От языка к действию: как устроены агентные ИИ‑системы
Привет, Хабр!Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Получившие широкое распространение в последние годы технологии искусственного интеллекта состоят из множества различных направлений, которые могут пересекаться друг с другом или существенно отличаться.Сегодня мы попробуем разобраться в том, чем агент принципиально отличается от большой языковой модели (LLM).Для начала давайте посмотрим, что собой представляет LLM или RAG‑система.RAG
Как Codemode меняет работу ИИ‑агентов с инструментами — и что не так с MCP
Больше года назад я писал материалы, в которых советовал не загружать пользовательские инструменты (в том числе MCP‑серверы) в контекст модели, а по возможности обходиться скриптами. Теперь, с выходом Pi 1.0, мы добавили поддержку MCP через Codemode.С одной стороны, к этому всё давно шло, а с другой — для кого‑то такое решение могло оказаться неожиданным. Поэтому я хочу поделиться свежими мыслями о том, что всё это значит.Что такое инструментыКогда обвязка агента, например Pi, предоставляет LLM инструменты
AI-агенты принесли 400 тысяч рублей за два месяца. Показываю расходы и окупаемость
В предыдущей статье я рассказал о системе AI-агентов, которая выполняет коммерческую разработку, и объяснил, почему считаю ее архитектуру неудачной. Судя по комментариям, не меньше технической реализации читателей заинтересовала экономика: сколько стоила разработка платформы, какие расходы на эксплуатацию, как учитывалось время сотрудников и откуда вообще взялись заявленные 350 тысяч рублей.
Почему мы забрали у LLM браузер: 8 выводов после года работы над расширением для промокодов
Год назад наш ИИ чуть не оформил заказ за пользователя.
ИИ‑агенты в разработке, PaaS‑сервисы для работы с данными и автоматизация документации: анонсы на GoCloud Tech 2026
Рассказываем, что анонсировали на GoCloud Tech 2026
Где сломался AI-агент? Как отлаживать многоэтапные воркфлоу по шагам
Расследование инцидента состоит из цепочки взаимосвязанных решений. Сначала нужно определить, когда началась проблема, затем понять, какие системы она затронула, проверить исходную гипотезу по метрикам, логам или трейсам и, наконец, свести все собранные данные воедино, чтобы установить наиболее вероятную первопричину.Мы построили агентный воркфлоу по той же схеме. Каждый этап отвечает за свою часть расследования и передаёт результат следующему.
Как надёжно передавать управление между ИИ-агентом и человеком без гонок состояний
Работа над Agent Inbox показала мне, что передача управления между агентом и человеком — это конечный автомат: с явным владением состоянием, маркерами версии и чёткой семантикой подтверждения обработки.СодержаниеКонечный автомат передачи управленияДва канала ответа, одно правило приоритетаОдин вопрос — одно место взаимодействияboard_advance как CAS-маркерВремя жизни MCP-сервера и контекст на уровне процесса
Кто отвечает за ИИ-агента: юридический контур цифрового сотрудника
Это вторая часть материала про ИИ-агентов в корпоративном контуре для блога ЛАНИТ. В первой речь шла о том, как ограничить агента технически, какие полномочия ему давать, как разделять доверенные и недоверенные источники, что логировать и как тестировать систему до запуска. Здесь – о следующем вопросе. Что происходит, если ограничения все-таки не сработали, агент сделал что-то не то, а последствия уже наступили?
