Как создать AI-агента и дать ему инструменты

AI‑агенты сейчас на пике хайпа, поэтому давайте разберёмся, что это за новый зверь и как его готовить.

Тема применения сервисов GenAI сейчас на хайпе, на конференциях по этой теме всегда аншлаг, а подавляющее большинство пользователей «играется» с текстовыми запросами в бесплатных сервисах, восторгаясь полученными результатами.

В этой статье хочу пойти дальше и определиться с понятием AI‑агентов и показать пример создания AI‑агента ^[1] с помощью системы n8n.io и популярных сервисов GenAI.

Понятие AI-агента

Одно из ключевых ограничений сервисов GenAI возникло из‑за того, что большие языковые модели (Large Language Model) обучены на информации, собранной за определенный период времени и не содержат актуальных или внутренних данных организаций.

Для преодоления данного ограничения в мире информационных технологий появилась новая сущность — AI‑агент. AI‑агент способен воспринимать окружающую среду, применяя подключенные инструменты, и предпринимать те или иные действия для достижения целей.

Фактически AI‑агент — это «надстройка» над сервисами GenAI, которая их вызывает в рамках того или иного процесса, передавая им команды — промпты (технические, ролевые, контекстные). AI‑агенты так‑же могут вызывать инструменты, необходимые им для выполнения той или иной функциональности, например, калькулятор для простых расчетов или вызов поисковой машины для поиска в интернете.

Если обратиться к открытому документу Сбера «Разработка и применение мультиагентных систем в корпоративной среде», то там AI‑агент определяется, как автоматизированная система, соответствующая трем критериям:

• o планированию действий — способности понять потребности ^[2] человека и построить план действий;

• o выполнению плана — способности самостоятельно совершить указанные действия, в том числе используя агентные инструменты для взаимодействия с внешней средой;

• oб автономности — наличию полномочий исполнять план без необходимости предварительного согласования шагов с человеком.

Кстати, доступ к данному документу можно получить по ссылке ^[3]. Для тех, кто хочет прокачаться в теме AI‑агентов, рекомендую с ним ознакомиться.

Итак, если дать простое определение, то AI‑агент — это способ «настройки» сервисов GenAI для применения в определенном бизнес‑процессе через промпты или вызов дополнительных инструментов. На языке информационных технологий AI‑агент — это исполняемая программа, реализующая определенную функциональность и вызывающая сервисы GenAI и внешние инструменты.

Практика показывает, что на настоящий момент времени результативна разработка специализированных AI‑агентов, каждый из которых ориентирован на выполнение определенного перечня задач.

AI-агента в n8n.io

В сервисе n8n.io, как и в любом аналогичном, существуют нода AI‑агент, которую можно встроить в автоматизированный процесс, и в которой есть параметры для настройки.

Есть поле для передачи промпта, а также инструменты для подключения сервиса GenAI, памяти ^[4] и различных инструментов

Одно из преимуществ ноды AI‑агент — это возможность использования разных сервисов GenAI в агенте, при этом можно даже перед вызовом динамически определять GenAI сервис в зависимости от параметров, что может быть полезно при выборе сервиса в зависимости от контекста запроса.

В российской действительности есть ограничения на применение зарубежных сервисов, поэтому в качестве ключевого я решил применить LLM GigaChat, но для тестирования доступен сервис OpenRouter. В рамках которого можно вызвать почти любую LLM, правда с ограничением по объему вызовов.

Инструменты для AI-агента

Инструментом для AI‑агента может быть устройство, программное обеспечение или система, предоставляющие определенную функциональность и доступные для использования. На практике примером инструментов может быть все что угодно, например, калькулятор, сервис проверки контрагентов или поисковый запрос.

Для стандартизации вызова инструментов уже разработан и активно применяется Model Context Protocol — открытый стандарт для соединения AI‑моделей с внешними источниками данных и сервисами. Подробнее про MCP можно прочитать тут ^[5].

При создании AI‑агентов с инструментами я сразу столкнулся, что не все российские сервисы имеют открытые API и тем более MCP‑сервера, но есть шанс что на горизонте нескольких лет ситуация изменится и линейка инструментов для AI‑агентов сильно расширится.

В ноде AI‑агента в n8n.io есть возможность подключить множество готовых инструментов «из коробки» либо сделать вызов через HTTP Request, готового инструмента найти не удалось.

Еще одним ключевым элементом AI — агента является память для хранения контекста и истории запросов и тут в n8n.io есть множество вариантов подклю��ения памяти к AI‑агенту.

Одним из часто используемых инструментов применяемых для расширения возможностей анализа за счет локальных баз знаний является Retrival Augmented Generation (RAG). Однако это тема отдельной статьи. Подробнее можно увидеть тут ^[6].

Взаимодействие AI-агентов

Самое интересное в применении AI‑агентов, что в процессе можно использовать несколько AI‑агентов, наделяя их различным функционалом, например, AI‑агент генератор промпта, потом вызвать AI‑агента исполнителя задачи и затем предусмотреть AI‑агента критик, который дает замечания по результатам работы AI‑агента исполнителя задачи.

То есть через взаимосвязи AI‑агентов можно выстроить автоматический процесс, в котором агент посредством протоколов или интерфейсов соединяется с другими AI‑агентами для совместной работы.

Принципы взаимодействия AI‑агентов сейчас только формируются, но без погружения в детали, основные проблемы — это подходы к специализации агентов по задачам, и последующая синхронизация работы AI‑агентов в группе. Кстати, очень похоже на то, как мы структурируем подразделения по должностям и ролям, а затем синхронизируем работу исполнителей, то есть исполнение задач в рамках процессов или проектов.

В n8n.io есть возможность в качестве инструмента AI‑агента вызвать другого AI‑агентов, что позволяет легко построить мультиагентное взаимодействие.

Галлюцинации GenAI

Практика применения AI‑агентов показывает, что галлюцинации в ответ��х сервисов GenAI не редки, поэтому добиться сто процентной точности в работе AI‑агентов пока еще невозможно.

Для борьбы с галлюцинациями GenAI в процессах, а значит и в AI‑агентах необходимо предусматривать дополнительные сценарии, с контролем правильности ответов сервисов GenAI, например, фактологическим контролем, и выходом на ручное принятие решение человеком в случае ошибок, влияющие на результат процесса.

Логика ^[7] выхода из AI‑агентов по ошибке ^[8] в n8n.io также реализована в стандартной ноде AI‑агента, а далее при срабатывании условий, можно спроектировать любую логику процесса на разбор ошибки или неточности в работе.

Пример процесса с AI-агентами

Ну и в качестве самого простого примера я за несколько минут создал простейший процесс в n8n.io, в котором работают несколько AI‑агентов без инструментов и памяти и у меня сразу появился маркетолог, который относительно неплохо пишет креативные тексты по запросу. Дальше остается только анализировать результаты и дорабатывать процесс.

В качестве заключения хочу отметить:

1. AI‑агент — это промежуточный слой для вызова сервисов GenAI.

2. Инструменты позволяют получить от AI‑агента необходимую функциональность.

3. Создание AI‑агента со всеми необходимыми инструментами задача очень простая.

4. AI‑агенты пока не могут на 100% избавиться от галлюцинаций сервисов GenAI

Основы машинного обучения ^[9] можно освоить на курсе Machine Learning. Basic ^[10]. На нем вы познакомитесь с ключевыми концепциями, изучите работу алгоритмов и поймете, как применять их для анализа данных. Курс позволит вам уверенно разбираться в базовых принципах ML и работать с простыми моделями на практике. На странице курса можно записаться на открытые уроки ^[11], которые бесплатно проведут преподаватели курса.

А тем, кто настроен на серьезное системное обучение, рекомендуем рассмотреть Подписку — выбираете курсы под свои задачи, экономите на обучении, получаете профессиональный рост. Узнать подробнее ^[12]