От чат-ботов к ИИ-агентам: как устроены агентные рабочие процессы (Agentic Workflows)

Эффективность рекламы падает? ИИ-агенты уже готовят новые объявления. Так работает Project Bluesky — система агентства Overdose Digital, которая превращает данные интернет-магазина в рекламные материалы. Она замечает изменения в показателях, создает тексты и изображения, а затем оценивает результат. Человек только утверждает материалы. Давайте разберем, как устроены агентные процессы с участием искусственного интеллекта.

Что такое ИИ-агент простыми словами

Допустим, покупатель спрашивает у поддержки, почему задерживается заказ. Алгоритм проверяет информацию от магазина и службы доставки, находит причину, согласовывает новую дату и отправляет уведомление. Пользователь получает не инструкцию, а решенную задачу. Но так было не всегда. Прежде чем научиться действовать, цифровые помощники прошли путь от простых сценариев до языковых моделей.

От генерации ответа к выполнению действий

Сначала появились сценарные боты. Они работали по заранее составленному дереву: показывали меню, распознавали команды и выдавали готовые ответы. Если запрос выходил за рамки сценария, разговор заходил в тупик.

Следующим этапом стали чат-боты на базе языковых моделей. Они научились понимать свободно сформулированные вопросы, поддерживать диалог и создавать тексты. Однако сами модели только генерировали ответы и не могли проверить заказ, внести изменения в базу или обратиться к внешнему сервису.

Чтобы перейти от слов к делу, языковые модели соединили с базами данных, программами и внешними сервисами. Добавили память, правила, возможность оценивать результат и выбирать следующий шаг. Так появились ИИ-агенты — системы, которые получают цель, планируют работу и выполняют задачу с помощью доступных инструментов. Их самостоятельность при этом ограничивают разрешения, лимиты и проверки со стороны человека.

Чем ИИ-агент отличается от чат-бота и сценарного бота

Главное отличие ИИ-агентов от чат-ботов заключается прежде всего в способности действовать. Чат-бот помогает пользователю через диалог, а агент управляет выполнением задачи: решает, какой инструмент использовать, анализирует полученные данные и определяет следующий шаг. 

Разобраться в устройстве таких систем и собрать собственный прототип можно на практическом курсе «Создание ИИ-агентов». Обучение начинается с простой сборки без кода, а затем охватывает поиск по документам, подключение внешних инструментов и разработку ИИ-ассистента для ваших задач.

Что такое агентный рабочий процесс (Agentic AI Workflow)

Один агент может выполнить отдельную задачу: найти информацию, подготовить отчет или обновить запись в системе. Но в реальном бизнес-процессе этого обычно недостаточно. 

Агентный рабочий процесс — это система, в которой ИИ-агент или несколько агентов выполняют цепочку действий ради заданной цели. Следующий шаг зависит от контекста и результатов предыдущих этапов, поэтому маршрут нельзя полностью описать заранее.

К примеру, интернет-магазину нужно вовремя пополнять запасы. Система замечает, что товар заканчивается быстрее обычного, проверяет остатки на других складах и сроки поставки, а затем решает, что делать: 

• переместить товар, 
• оформить новый заказ 
• или предупредить ответственного сотрудника. 

Выбор зависит от текущих данных, а не только от жесткой последовательности команд.

Но динамический процесс не означает полную свободу. Бизнес задает правила, и получаются три уровня управления.

Отличие от классической автоматизации и BPM

Классическая автоматизация особенно хорошо работает с повторяемыми и предсказуемыми операциями. Если произошло событие А, система выполняет действие Б. 

Управление бизнес-процессами (BPM, Business Process Management) помогает организовать более сложные процессы, но их основные маршруты, условия и участники также проектируются заранее.

В сценарии Agentic Workflow жесткие этапы сочетаются с решениями, которые принимаются во время выполнения задачи. Система может запросить дополнительные данные, повторить неудачный шаг, выбрать другой инструмент или передать задачу специалисту. При этом агентный процесс не заменяет BPM: его можно встроить в отдельные этапы уже существующего бизнес-механизма.

Жизненный цикл системы

Работу агентной автоматизации можно представить как повторяющийся цикл из четырех этапов.

1. Восприятие. 

Система получает запрос пользователя или замечает событие. Например, снижение продаж, новое обращение клиента либо изменение остатков.

2. Планирование. 

Искусственный интеллект анализирует цель и доступные данные, а затем определяет, какие действия и инструменты понадобятся.

3. Действие. 

Агент ищет информацию, обращается к внешним сервисам, изменяет данные или создает нужный результат.

4. Оценка. 

Система проверяет, достигнута ли цель. Если результат неудовлетворительный, она корректирует план, повторяет отдельный шаг или подключает человека.

Основные паттерны

Агентные рабочие процессы строятся из нескольких базовых схем, которые на практике часто сочетаются.

Последовательность — результат одного этапа передается следующему. Например, сначала система собирает данные, затем анализирует их и только после этого создает отчет.

Маршрутизация — ИИ определяет тип задачи и выбирает подходящий путь. Вопрос об оплате отправляется финансовому помощнику, техническая проблема — специалисту поддержки.

Параллельная работа — несколько агентов одновременно решают разные части задачи. Один изучает показатели, другой анализирует конкурентов, третий готовит варианты рекламных материалов. Затем результаты объединяются.

Обратная связь — система оценивает результат и при необходимости запускает новый цикл. Например, проверяет текст на соответствие правилам бренда, возвращает его на доработку, а после публикации анализирует эффективность.

Что такое мультиагентная система и когда она нужна

Одного агента может быть недостаточно, если задача требует разных компетенций, работы с несколькими типами данных или параллельного выполнения независимых подзадач. Например, при подготовке аналитического отчета нужно собрать данные, проверить качество и источники, найти закономерности, сформулировать выводы и оценить их обоснованность. Работу можно распределить между несколькими специализированными программами: один агент собирает информацию, другой анализирует ее, третий проверяет источники, а четвертый объединяет результаты в итоговый отчет.

Мультиагентная система состоит из нескольких взаимодействующих ИИ-агентов, которые совместно решают задачу или достигают общей цели. Они могут обмениваться сообщениями, распределять роли, работать параллельно, координировать действия или проверять результаты друг друга.

В отличие от нее, Agentic Workflow описывает более широкий процесс достижения результата. Помимо искусственного интеллекта, он может включать обычные программы, API, базы данных, заранее заданные правила, проверки и этапы согласования с человеком. Поэтому мультиагентная система — лишь один из возможных компонентов большого сценария, но не обязательное его условие.

Как работают агентные ИИ-системы на примере Project Bluesky   

Overdose Digital — международное агентство, которое помогает почти компаниям развивать электронную коммерцию. Раньше специалисты собирали для клиентов отчеты, а затем вручную разбирались, что означают изменения показателей и как на них реагировать. Данные показывали проблему, но сами по себе не помогали ее решить.

Чтобы изменить этот подход, агентство совместно с Google Cloud создало Project Bluesky — систему, которая связывает аналитику с производством рекламы. Ее работа строится в несколько этапов.

Сначала данные из разных источников собираются в BigQuery. Сервис Looker приводит показатели к единым правилам. Например, одинаково рассчитывает продажи, расходы и эффективность рекламы. Это важно, потому что ИИ получает проверенные данные, а не пытается самостоятельно истолковать разрозненные таблицы.

Затем Looker отслеживает изменения. Сигналом может стать снижение окупаемости рекламы, перемена погоды или падение интереса к уже запущенным объявлениям. Когда система замечает такое событие, она запускает агентов в Vertex AI.

Агенты анализируют ситуацию и распределяют работу. Один определяет возможную причину изменений, другой готовит рекламный бриф, а модели Gemini, Imagen и Veo создают тексты, изображения и видео. При этом они используют фирменные материалы компании из облачного хранилища, поэтому учитывают ассортимент, стиль и правила бренда.

Контент адаптируется под конкретную ситуацию. Например, для снежного Нью-Йорка система может подготовить рекламу теплых пальто, а для дождливого Лондона — легких курток. Перед публикацией материалы проверяет человек: он сохраняет контроль над тем, что увидит аудитория.

На этом процесс не заканчивается. Looker продолжает следить за рекламой и замечает момент, когда пользователи начинают хуже реагировать на одни и те же объявления. Тогда специальный агент выясняет причину снижения показателей, корректирует стратегию и запускает подготовку новых материалов. Результат одного цикла становится сигналом для следующего.

Так агентство автоматизировало создание и обновление рекламных материалов, ускорило реакцию на изменения. По оценке разработчиков, опора на проверенные показатели и фирменные материалы помогла практически устранить вымышленные ответы ИИ.

Можно ли собрать агентный процесс (Agentic Workflow) в n8n

ИИ-агенты и автоматизация с n8n хорошо дополняют друг друга: платформа управляет порядком работы, а алгоритм принимает решения там, где маршрут зависит от ситуации. 

Например, процесс управления запасами начинается, когда количество товара опускается ниже установленного уровня. n8n получает данные со складов, а агент оценивает спрос и сроки поставки. Затем он выбирает действие: переместить товар, подготовить заявку поставщику или предупредить сотрудника. Заказ оформляется только после подтверждения человека. 

Этот вариант удобен для прототипов, внутренних помощников и процессов с понятным числом этапов и интеграций. Но по мере роста системы визуальная схема может стать слишком большой: ее сложнее проверять, тестировать и изменять, не затрагивая соседние ветки. 

Как оценивать работу агентного процесса

Важно оценивать не то, насколько убедительно отвечает ИИ, а достигает ли он цели. Например, сокращает ли время обработки заявок, снижает число ошибок или ускоряет подготовку отчетов.

Также считают, сколько задач агент выполнил самостоятельно, а сколько передал человеку. Передача не всегда считается ошибкой: в сложной ситуации лучше попросить помощи, чем принять рискованное решение.

Еще два важных показателя — время и стоимость работы. Если агент долго ищет решение, повторяет шаги и делает много запросов к модели, процесс нужно упростить.

Риски и ограничения

Агентные процессы могут ошибаться и усиливать первоначальную неточность на каждом следующем шаге. Без ограничений они способны зациклиться, потерять важный контекст и увеличить расходы на запросы к модели. Слишком широкие разрешения создают еще один риск: агент может изменить данные или выполнить нежелательное действие.

Снизить риски помогают лимиты на время, стоимость и число шагов, проверка результатов, журнал операций и подтверждение человека перед важными действиями. Подробнее об этих и других проблемах читайте в статье о сложностях внедрения ИИ.

Как перейти от теории к практике: разработка первого ИИ-агента

Начинать лучше не со сложной мультиагентной системы, а с одной понятной задачи. Так проще проверить пользу технологии, найти слабые места и постепенно расширить возможности решения. 

Выбор пилотного проекта с измеримым результатом

Для первого проекта подойдет частая и ограниченная задача, которую легко проверить. Например, поиск ответа во внутренних документах, разбор типовых обращений или подготовка краткого отчета.

Заранее определите, что будет считаться успехом: сокращение времени работы, уменьшение числа ошибок или доли запросов, переданных человеку. Без измеримого результата будет сложно понять, действительно ли искусственный интеллект улучшил процесс.

Подготовка базы знаний и подключение внешних инструментов

Качество умного ассистента зависит от данных, с которыми он работает. Перед запуском нужно собрать актуальные документы, удалить устаревшие версии и определить, к какой информации можно обращаться.

Затем агенту подключают инструменты: поиск по базе знаний, корпоративные сервисы, таблицы или API. Сначала лучше разрешить безопасные действия. Например, чтение данных и подготовку черновиков. Изменение информации, отправку сообщений и другие важные операции стоит выполнять только после участия живого сотрудника.

От no-code-прототипа к LLM-ассистенту с RAG и MCP

Первую версию можно собрать в визуальном no-code-инструменте. Такой прототип поможет проверить сценарий без долгой разработки: понять, какие вопросы задают пользователи, каких данных не хватает и где система ошибается.

После проверки к нему можно добавить:

• RAG — поиск по документам перед подготовкой ответа;
• MCP — подключение внешних инструментов и сервисов;
• программную логику — правила, проверки и обработку ошибок;
• удобный интерфейс.

Пройти этот путь на практике поможет интенсив «Создание ИИ-агентов». За две недели участники переходят от сборки ассистента в Flowise без кода к работе с RAG, векторной базой pgvector, локальными моделями, MCP и Telegram-интерфейсом.

Курс рассчитан на начинающих, поэтому глубокие знания программирования на старте не нужны. На занятиях вы соберете рабочий прототип, который сможет искать информацию в документах, получать свежие данные из внешних сервисов и отвечать с учетом заданного контекста. В результате теория превращается в основу собственного LLM-ассистента, которую можно адаптировать под реальные задачи команды.

Будущее за агентами: что нас ждет в ближайшие 2 года

ИИ-агенты перестанут быть отдельными экспериментами и начнут встраиваться в привычные рабочие сервисы: CRM-системы, офисные программы, аналитические платформы и среды разработки. По прогнозу Gartner, к концу 2026 года специализированные программы появятся в 40% корпоративных приложений.

Однако полной автономности ждать пока не стоит. Компании будут внедрять ИИ постепенно — для конкретных и легко проверяемых задач. Уже сейчас его чаще всего используют в IT, аналитике, исследованиях и работе с корпоративными знаниями. По данным McKinsey, 23% опрошенных компаний масштабируют хотя бы одну агентную систему, а ещё 39% пока экспериментируют.

Сами агенты станут самостоятельнее. Они смогут не только отвечать на вопросы, но и работать с файлами, искать информацию, запускать программы и выполнять действия в корпоративных системах. Одновременно будет расти роль контроля. Компании станут строже ограничивать доступ к данным, записывать действия агентов, устанавливать лимиты и оставлять важные решения за человеком. 

Ближайшие два года станут временем отбора действительно полезных сценариев. Агенты возьмут на себя больше промежуточных действий, а люди продолжат ставить цели, задавать границы и оценивать результат. Выиграют те компании, которые смогут выстроить надежный процесс работы.

Заключение

Понимание того, как работает ИИ-агент, помогает перейти от простых запросов к автоматизации реальных задач. Начните учиться и соберите первый прототип, ведь именно практика превращает новую технологию в полезный рабочий инструмент.