Что такое AI-агенты?

От ответов к действиям

Чат-бот отвечает на вопросы. Вы печатаете, он отвечает, разговор заканчивается. AI-агент делает нечто другое: он работает ради цели и для этого может действовать во внешнем мире — искать в интернете, читать файлы, вызывать API, запускать код. Какие шаги предпринять и в каком порядке, он решает сам.

Именно агенты отличают инструмент, который говорит о вашей работе, от инструмента, который выполняет её часть. Ассистенты для кода, которые чинят упавший тест, боты поддержки, которые оформляют возврат, исследовательские задания, которые заканчиваются отчётом со ссылками на источники, — всё это агенты. А идея, на которой они держатся, достаточно проста, чтобы уместиться в голове за две минуты.

Если нужна одна картинка, то вот она: шеф-повар с командой помощников. Шеф никогда сам не режет лук. Он смотрит на заказ, решает, что нужно дальше, и командует: «Нарежь две луковицы кубиками». Помощник выполняет и кладёт результат на стол, шеф смотрит на результат и называет следующий шаг. Шеф здесь — модель, помощники — инструменты, а стол — контекст. Так повторяется, пока блюдо не уйдёт в зал.

Суть умещается в одну фразу: возьмите модель, дайте ей инструменты и поместите её в цикл — думать, действовать, наблюдать, повторять. Остальная часть урока пересказывает этот единственный цикл тремя разными способами, пока всё не станет очевидным.

Ничего не «запущено»: каждый шаг — это один вызов

Здесь новички теряются чаще всего, поэтому разберём по шагам.

Внутри модели не работает никакой процесс. Там не исполняется код, не тикают часы, не запланировано никаких задач и ничто не ждёт в фоне. Языковая модель — это ящик, который принимает текст и выдаёт текст. Один вызов — один ответ. Это весь интерфейс; второго нет.

Работа агента держится на том, что ваш код вызывает этот ящик снова и снова:

1. Ваш код собирает список сообщений — цель, правила, меню инструментов — и вызывает модель один раз. В ответ приходит одно сообщение.
2. Если в этом ответе сказано «запусти search с такими-то аргументами», то поиск запускает ваш код. Модель пока только написала запрос, в мире ничего не изменилось.
3. Ваш код вставляет результат обратно в список сообщений как ещё одно сообщение и вызывает модель снова — отправляя весь разговор, который теперь на одно сообщение длиннее.
4. Повторяйте. На каждом шаге модель перечитывает всё с самого начала, потому что между вызовами она ничего не помнит. Разговор и есть её память.

А цикл заканчивается потому, что так решает ваш код, — обычно когда в ответе модели нет запроса к инструменту и есть только сам ответ. Модель не останавливается сама — она просто перестаёт просить. Аккуратный цикл останавливается и по лимиту шагов или бюджету токенов, чтобы запутавшийся агент не мог бесконечно ходить по кругу.

Одной фразой: модель пишет, ваш код действует, модель читает, что вернулось, а ваш код решает, когда остановиться.

Пройдитесь по одному циклу целиком и посмотрите, где принимаются решения:

Обратите внимание: именно шаг после первого результата делает это агентом. Чат-бот ответил бы уже после первого вызова. Этот же посмотрел на то, что вернулось, и изменил план.

Тот же цикл — так, как сообщения выглядят на самом деле

Ниже — тот же цикл в виде списка сообщений, который ваш код отправляет снова и снова. Пройдите по нему и следите, как растёт счётчик токенов в углу: модель перечитывает всё — каждый раз.

Из этого можно сделать три вывода:

• Второй вызов отправил всё заново. Модель получила тот же разговор, только длиннее, и прочитала его с начала. Поэтому длинная задача становится дорогой и поэтому важен размер окна контекста.
• Результаты инструментов — это просто текст. JSON, число, сообщение об ошибке — для модели всё это ещё один текст для чтения, ничем не отличающийся от вашего сообщения.
• Одного числа не хватало, и цикл это заметил. Такое восстановление и составляет всю ценность шаблона.

Ещё две вещи, на которых люди спотыкаются. Во-первых, инструменты запускает ваш код, а модель только просит о них. Во-вторых, фиксированного плана нет: каждый шаг существует потому, что предыдущий вернул новую информацию. Цикл реагирует на то, что модель только что увидела, и готового сценария у него нет.

Агент и чат-бот

Модель в обоих случаях может быть одной и той же. Разница в том, кто ведёт разговор:

• Чат-бот: один запрос — один ответ. Каждый следующий шаг решает человек. Подходит для объяснений, черновиков и мозговых штурмов.
• Агент: много запросов, которыми управляет сама модель, пока цель не достигнута. Подходит для задач из нескольких шагов, где важен результат, а не процесс.

Полезный тест: если задачу можно закончить за один ответ, берите чат-бота. Если нужно «найди это, а потом, исходя из этого, сделай то» — и так несколько раз, — вам нужен агент. Ассистенты для кода вроде Claude Code или Cursor в агентном режиме — именно это: модель, которая читает файлы, редактирует их, запускает тесты и продолжает, пока сборка не пройдёт.

Классические сценарии

Одни и те же схемы будут встречаться снова и снова:

• Агенты для кода — читают репозиторий, реализуют новую возможность, запускают тесты, дорабатывают при сбоях. Сегодня это самый коммерчески успешный тип агентов.
• Исследование и краткие обзоры — ищут, читают десяток источников и сводят их в отчёт со ссылками.
• Поддержка клиентов — находят заказ в базе данных, проверяют API доставки, оформляют возврат через внутренний инструмент — и всё это в одном разговоре.
• Работа с данными — берут CSV, пишут и запускают Python, чтобы очистить его, строят график результата и описывают, что он показывает.
• Эксплуатация и автоматизация — следят за панелью мониторинга, сортируют оповещения по важности, готовят исправление и открывают pull request, чтобы человек его утвердил.

Почему именно сейчас?

Идея агента старая: исследователи писали статьи о циклах с инструментами за годы до того, как они заработали хорошо. Изменились три вещи:

• Вызов инструментов стал полноправной возможностью API. Раньше модели сочиняли текст в надежде, что ваш парсер справится; теперь их обучают выдавать структурированный вызов инструмента (имя функции плюс аргументы в JSON). Это самый важный из факторов, сделавших агентов возможными.
• Модели стали достаточно хороши. Агент принимает много мелких решений подряд. Если каждый шаг надёжен на 90 процентов, десятишаговая задача удаётся лишь примерно в трети случаев. Современные модели повышают надёжность одного шага настолько, что многошаговые задачи доходят до конца.
• Интеллект подешевел. Агент может сделать 20 или 50 вызовов модели ради одной задачи, и каждый несёт растущий разговор. По вчерашним ценам это было нерентабельно, по сегодняшним для большинства компаний это погрешность округления.

Итог

Теперь вы знаете, что такое агент: это модель, которую вызывают снова и снова, каждый раз с растущим разговором и результатами инструментов, а действует и решает, когда остановиться, ваш код.

Углублённую версию этого цикла — рефлексию, память и список случаев, когда агент избыточен, — читайте в уроке AI-агенты 101, подробно. Дальше на этом пути ещё три остановки. SDK для агентов оборачивают этот цикл повторными попытками, трассировкой и реестром инструментов. Мультиагентные системы — то, что получается, когда одного цикла не хватает. А MCP — открытый стандарт подключения инструментов к моделям.