Что такое ИИ-агенты для бизнеса: Понятное руководство для селлеров на маркетплейсах

Роман Воробьёв Telegram: t.me/FirstonOzon | Системный гуманИИст

Адаптация статьи Anthropic «Building Effective Agents» специально для селлеров и предпринимателей торгующих на маркетплейсах

Зачем вам это читать

Представьте, что у вас бизнес на маркетплейсах. Вы закупаете товары в Китае, везёте их в Россию и продаёте через Ozon или Wildberries. Каждый день вы вручную: отслеживаете остатки, отвечаете на вопросы покупателей, следите за ценами конкурентов, оформляете поставки, ведёте учёт. А теперь представьте, что часть этих дел за вас делает умная программа, работающая на искусственном интеллекте.

Именно об этом — это руководство. Компания Anthropic (создатели ИИ-модели Claude) опубликовала техническую статью о том, как правильно строить ИИ-агентов. Статья написана для программистов, но идеи в ней настолько важные, что каждый предприниматель должен их понимать.

Я перевёл эту статью на язык бизнеса. Все примеры — из жизни селлера на маркетплейсах. Никакого кода, никакого жаргона. Только суть и практика.

Почему это важно именно сейчас: через год-два те, кто поймёт и начнёт использовать эти инструменты, будут обгонять тех, кто не поймёт. ИИ-агенты — не хайп. Это следующий этап автоматизации бизнеса.

Что такое LLM и зачем она нужна

LLM (Large Language Model) — это большая языковая модель. Проще говоря, это «мозг» искусственного интеллекта. Самый известный пример — ChatGPT или Claude. Это программа, которая обучена на огромном количестве текстов и умеет понимать вопросы на человеческом языке и давать осмысленные ответы.

📦 Пример из бизнеса на маркетплейсах: Вы пишете: «Сколько мне нужно заказать чехлов для телефонов на следующий месяц, если в прошлом месяце продали 500 штук, а впереди сезон?» — и LLM может проанализировать это и дать вам разумный ответ.

Но сама по себе LLM — это просто «умная голова». У неё нет рук, глаз и памяти. Она не может зайти на Ozon и проверить ваш остаток. Не может позвонить поставщику. Не может запомнить, что вы ей говорили вчера. Чтобы LLM стала по-настоящему полезной, ей нужны «расширения».

Строительный блок: расширенная LLM

Расширенная LLM (Augmented LLM) — это базовый кирпичик, из которого строятся все умные системы. Это та же «умная голова», но теперь у неё есть три суперспособности:

• Инструменты (Tools) — это «руки» модели. Через инструменты LLM может делать что-то в реальном мире: заходить на сайты, отправлять сообщения, делать расчёты, работать с таблицами.

• Извлечение информации (Retrieval) — это «глаза» модели. Она может находить и читать нужные данные: из ваших документов, баз данных, интернета.

• Память (Memory) — модель может запоминат�� контекст. Например, что вы работаете с товарной категорией «электроника» и ваш основной поставщик из Гуанчжоу.

📦 Пример из бизнеса: Расширенная LLM — это как если бы вы наняли стажёра, который: умеет искать информацию в интернете (retrieval), может работать с вашей 1С или Excel-таблицами (tools), и помнит, о чём вы договорились на прошлой встрече (memory). Один такой «стажёр» — это и есть строительный блок. А из нескольких таких блоков можно собрать целую команду.

Агентные системы: два типа

Теперь самое важное. Все «умные системы» на основе LLM делятся на два типа:

Тип 1: Рабочие процессы (Workflows)

Рабочий процесс — это заранее прописанный план действий. Всё идёт по чёткой схеме. Вы заранее решили: «Сначала делай шаг 1, потом шаг 2, потом шаг 3». LLM выполняет каждый шаг, но маршрут уже определён вами.

📦 Аналогия: Это как конвейер на заводе. Детали идут по ленте в строго определённом порядке. Каждый рабочий делает свою операцию. Никакой импровизации — только чёткая последовательность.

Тип 2: Агенты (Agents)

Агент — это LLM, которая сама решает, что делать дальше. Вы даёте ей задачу, а она сама планирует шаги, выбирает инструменты и двигается к цели. Если что-то пошло не так — она пробует другой путь.

📦 Аналогия: Это как опытный менеджер по закупкам, которому вы сказали: «Найди поставщика увлажнителей воздуха с ценой до $5 за штуку и договорись о поставке». Он сам решает, на какие площадки зайти, кому написать, как вести переговоры. Вы не расписываете ему каждый шаг.

В чём ключевая разница

• Рабочий процесс: вы управляете, LLM выполняет.

• Агент: вы ставите цель, LLM управляет собой сама.

Важный принцип: не всегда нужно строить сложного агента. Часто простой рабочий процесс решает задачу лучше, быстрее и дешевле. Начинайте с простого, усложняйте только когда простое не справляется.

Пять типов рабочих процессов

Существует пять основных шаблонов рабочих процессов. Давайте разберём каждый.

1. Цепочка промптов (Prompt Chaining)

Суть: задача разбивается на последовательные шаги. Результат одного шага становится входом для следующего. Между шагами можно вставить проверку: «Всё ли правильно? Можно двигаться дальше?»

📦 Пример — создание карточки товара для Ozon: Шаг 1: LLM анализирует фото товара и описание с сайта поставщика → Шаг 2: LLM составляет текст карточки с ключевыми словами → Проверка: текст соответствует требованиям площадки? → Шаг 3: LLM адаптирует текст под SEO-требования Ozon. Каждый шаг — отдельная простая задача. Вместе — полноценная карточка.

Когда использовать: когда задачу можно чётко разбить на шаги, и каждый шаг не слишком сложный сам по себе.

2. Маршрутизация (Routing)

Суть: входящий запрос сначала классифицируется, а потом направляется к нужному специалисту. Как приёмная в поликлинике: сначала определяют, к какому врачу вам нужно.

📦 Пример — обработка обращений покупателей: Покупатель пишет сообщение. Система определяет тип: Вопрос о товаре → направляет к модулю, который ищет ответ в описании товара. Проблема с доставкой → направляет к модулю, который проверяет статус в службе доставки. Запрос на возврат → направляет к модулю, который начинает процедуру возврата. Каждый «маршрут» обрабатывается своей специализированной LLM-настройкой.

Когда использовать: когда у вас есть чётко разные категории задач, и каждая требует своего подхода.

3. Параллелизация (Parallelization)

Суть: несколько LLM работают над задачей одновременно. Бывает два варианта:

• Секционирование — задачу разбивают на части, каждая LLM делает свою часть одновременно с другими.

• Голосование — несколько LLM делают одну и ту же задачу независимо, потом результаты сравнивают (как несколько экспертов дают заключения).

📦 Пример секционирования — анализ конкурентов: Вы хотите проанализировать 10 конкурентов на Wildberries. Вместо того чтобы анализировать их по очереди, 10 LLM одновременно анализируют каждый по одному конкуренту. Результат за 1 минуту вместо 10.

📦 Пример голосования — проверка карточки товара: Три разные LLM проверяют вашу карточку товара: одна — на грамотность, другая — на SEO, третья — на соответствие правилам площадки. Если две из трёх нашли проблему — значит, проблема есть.

Когда использовать: когда задача разбивается на независимые части или когда нужна высокая точность за счёт нескольких «мнений».

4. Оркестратор-исполнители (Orchestrator-Workers)

Суть: есть «главный» LLM (оркестратор), который смотрит на задачу и решает, какие подзадачи нужно сделать. Потом он раздаёт эти подзадачи «исполнителям» (другим LLM). Когда все готовы — собирает результаты.

Похоже на параллелизацию, но есть ключевое отличие: подзадачи заранее неизвестны. Оркестратор сам определяет, что нужно сделать, глядя на конкретную задачу.

📦 Пример — запуск нового товара на маркетплейсе: Вы говорите системе: «Запусти продажу нового рюкзака на Ozon». Оркестратор анализирует задачу и решает: нужно создать карточку товара, рассчитать цену, проанализировать конкурентов, подготовить фото, написать текст для рекламной кампании. Он раздаёт каждую задачу своему исполнителю, а потом собирает всё вместе.

Когда использовать: когда задача сложная и заранее непонятно, из каких шагов она состоит.

5. Оценщик-оптимизатор (Evaluator-Optimizer)

Суть: одна LLM делает работу, а другая её критикует и даёт обратную связь. Первая исправляет, вторая снова проверяет. И так в цикле, пока результат не станет хорошим.

📦 Пример — написание описания товара: LLM-писатель пишет описание увлажнителя воздуха. LLM-редактор читает и говорит: «Нет ключевых слов для поиска, слишком длинные предложения, не указаны главные преимущества». Писатель переписывает. Редактор проверяет снова: «Лучше, но добавь информацию о гарантии». И так 2–3 круга, пока текст не станет отличным.

Когда использовать: когда есть чёткие критерии качества и итеративное улучшение действительно приносит результат (как редактирование текста, перевод или оптимизация рекламы).

Агенты: когда рабочих процессов мало

Рабочие процессы хороши, когда вы понимаете последовательность шагов заранее. Но что, если задача настолько сложная или непредсказуемая, что вы не можете расписать все шаги?

Тогда вам нужен агент.

Агент — это LLM, которая работает в цикле: получает задачу → планирует действия → выполняет шаг → смотрит на результат → решает, что делать дальше → и так до тех пор, пока задача не будет решена (или не достигнут лимит попыток).

Три важных свойства агента

• Автономность — агент сам решает, что делать. Вы не расписываете ему каждый шаг.

• Использование инструментов — агент не просто думает, а действует: заходит на сайты, делает расчёты, отправляет запросы.

• Обратная связь из среды — на каждом шагу агент смотрит, что получилось, и корректирует свои действия. Это критически важно: агент не работает вслепую.

📦 Пример — агент для анализа поставщиков в Китае: Вы даёте агенту задачу: «Найди трёх лучших поставщиков беспроводных наушников с ценой до $3 за штуку, минимальной партией до 500 штук, с отзывами не ниже 4.5 на 1688.com». Агент: заходит на площадку, ищет поставщиков, фильтрует по цене, проверяет отзывы, сравнивает условия, формирует итоговый отчёт. Если на одной площадке не нашёл — идёт на другую. Если цена чуть выше — проверяет, можно ли торговаться. Вы не расписывали эти шаги — агент сам нашёл путь.

Когда использовать агентов

• Задача открытая, и заранее неизвестно, сколько шагов понадобится.

• Нужна гибкость: если один путь не работает, нужно попробовать другой.

• Задачу можно проверить по результату (получилось или нет).

Риски агентов

Важное предупреждение: агенты дороже и медленнее рабочих процессов. Каждый шаг — это вызов LLM, а он стоит денег и занимает время. Плюс ошибки могут накапливаться: если агент принял неверное решение на шаге 3, всё, что он сделал дальше, может быть неправильным.

Поэтому обязательны: обширное тестирование, защитные барьеры (ограничения, чтобы агент не натворил бед) и лимиты на количество шагов.

Фреймворки: помощь или ловушка?

Фреймворк — это готовый набор инструментов и правил, который помогает программисту быстрее создать агентную систему. Как конструктор LEGO: вам не нужно изобретать каждый кирпичик, вы берёте готовые детали и собираете.

Примеры фреймворков: Claude Agent SDK, AWS Strands Agents, Rivet, Vellum.

Плюсы фреймворков

• Быстрый старт — не нужно писать всё с нуля.

• Стандартные задачи уже решены: как вызвать LLM, как подключить инструмент, как связать шаги в цепочку.

Минусы фреймворков (и это важно!)

• Сложность вместо простоты — фреймворки могут провоцировать вас строить сложные системы там, где достаточно простого решения.

• Скрытая логика — вы можете не понимать, что происходит «под капотом». А когда что-то ломается — не можете найти причину.

📦 Аналогия из бизнеса: Фреймворк — как готовый шаблон бизнес-процесса от консалтинговой компании. Поначалу удобно. Но если вы не понимаете, почему каждый шаг именно такой, вы не сможете адаптировать его под свою специфику. Рекомендация: начинайте с простого кода и прямого обращения к LLM. Фреймворк берите, только если понимаете, как он работает внутри.

Model Context Protocol (MCP)

MCP — Model Context Protocol — это стандарт, который Anthropic создал, чтобы LLM могла легко подключаться к разным инструментам и сервисам.

📦 Аналогия: Вспомните USB-порт. До его появления каждое устройство имело свой разъём. После USB — один порт для всего. MCP — это «USB для искусственного интеллекта». Один стандарт подключения, через который LLM может работать с любым инструментом: таблицами, сайтами, базами данных, почтой.

Инструменты агента: почему это так важно

Одна из самых ценных мыслей: разработка инструментов для агента — это не менее важно, чем сам агент.

Здесь появляется понятие ACI — Agent-Computer Interface (интерфейс «агент-компьютер»). Так же, как дизайнеры тратят огромные усилия на интерфейс для людей (кнопки, меню, формы), нужно тщательно проектировать интерфейс для агентов — то, как они получают задачи и инструменты.

Принципы хороших инструментов

• Название должно быть понятным. Если инструмент называется get_data, модель может запутаться, какие данные он получает. Лучше get_warehouse_stock_levels — «получить уровень остатков на складе».

• Описание должно быть полным. Как инструкция для стажёра: что делает, какие данные принимает, что возвращает, какие есть ограничения.

• Формат должен быть удобным для модели. LLM проще работать с простым текстом, чем с JSON с экранированными символами.

• Защита от ошибок (пока-ёкэ). Японский принцип: спроектировать инструмент так, чтобы ошибку было невозможно допустить. Например, требуйте полный путь к файлу вместо относительного.

📦 Пример из практики: Когда Anthropic делала агента для работы с кодом, агент путался с относительными путями к файлам. Решение было простым: изменить инструмент так, чтобы он принимал только абсолютные пути. После этого ошибки исчезли. Не агент стал умнее — инструмент стал понятнее.

Главный принцип: начинайте с простого

Это, пожалуй, самая важная идея всего руководства. Не нужно сразу строить сложного агента с десятью инструментами и тремя уровнями вложенности. Правильный путь такой:

1. Начните с простого промпта. Попробуйте решить задачу одним обращением к LLM. Часто этого достаточно.

2. Добавьте извлечение информации и примеры. Если простой промпт не справляется, дайте LLM контекст: документы, примеры, данные.

3. Используйте рабочий процесс. Если одного вызова мало, создайте цепочку из нескольких шагов.

4. Переходите к агенту. Только если рабочий процесс не справляется из-за непредсказуемости задачи.

📦 Пример эволюции: Сначала: Вы сами пишете описания товаров. Потом: Просите ChatGPT написать описание (один промпт). Потом: Создаёте цепочку: анализ конкурентов → генерация текста → SEO-оптимизация → проверка (рабочий процесс). И только если этого мало: Создаёте агента, который сам находит тренды, анализирует отзывы покупателей, и адаптирует описание под текущий спрос.

Где агенты уже работают

Две области, где ИИ-агенты уже доказали свою эффективность:

1. Клиентская поддержка

• Агент общается с покупателем как в обычном чате.

• Но при этом может заглянуть в базу данных, проверить статус заказа, оформить возврат.

• Успех легко измерить: проблема клиента решена или нет.

2. Работа с кодом (программирование)

• Агент может исправлять ошибки в программах и проверять себя через автоматические тесты.

• Если тест провалился — агент пробует другое решение.

• Объективная проверка: код работает или нет.

Общий паттерн: агенты работают лучше всего там, где есть чёткий критерий успеха и петля обратной связи (агент может проверить, получилось ли у него).

Словарь ключевых терминов

Три принципа создания агентов

1. Простота. Делайте систему максимально простой. Сложность — враг надёжности.

2. Прозрачность. Всегда должно быть видно, что агент делает и почему. Никаких «чёрных ящиков».

3. Качество инструментов. Тратьте столько же усилий на проектирование инструментов для агента, сколько тратите на интерфейс для людей.

💡 Итог для предпринимателя: ИИ-агенты — это не фантастика и не хайп. Это рабочий инструмент, который уже сегодня может автоматизировать рутинные задачи в вашем бизнесе. Но ключ к успеху — не в том, чтобы строить самую сложную систему. А в том, чтобы найти правильную задачу, начать с простого и усложнять только тогда, когда простое перестаёт работать.

Роман Воробьёв | Адаптация статьи Anthropic «Building Effective Agents» для селлеров