ИИ-агенты (AI Agents): практическое руководство с нуля

В ноябре 2025 года компания Cognition запустила агента по имени Devin -- заявив, что это первый полноценный ИИ-инженер. За несколько часов Devin завершил проект, на который у человека ушло бы две недели: прочитал документацию, написал код, протестировал его и исправил баги -- всё без единого вмешательства человека.

Это не ChatGPT. Это нечто принципиально иное. Это ИИ-агент (AI Agent) -- и разница между ним и знакомыми вам чат-инструментами такая же, как между обычным автомобилем и беспилотным.

Что такое ИИ-агент?

ИИ-агент (AI Agent) -- это программная система, способная самостоятельно думать, принимать решения и выполнять задачи без пошаговых указаний. Вы даёте ему цель -- он планирует, выполняет, отслеживает результаты и корректирует курс до достижения цели.

Принципиальное отличие от ChatGPT или обычных ИИ-инструментов:

Как агент работает изнутри?

Агент действует в итерационном цикле из четырёх шагов: получает задачу и анализирует её, разбивает на мелкие шаги, выполняет каждый шаг с помощью инструментов, затем оценивает результат и повторяет попытку при неудовлетворительном исходе. Этот цикл называется цикл восприятие-мышление-действие (Perception-Reasoning-Action Loop):

Шаг 1: Восприятие

Агент получает задачу и анализирует вводные данные. Если вы попросите «написать отчёт о сетевой безопасности», он поймёт, что нужно собрать информацию, систематизировать её и написать связный текст.

Шаг 2: Планирование

Разбивает крупную задачу на мелкие шаги:

1. Найти актуальную статистику по сетевой безопасности
2. Прочитать 5 надёжных источников
3. Написать черновик
4. Проверить на ошибки
5. Отформатировать итоговый отчёт

Шаг 3: Выполнение

Выполняет каждый шаг с помощью инструментов -- открывает браузер, читает сайты, пишет в текстовом редакторе. При ошибке возвращается на шаг назад и пробует другой подход.

Шаг 4: Оценка

Проверяет результат каждого шага. Достаточно ли статистики в отчёте? Понятно ли написано? Если нет -- повторяет попытку.

# Упрощённый рабочий цикл агента
# Эта модель иллюстрирует базовую логику

class SimpleAgent:
    def __init__(self, goal):
        self.goal = goal
        self.memory = []
        self.tools = ['web_search', 'write_file', 'run_code']

    def plan(self):
        """Разбить цель на шаги"""
        # Агент использует языковую модель для планирования
        steps = llm.generate(f"Разбей эту цель на шаги: {self.goal}")
        return steps

    def execute(self, step):
        """Выполнить один шаг с доступными инструментами"""
        tool = self.choose_tool(step)
        result = tool.run(step)
        self.memory.append(result)
        return result

    def evaluate(self, result):
        """Результат приемлем?"""
        score = llm.evaluate(f"Этот результат достигает цели? {result}")
        return score > 0.7

    def run(self):
        """Основной цикл"""
        steps = self.plan()
        for step in steps:
            result = self.execute(step)
            if not self.evaluate(result):
                result = self.execute(step)  # Повторная попытка
        return self.memory

Какие инструменты доступны для создания первого агента?

Три основных инструмента позволяют создавать ИИ-агентов на Python без глубокой экспертизы: CrewAI для новичков (самый простой), LangChain для сложных проектов (самый гибкий) и AutoGen от Microsoft для построения агентов, общающихся друг с другом. Для старта с любым из них не нужен многолетний опыт.

CrewAI -- самый простой для старта

CrewAI -- фреймворк на Python, позволяющий создать «команду» агентов, каждый с определённой ролью. Представьте, что собираете рабочую группу: исследователь + автор + рецензент.

# Создание команды агентов с CrewAI
# pip install crewai

from crewai import Agent, Task, Crew

# Определение агентов — у каждого своя роль
researcher = Agent(
    role="Технический исследователь",
    goal="Собрать актуальную информацию о кибербезопасности",
    backstory="Эксперт по исследованию и анализу технических источников",
    tools=[search_tool, web_reader]
)

writer = Agent(
    role="Автор контента",
    goal="Написать понятную и увлекательную статью на основе собранных данных",
    backstory="Профессиональный автор, упрощающий технические концепции",
    tools=[text_editor]
)

# Определение задач
research_task = Task(
    description="Исследовать 5 главных киберугроз 2026 года",
    agent=researcher
)

writing_task = Task(
    description="Написать статью на 1000 слов по результатам исследования",
    agent=writer
)

# Запуск команды
crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff()

LangChain -- самый гибкий

LangChain -- самый популярный фреймворк для создания ИИ-приложений. Поддерживает десятки моделей и инструментов. Сложнее CrewAI, но значительно мощнее.

AutoGen (Microsoft) -- для диалогов между агентами

AutoGen от Microsoft нацелен на построение агентов, которые «разговаривают» друг с другом. Один агент пишет код, другой проверяет -- как два разработчика, работающих в паре.

Как создать первого агента пошагово?

Вы создадите агента, который ищет новости по кибербезопасности и автоматически их резюмирует -- с помощью CrewAI и Python. Проект требует всего три шага: установить библиотеки, определить агента и задачу, запустить и посмотреть результат.

Требования

• Python 3.10+
• API-ключ OpenAI или другой модели
• Библиотека CrewAI

Шаг 1: Установка библиотек

# Установка необходимых пакетов
# pip install crewai crewai-tools openai

import os
os.environ["OPENAI_API_KEY"] = "ваш-ключ"

Шаг 2: Определение агента и инструментов

from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool

# Инструмент поиска — использует Google
search = SerperDevTool()

# Новостной агент
news_agent = Agent(
    role="Аналитик новостей кибербезопасности",
    goal="Найти 3 главные новости кибербезопасности за сегодня и составить сводку",
    backstory="Аналитик безопасности, ежедневно отслеживающий технические новости и готовящий чёткие сводки",
    tools=[search],
    verbose=True  # Для наблюдения за ходом мыслей
)

# Задача
daily_summary = Task(
    description="""
    1. Найти самые важные новости кибербезопасности за сегодня
    2. Выбрать 3 главные
    3. Кратко изложить каждую в 3 предложениях
    4. Добавить ссылку на источник для каждой новости
    """,
    agent=news_agent,
    expected_output="Ежедневная сводка 3 главных новостей кибербезопасности"
)

# Запуск
crew = Crew(agents=[news_agent], tasks=[daily_summary])
result = crew.kickoff()
print(result)

Шаг 3: Запуск и результат

При запуске кода вы увидите, как агент «думает»:

1. «Ищу новости по кибербезопасности за сегодня...»
2. «Нашёл 10 результатов, выбираю самые важные...»
3. «Составляю сводку...»

Результат: сводка трёх новостей с источниками -- без какого-либо вмешательства с вашей стороны.

Где ИИ-агенты реально используются сегодня?

ИИ-агенты работают в четырёх ключевых областях: обслуживание клиентов (Klarna заменила сотни сотрудников одним агентом), программирование (через Copilot и Devin), цифровой маркетинг (автоматизация кампаний) и научные исследования (анализ статей и предложение экспериментов).

Обслуживание клиентов -- Klarna заменила 700 сотрудников ИИ-агентом, обрабатывающим 2,3 миллиона диалогов в месяц. Среднее время решения упало с 11 до 2 минут.

Программирование -- GitHub Copilot превратился из инструмента автодополнения кода в агента, понимающего весь проект. Он читает ошибки, предлагает решения и реализует их. Cursor и Devin идут дальше -- создают проекты целиком.

Маркетинг -- Агенты анализируют данные клиентов, пишут email-кампании, тестируют заголовки и автоматически выбирают лучшие.

Научные исследования -- Google DeepMind запустила агентов, которые читают научные статьи, извлекают результаты и предлагают новые эксперименты.

Хотите узнать, как можно зарабатывать с помощью этих инструментов? Возможности расширяются каждый день.

5 ошибок новичков

Пять самых распространённых ошибок при создании агентов: размытые задачи, отсутствие ограничений на инструменты, игнорирование мониторинга, старт со сложных проектов без освоения основ, отсутствие лимита API-вызовов, которые быстро расходуют бюджет.

1. Размытые задачи -- «Напиши что-нибудь полезное» не сработает. Формулируйте конкретно: «Напиши отчёт на 500 слов о последних уязвимостях WordPress с решениями для каждой».

2. Неограниченный доступ к инструментам -- Агент с открытыми правами может отправить письмо или удалить файлы. Определите инструменты точно.

3. Игнорирование мониторинга -- Агенты не идеальны. Контролируйте результаты на начальном этапе.

4. Старт со сложных проектов -- Начните с простого агента (вроде новостной сводки выше), затем усложняйте.

5. Отсутствие контроля расходов -- Каждый вызов модели стоит денег. Агент в цикле может быстро исчерпать бюджет. Установите лимит вызовов.

Готовы?

ИИ-агенты -- не далёкое будущее, а инструмент, доступный прямо сейчас любому, кто знает основы Python. Первый шаг прост:

1. Установите CrewAI: pip install crewai
2. Скопируйте код новостного агента из этой статьи
3. Запустите и посмотрите результат
4. Измените задачу под свои нужды

Не ждите, пока все станут экспертами. Те, кто учится создавать агентов сегодня, будут возглавлять технические команды завтра. Необходимые основы -- в нашем руководстве по основам ИИ. Начните оттуда, если вы совсем новичок.