ИИ-агенты · конспект по субтитрам
Что такое ИИ-агенты — полный гайд для новичка
Конспект базовой архитектуры ИИ-агента и четырёх способов его собрать — от готового no-code сервиса до собственного приложения на агентском фреймворке.
Главное за минуту
- Агент — это LLM, инструменты и цикл работы до достижения цели
- Контекстное окно служит краткосрочной памятью, а внешняя база — долгосрочной
- No-code, low-code, agent harness и full-code дают разную глубину контроля
- Выбирать способ сборки нужно по задаче, а не по популярности инструмента
Разбор по главам
Нажмите на таймкод, чтобы открыть соответствующий фрагмент оригинального видео.
Определение ИИ-агента
В ролике агент определяется как языковая модель, которая умеет вызывать внешние или внутренние инструменты и повторять цикл действий, пока задача не будет считаться выполненной.
- Одна только LLM генерирует текст и сама по себе не выполняет действия.
- Автономность появляется благодаря инструментам и повторяемому циклу.
Чат-бот и агент — не одно и то же
Чат-бот отвечает на сообщение одним текстовым результатом. Агент получает цель, решает, нужен ли инструмент, получает наблюдение после его выполнения и продолжает работу следующим шагом.
- Чат заканчивает работу после ответа.
- Агент может исследовать, записывать данные и проверять промежуточный результат.
Модель, tools и function calling
LLM выступает мозгом системы, но не имеет собственных рук. Через function calling она формирует структурированный запрос на инструмент, окружающий код выполняет действие и возвращает модели результат.
- Инструментом может быть поиск, база данных, файл, API или бизнес-сервис.
- Модель выбирает действие, но фактически его исполняет оболочка.
Контекст и память
Контекстное окно хранит системные инструкции, историю диалога и результаты инструментов. Когда истории становится слишком много, долговременные знания можно вынести во внешнее хранилище и возвращать только релевантные фрагменты.
- Модель не помнит прошлую сессию, если историю не передали снова.
- RAG или векторная база помогают извлекать нужные знания по запросу.
Агентский цикл
Работа строится как последовательность: модель анализирует цель, выбирает действие, оболочка выполняет его, результат возвращается в контекст, после чего модель решает — продолжать или завершать.
- Цикл позволяет разбить сложную цель на несколько проверяемых шагов.
- Остановка зависит от того, считает ли агент цель достигнутой.
No-code и low-code
Первый уровень — готовые сервисы, где агенту дают задачу и подключают коннекторы. Второй — визуальные конструкторы вроде Flowise, Langflow и N8N, где можно явно собрать ветвления, интеграции и логику процесса.
- No-code быстро запускается, но даёт меньше контроля.
- Low-code удобен для процессов с несколькими сервисами и понятными ветками.
Agent harness
На третьем уровне используются готовые агентские оболочки: они управляют циклом, инструментами и контекстом, а пользователь добавляет инструкции, скиллы и MCP-серверы под свою задачу.
- Оболочка снимает необходимость самостоятельно писать агентский рантайм.
- При этом поведение можно глубоко настроить файлами и подключёнными инструментами.
Full-code и выбор подхода
Максимальный контроль дают агентские фреймворки: LangGraph, OpenAI Agents SDK и другие. В финале предлагается простая развилка: быстрый старт — no-code, сложные интеграции — N8N, настраиваемый самостоятельный агент — harness, агент внутри продукта — код.
- Фреймворк позволяет управлять памятью, логикой и любыми API.
- Во всех вариантах под капотом остаются LLM, инструменты и цикл.