Цель данной статьи — рассказать, что даже без опыта разработки можно быстро и фактически бесплатно погрузиться в мир AI-агентов и начать их внедрять в свои процессы.

Сейчас задачи внедрения GenAI стали актуальными для множества организаций. В одном из проектов по созданию приложения на базе AI-сервисов было потрачено немало времени на формализацию и постановку задачи разработчикам, а потом еще много времени на последующую разработку прототипа.

Стремясь сократить время от идеи до рабочего прототипа, я стал искать no-code решение, которое позволит мне самостоятельно, без привлечения разработки, создавать не только AI-агентов, но и подключать различные инструменты к AI-агентам, а также организовывать взаимодействие между AI-агентами.

Да, чуть не забыл: AI-агент – это система на базе Gen-AI (LLM), способная планировать и совершать автономные действия во внешней среде, реагировать на изменения и взаимодействовать с человеком и другими AI-агентами для достижения поставленных целей.

Требованиями к инструменту у меня были бесплатность, ведь я уже привык использовать open-source в других своих проектах (WordPress, woo commerce, Moodle и т.д.) и отсутствие необходимости писать код.

Мой выбор пал на инструментарий n8n.io, который подошел по многим параметрам, хотя он и оказался не чистым open-source проектом. Платформа n8n для автоматизации процессов была создана совсем недавно, в 2019 году Яном Оберхаузером в Берлине (Германия). Проект начался как его личный проект, но достаточно быстро стал международным.

n8n это созвучие nodemation (смесь node и automation), что подтверждает no-code подход к автоматизации. Популярность n8n быстро расширяется из-за возможности бесплатной установки на собственный сервер (Community Edition). n8n заслужила доверие инвесторов и в 2024 году — интеграционные возможности n8n расширились до более чем 400 приложений и сервисов. Однако у Community Edition есть и ограничения: нет нормальной совместной работы: один админ-аккаунт, нет систем переменных и окружений и т.д.

Поигравшись две недели с временным доступом к n8n.io в облаке, я решил пойти дальше и развернул этот инструмент на внешнем сервисе (beget.com), немного повозился с обновлением, и о чудо, через час мой первый агент заработал.

Уход с облака в n8n в свою инсталляцию принес проблемы, часть интеграций отвалилась, например, с сервисами Google, но с учетом текущей ситуации, я решил сразу строить решение на базе российских сервисов, что правда добавило немало проблем с их подключением.

Давайте еще немного про инструмент – n8n это классический workflow-движок в котором из шагов (node) можно построить процесс, при этом готовых node уже более 500, какие-то обеспечивают работу с данными, какие-то управление логикой процесса, а основная часть это преднастроенные интеграции с различными внешними сервисами.

Интеграция с Telegram не заняла много времени, и у меня появился чат-бот, который ищет температуру в Москве и рекомендует, что пользователю надеть сегодня, собираясь на улицу.

Очень пригодился инструмент подгрузки Community node, поскольку при попытке построить интеграцию с текущими моими проектами магазин продаж на woocommerce и платформа обучения на moodle я готовых node не нашел, но нашел и подгрузил внешние с GitHub.

Внутренние задачи автоматизации наконец-то получили свое решение, процесс выгрузки данных из интернет-магазина для анализа выглядел очень просто, но позволил наконец-то разобрать несколько купленных продуктов в одном заказе для последующего анализа.

Правда по пути, пришлось повозиться с выбором хранилища данных, но после непродолжительных поисков мой выбор остановился на supabase, который к тому же можно развернуть на собственном ресурсе. Интеграция n8n с этим сервисом не заняла много времени.

И когда внутренние задачи автоматизации в основной массе были решены, пришло время опять вернуться к применению AI-агентов в процессах. Так у меня появился цифровой маркетолог, с которым можно общаться по почте, ставя ему задачи.

Отдельный вопрос с подбором LLM для AI-агентов, для тестов очень пригодился сервис openrouter.ai, который позволяет попробовать в демо-режиме множество LLM, без необходимости колдовать с зарубежными платежами, ну а как только я нашел ноду, правда неофициальную, для подключения к GigaChat, эта LLM стала трудиться в моих проектах.

Вопрос выбора той или иной LLM для решения различных задач, пока для меня открыт, к тому же с учетом лавинообразного роста как количества LLM, так и их возможностей, любые решения будут временными, поэтому пока в приоритете GigaChat, ну а дальше нужно порыть в направлении российских инсталляций зарубежных LLM, или даже набраться мужества и развернуть их на своей инфраструктуре.

Следующим этапом для меня стало обогащение AI-агентов различными инструментами, ведь не секрет, что большинство LLM не имеют оперативных данных. Проверочным вопросом может быть – какое сегодня число, на который LLM часто выдает границу датасета, использованного для ее тренировки.

Поэтому пришлось повозиться с поиском инструментов, которые выдают информацию по API и имеют бесплатный доступ для возможности прототипирования решения, и хотя таких инструментов оказалось критически мало, мои агенты получили возможность проверять контрагентов, анализировать последние новости, пользоваться поисковыми машинами и многое другое.

Наткнулся я на практике и на ограничения n8n, например, невозможно использовать глобальные переменные по процессу, только локальные на уровне операций, что потребовало нестандартных решений. Да и в части управления пользователями – есть ограничения, которые пока, правда, на меня еще не повлияли.

В части выбора LLM сейчас я скорее тестирую разные сервисы, LLM и другие инструменты. Например, для распознавания текста из файлов применяю Mistral Small 3.2 24B, для генерации изображений применяю Yandex Art, хранение файлов сделал на Yandex Disk.

В качестве выводов могу сказать, что инструмент «зашел», я не пожалел потраченного на его изучение времени, и множество задач локальной автоматизации я с его помощью закрыл. Ключевое преимущество n8n — простота, благодаря которой можно быстро собирать процессы из кубиков, подключая в него AI-агенты. И конечно на n8n не стоит собирать кредитный конвейер даже среднего банка, но для внутренней автоматизации инструмент вполне применим.

Да, есть и другие инструменты, например, Zapier Agents, где пользователи могут создавать агентов без программирования; Make, в котором более 2000 интеграций, и в нем тоже недавно появился инструмент создания AI-агентов — Dify, внутри которой есть визуальная оркестровка workflow и подключения AI-агентов. Но n8n благодаря возможности самостоятельного размещения стал для меня ключевым инструментом.

Также при выборе я посмотрел Flowise, который предоставляет модульные блоки для создания агентных систем — от простых композиционных workflow'ов до автономных агентов и Langflow — для быстрого создания AI- агентов, в котором тоже есть графический интерфейс для создания сложных AI workflow с интеграцией различных компонентов. Но количество готовых интеграций склонило мой выбор в n8n.

В качестве заключения: основная проблема при цифровизации процессов через внедрение AI-агентов в точности работы LLM. Поэтому в большинстве случаев пока нужно оставлять «ручные» сценарии как для контроля правильности ответов LLM, так и для выполнения тех задач, с которыми она справится пока не может. Но в целом, пробовать надо и n8n — он позволяет зайти в этот AI-мир человеку без опыта программирования и с минимальными затратами времени.

Если хотите перевести быстрые no-code прототипы в зрелые AI-продукты с метриками, ROI и продуманной архитектурой — присоединяйтесь к курсу OTUS «Управление AI/ML-продуктом» (старт 29 октября). За 3 месяца пройдёте полный цикл — от гипотез и product-спеков до инфраструктуры, A/B-оценок и роста.

На странице курса можно посмотреть подробную программу и записаться на бесплатные уроки.