатанта размещаются в его инфраструктуре. Среди интеграций коннекторы к 1С.
Генерация текста бесплатно и без регистрации: отвечают открытые модели Qwen в нашем дата-центре в Новосибирске, ни один шаг не обращается наружу. Модель ошибается в фактах, проверяйте даты и цифры. Служба может быть временно на обслуживании, тогда ответа не будет.

Другие разборы

Источники

Страницы открыты 14 октября 2026 года.

Частые вопросы

Можно ли создать ИИ-агента без программирования

Конструкторы есть, но на этой странице их нет: она про устройство. Без кода не обойтись там, где агент должен вызывать ваши системы: инструмент это функция, которую кто-то должен написать.

Какую библиотеку выбрать для ИИ-агента

Anthropic различает три пути: прямые вызовы API со своим циклом, библиотеку Agent SDK с готовым циклом и Managed Agents, где цикл и песочницу ведет Anthropic. Готовые циклы есть и в OpenAI Agents SDK и LangChain. Если нужно подтверждение человека перед вызовом инструмента, документация tool runner советует писать цикл вручную, а в Agent SDK для этого есть hooks. Без замера на своих задачах выбор между ними не решить.

Можно ли сделать агента на локальной модели

Да. LangChain среди поставщиков моделей называет Ollama, у LM Studio есть сервер, совместимый с клиентами OpenAI. Локальная модель слабее облачной и требует памяти, но данные не покидают машину.

Как не дать агенту удалить лишнее

Не давать такого инструмента, а если он нужен, требовать подтверждения человека. В LangChain для этого есть готовый слой: выполнение ставится на паузу, человек одобряет, правит или отклоняет действие.

Сколько стоит создать ИИ-агента

Готовой цифры нет. Облачная модель берет плату за токены, и описания инструментов отправляются с каждым запросом, а агент делает много запросов. Поэтому сначала стоит проверить, не хватит ли сценария без агента.