Практический dev-story о том, почему AI-агент для реальной работы – это не чат с моделью, а система из задач, браузеров, проверок, журналов, ограничений и внешних интеграций. На примере публикационного пайплайна: сайты, CMS, соцсети, cron, browser sessions, anti-false-success, CRM, нейросеть, видео контент и SEO-грабли. От настройки до практического применения.
Основная задача
30 клиентов компании в различных сферах бизнеса, разные задачи по разным проектам. Необходима оптимизация расходов на сотрудников компании, настройка и обучение ИИ-агентов и субагентов. А также перевыполнение плана и буст показателей прибыли у каждого клиента.
Первично мне был нужен главный агент, который:
• понимает, какие у есть проекты и чем они отличаются;
• помнит правила и задачи по каждому сайту;
• не просто дает задачи субагентам, а доводит каждую задачу до конечного результата;
• умеет работать с браузером, файлами, админками, FTP, SSH, CRM, CMS и API;
• сам проверяет результат;
• не заставляет меня быть контролёром его работы.
Поэтому изначальный проект ИИ-агента XelaBot (это его придуманное имя) постепенно превратился в систему из нескольких уровней: память, правила, инструменты, расписания, проверки и отчёты.
Как я его настраивал
Первое, что пришлось сделать – дать агенту постоянный контекст. У обычной модели память заканчивается вместе с сессией. У XelaBot важные правила вынесены в рабочие файлы: кто я, как со мной общаться, какие проекты есть, где какие браузеры, какие сайты на на каких ЦМС, какие на статике, какие cron-задачи отвечают за публикации, какие за сбор статистики. какие за аналитику и планы по развитию.
Например, для публикаций есть отдельные правила:
-
не считать задачу выполненной, пока публичная страница реально не открылась;
-
не отправлять мне длинные логи;
-
не публиковать отчёт без URL;
-
не писать «готово», если нет обложки или статья не появилась в блоге.
Второй слой – инструменты, Кселабот научился:
-
работать с файлами и кодом на сервере;
-
запускать проверки через shell;
-
пользоваться браузерными профилями;
-
генерировать изображения;
-
генерировать видео контент;
-
отправлять сообщения в Telegram;
-
управлять cron-задачами;
-
читать и обновлять свои правила;
-
проверять сайты через HTTP и визуальные скриншоты.
Третий слой – расписание
Часть задач запускается автоматически: ежедневные статьи, проверки публикаций, обновление служебной памяти, контроль Метрики, watchdog после дневных слотов, оптимизация расхода токенов, сброс сессии, запись важных изменений за день в отдельные файлы.
И самое важное: я постоянно учил его не останавливаться на первом сбое. Если API Tilda не принял обложку, то это не повод писать мне «загрузите вручную». Надо проверить другой путь, использовать live-asset, перечитать сохранённый пост, убедиться, что картинка реально появилась на публичной странице. Если cron упал, то не надо ждать, пока я спрошу где статья? Надо проверить факт публикации и довести работу.
Четвертый слой – субагенты
Перераспределение задач на субагентов и вынесение их работы в отдельные сессии, чтобы субагенты могли работать параллельно. Это дает возможность ускорить работу виртуального офиса в 10 раз, плюс каждому субагенту выделяется своя LLM модель, в зависимости от необходимых задач. Более простые задачи может выполнять более дешевая модель. Сложные задачи на последних этапах проверок делает самая сильная модель.
Какие задачи я повесил на агента и субагентов
Контент
-
выбор темы;
-
проверку, что тема не повторяется;
-
написание статьи;
-
подготовку обложки;
-
загрузку в CMS или статический сайт;
-
обновление блога, sitemap, RSS, Yandex News, llms.txt;
-
проверку публичной страницы;
-
проверку обложки;
-
проверку микроразметки;
-
короткий отчёт в Telegram.
На одном сайте, например, статьи сейчас публикуются в статическую структуру сайта. XelaBot создаёт страницу, добавляет карточку первой в блог, обновляет RSS, sitemap, Yandex feed и проверяет, что Метрика осталась на месте, все стили сохранены и перелинковка сделана.
Сайты и технические проверки
Одна из полезных вещей – XelaBot не просто пишет «вроде работает». Он проверяет. Недавно я попросил проверить, стоит ли Яндекс.Метрика на одном из проектов. В итоге он не только нашёл, где счётчика не было, но и добавил guard-скрипт, который автоматически проверяет новые страницы и вставляет нужный код. То есть проблема решена не разово, а системно.
Такая же логика применяется к публикациям. Если ежедневный cron формально завершился, это ещё ничего не значит. Нужно открыть сайт, проверить URL, картинку, карточку в блоге, микроразметку, RSS и только потом считать задачу закрытой, отправив короткий отчет.
Визуал и медиа
Агент и субагенты помогают делать картинки для статей, обложки, фавиконы, элементы брендинга, и визуалы.
Отдельно я экспериментировал с видео: собирали ролики про XelaGroup, AI-агентов, визуальный образ XelaBot, озвучку, сцены, переходы и русские панели в интерфейсе. Там тоже была важная итерация: если персонаж выглядит дешево или не в стиле бренда, агент должен не просто отправить первый результат, а переделать.
Итог оказался очень хорошим: полноценный видео ролик на 3 минусы с русской озвучкой и плавной сменой сцен.
Платформа Xelagroup AI
Ещё один большой блок – сама AI-платформа XelaGroup для проектов клиентов. Задача была сделать небольшую нейронную сеть, где все процессы проходят проверки ИИ-агентов, и только после этого пользователю отдается результат. Агенты и Субагенты помогали настраивать страницу входа, визуальный стиль, логотипы, фавиконы, тексты для обычных пользователей, названия функций, проверку логина и сборку проекта, правила для каждого события внутри системы.
Контроль cron-задач
Самая болезненная часть любой автоматизации – не запуск, а контроль результата.
Если cron упал, молча завершился, переполнил контекст или написал «ok» без фактической публикации, бизнесу от этого не легче. Поэтому я пришёл к схеме: основная задача делает публикацию, а отдельный watchdog позже проверяет реальный результат.
Он смотрит не на красивый статус, а на факт: появилась ли статья, открывается ли URL, есть ли картинка, стоит ли карточка в блоге, обновились ли служебные файлы. Если можно безопасно исправить – исправляет. Если нужен мой логин, капча или ручное действие – пишет коротко и по делу.
Какие задачи уже удалось автоматизировать
-
наладить ежедневные публикации для нескольких сайтов;
-
перевести часть проектов в статическую структуру и контролировать статьи;
-
поддерживать XelaGroup-блог, RSS, sitemap, Yandex feed и llms.txt;
-
проверять и чинить проблемы на сайтах клиентов;
-
генерировать и проверять обложки;
-
оформлять страницы и править стили;
-
создавать визуалы;
-
разбирать сбои cron-задач;
-
добавлять watchdog-проверки, чтобы я не был ручным контролёром;
-
делать короткие отчёты вместо технической простыни;
-
в созданной ЦРМ проводить аналитику и искать пути увеличения продаж;
-
общаться с клиентами в чатах при помощи ИИ-агентов;
-
оформлять заказы, принимать оплаты и вести статистику заказов.
Главное достижение не в том, что агент умеет писать или кодить. Текст и код сейчас умеют многие модели. Главное – он встроен в рабочий процесс и отвечает за результат.
Что оказалось сложным
Самое сложное – научить агента не путать процесс с результатом.
«Я написал статью» – не результат.
«Я нажал сохранить» – не результат.
«CMS ответила ok» – не результат.
«Cron завершился» – тоже не результат.
Например: результат – это когда публичная страница открывается, там правильный текст, правильная картинка, нет сырого Markdown, есть нужная разметка, статья видна в блоге, а если нужен анонс – он тоже опубликован и проверен.
Второй сложный момент – контекст. Если агент каждый день читает слишком много памяти, старых правил и логов, он начинает тонуть в собственном опыте. Поэтому пришлось выносить правила в короткие файлы, делать компактные prompts и учить его читать только то, что нужно для текущей задачи.
Третий момент – дисциплина отчётов. Мне не нужны внутренние логи, JSON, пути к файлам и рассуждения модели. Мне нужен человеческий статус: опубликовано, ссылка; заблокировано, причина; исправлено, что именно, готово.
Почему это похоже на сотрудников
Агенты не заменяют людей полностью. Но они похожи на сотрудников в том смысле, что у них есть зона ответственности.
Они знают, что публикация должна быть доведена до сайта. Они знают, что картинку надо проверить. Они знают, что если что-то не сработало, надо не перекладывать проблему на меня, а сначала попробовать безопасный путь восстановления. Они знают, как я хочу получать отчёты.
И самое интересное – они развиваются через практику. Каждый сбой превращается в правило. Каждый косяк в публикации или коде становится новой проверкой. Каждый мой комментарий вроде «мне не нужен контроль, мне нужна выполненная работа» меняет поведение системы.
Что дальше
Дальше я хочу двигать Агентов от ассистента к полноценному операционному AI-агенту для бизнеса.
Не просто «напиши текст», а:
• найди задачу;
• пойми контекст;
• подготовь материалы;
• выполни действие;
• проверь результат;
• исправь типовые сбои;
• отчитайся коротко;
• запомни урок.
Именно такие агенты, на мой взгляд, будут реально полезны бизнесу. Не те, которые красиво отвечают в чате, а те, которые встраиваются в процессы и снимают с владельца компании ежедневную операционку.
Сейчас мой опыт настройки ИИ-агентов это живой пример того, как AI-агент может работать каждый день сутками: писать, публиковать, проверять, чинить, напоминать, искать ошибки и помогать двигать проекты без перерывов, перекуров, больничных и отпусков )))
Расскажите в комментариях про свой опыт внедрения ИИ-агентов?
Автор: MaRt765
