Привет, Хабр! Меня зовут Сергей Нотевский, я AI Platform Lead в Битрикс24. Моя команда отвечает за модельки под капотом наших AI сервисов.
Агенты, агентные системы, agentic AI - эти слова сейчас повсюду. Мы сами делаем своего агента, Марту AI. Но последние пару месяцев я все чаще слышу от коллег и читателей один и тот же вопрос: «Серёж, объясни по-простому - что это такое? Я запустил 100 вызовов LLM подряд, это уже агент? А если добавил RAG? А с поиском?»
В итоге, на нашей внутренней AI-конференции я выступил с докладом на эту тему, и по мотивам родилась эта статья.
На самом деле, сложность начинается с того, что у нас нет общепринятого стандарта: что считать AI-агентом, а что нет. Есть десятки определений, статей и докладов, но многие формулировки порождают больше вопросов, чем ответов.
В этой статье я не буду придумывать ещё одно академическое определение. Вместо этого мы соберём рабочую интуицию: как «просто LLM», «workflow» и «агент» связаны между собой и где проходит граница. А разбираться будем на живом примере всем уже известной функции - Deep Research.
Итак, типичное описание:
AI-агент - это интеллектуальная программа, которая умеет выполнять задачи по заданному сценарию, используя нейросети.
В отличие от чат-ботов, AI-агент «думает» и реагирует на контекст, принимает решения, запускает действия и учится по ходу работы.
Звучит красиво, но мало помогает.
Мы и раньше выполняли задачи по сценарию и использовали нейросети - это уже агенты или ещё нет?
Если модель «думает» (то есть умеет рассуждать), этого достаточно, чтобы назвать её агентом?
Любой LLM с function calling - это агент?
Чтобы действительно понять, что такое ИИ-агенты, нужно чуть отмотать назад и вспомнить, как мы работали с LLM до их появления.
Как работает LLM
В базовом варианте всё очень просто:
Мы отправляем в модель запрос.
Модель возвращает ответ.
На этом всё.
Потом мы начали связывать несколько шагов вместе:
сначала расшифровать аудио,
затем по расшифровке сделать саммари,
затем заполнить поля в CRM.
Последовательность таких шагов мы называем workflow: заранее продуманная цепочка действий, где каждый шаг фиксирован и записан в коде.
У нас в Битрикс24 есть примеры таких workflow.
CoPilot в CRM:
Делаем транскрипцию разговора
Делаем саммари на основе транскрипции
Выписываем какие поля в CRM можно заполнить на основе саммари
Сайт с CoPilot
Создаем тематику сайта, выбираем шрифт, цветовую схему и т.д.
Генерируем полную структуру сайта и промпты к изображениям на основе базовой информации из шага 1.
Что же такое ИИ-агент
Простое определение ИИ-агента: ИИ-агент - это система, созданная для самостоятельного достижения цели в определенной среде, с помощью набора инструментов.
На схеме я показываю, что такое ИИ-агент и как он работает.
Человек делает определенный запрос в систему, в основе которой лежит LLM-движок. Для того чтобы выполнить запрос, агент взаимодействует с определенной средой. Если это агент, чья задача искать информацию - его средой будет интернет. Если агент пишет код, то есть вносит изменения в файлы, то его среда - файловая система. ИИ-агент будет обращаться к своей среде столько, сколько нужно, чтобы выполнить запрос.
Как понять, когда нам достаточно LLM, а когда нужны агенты
Если мы можем понятным алгоритмом описать, что мы хотим, чтобы за нас сделала нейросеть - это просто привычный запрос к нейронке. Пример: найти информацию, сделать саммари, расшифровать аудио и сделать саммари и т.д.
Если нужно, чтобы в процессе система принимала решения, которые точно нельзя описать заранее, то здесь нужны ИИ-агенты. Например, если нам нужно исследовать несколько разных объектов по списку параметров и сделать выводы.
Что на самом деле имеет место в работе ИИ-агента
LLM-движок (модель по капотом)
Среда. То, с чем агент взаимодействует: интернет, файловая система, Битрикс24, почта, календарь и т.д..
Инструменты для взаимодействия со средой (поисковый движок, командная строка и т.д.)
Автономность в выборе шагов. Мы не прописываем в коде полный сценарий «сначала сделай A, потом B, потом C». Вместо этого мы объясняем агенту цель и набор инструментов, а он сам декомпозирует задачу на подзадачи и решает, какой инструмент вызвать дальше.
А вот те признаки, которые часто указывают в определении ИИ-агента, но они не уникальны для таких систем. Они могут присутствовать, но не говорят однозначно о том, что перед вами ИИ-агент:
Работают 24/7. В принципе, так работают все SaaS-сервисы
Решают сложные задачи. Спорный и размытый термин
Учатся в процессе. Это совсем не обязательно, есть агенты, которые не учатся в процессе
Сохраняют контекст. Далеко не все ИИ-агенты сохраняют контекст. Дальше покажу пример агента, который ничего не знает про контекст.
RAG и другие расширения памяти. Необязательный признак ИИ-агента.
Проактивны. Тоже не обязательно, есть множество агентов, которые активируются только тогда, когда пользователь начинает с ними взаимодействовать.
По факту, вся агентность ИИ строится вокруг работы с инструментами и «агентской петли». Все остальное – полезные дополнения или маркетинг.
Петля агента - это цикл использования инструме��тов и взаимодействия со средой, с выходом при достижении результата.
Есть определенный список шагов, которые агент должен выполнить:
Решить, каким будет следующий шаг
Использовать инструмент для выполнения шага
Добавь в контекст результат использования инструмента
Эта последовательность шагов - то есть взаимодействие агента со средой и выполнение инструментов - повторяется до тех пор, пока не достигнут результат.
Workflow против агента: где проходит граница
Если упростить до одного вопроса, он будет таким:
Кто придумывает план?
В workflow план придумывает разработчик. Он заранее расписывает все шаги и ветки в коде.
В агенте план придумывает сама модель. Она декомпозирует задачу на подзадачи, решает, какой инструмент вызвать, и может менять план по ходу работы.
Примеры:
«Сделай транскрипцию звонка и по ней заполни поля сделки» - идеальный кандидат для workflow: шаги всегда одинаковые.
«Проведи исследование движков поиска для LLM-ассистента, сравни варианты, оцени риски» - количество шагов и нужных действий заранее непонятно. Модель будет много раз возвращаться к источникам, уточнять вопросы, менять план. Это уже задача для агента.
Deep Research как пример
Что делает Deep Research?
Принимает запрос, строит план, декомпозирует задачу на пункты и решает, как он будет действовать дальше.
Например, мне нужно было провести исследование для движка поиска LLM-ассистента - чтобы ИИ-ассистент мог ходить в интернет и находить там нужную информацию.
У меня было несколько вариантов и хотелось понять разницу между ними, риски использования. Я описал это простыми словами в небольшом промпте.
Модель проанализировала запрос и задала мне уточняющие вопросы. Я на них ответил.
Что дальше делает Deep Research?
• Ходит по десяткам источников
• Читает сайты/PDF, помечает качество источников
• Сопоставляет факты, собирает ВЫВОДЫ
• Проверяет пробелы, проходит итерации
На вкладке «Активность» видно, что делает модель: находит информацию, прочитывает документацию, анализирует интеграцию с LLM, поддержку мультиязычн��сти и т.д. Собирает все данные и вызывает еще один инструмент - «Создание отчета».
В результате получается структурированный отчет - как правило, объемный и подробный PDF-документ.
Что внутри Deep Research
В первом приближении это:
LLM - GРТ-5 и другие модели;
Среда - Интернет, файлы пользователя (их можно подгружать и тогда агент будет использовать их для поиска информации)
Инструменты - поисковый движок, упаковщик отчета в pdf и т.д.
На самом деле внутри гораздо больше технологий, это целый ансамбль моделей, ИИ-агентов и инструментов.
Что еще можно делать с помощью Deep Research?
В реальных задачах мы используем Deep Research, например, чтобы:
проводить диагностику и исследование коммуникационных каналов (например, корпоративных Telegram-каналов);
анализировать и сравнивать площадки для проведения мероприятий;
изучать рынки, продукты и конкурентов перед запуском новых фич.
Это только часть сценариев - везде, где «нужно разобраться в теме и собрать выводы», такой агент ощущается как очень прокачанный ресечер.
Deep Research уже есть во многих популярных моделях, например, в ChatGPT, Gemini, Perplexity, Grok и Gigachat. В некоторых моделях это платная опция, но я рекомендую именно платный вариант в ChatGPT.
Что еще важно знать о системах, использующих ИИ-агентов
Современные агентские системы часто включают и более «тяжёлую артиллерию»:
долговременную память и векторные базы (RAG);
триггеры и планировщики для проактивности;
ансамбли из нескольких агентов с разной специализацией;
guardrails и политики безопасности, чтобы ограничивать поведение модели.
Всё это помогает масштабировать агентов до крупных продуктов, но ядро всё равно одно и то же: LLM, инструменты, среда и агентская петля.
Большая зона роста ИИ-агентов - доверие к тем решениям, которые они принимают и к тем выводам, которые они делают. Разработчикам важно повышать точность, прозрачность их работы и результатов.
Итоги
Если коротко, то:
Workflow - это заранее спроектированный путь, по которому мы проводим задачу. Хорошо, когда шаги и ветки можно описать заранее.
Агент - это система на базе LLM, которая сама планирует шаги и выбирает инструменты, опираясь на результат предыдущих действий.
Агентская петля - сердце таких систем: определить следующий шаг → вызвать инструмент → обновить контекст → повторить.
Deep Research - хороший пример агента-исследователя, который сам ходит по источникам, собирает факты и выдаёт структурированный отчёт.
Большинство реальных процессов всё ещё можно (и нужно) закрывать простыми workflow. Агенты оправданы там, где путь к цели заранее неизвестен и требуется много итераций и принятия решений на основе промежуточных результатов.
Если тема LLM вам близка, загляните в мой tg-канал - там я коротко делюсь свежими находками, тестами и рабочими приёмами, которые сам применяю в реальных проектах.