Три компонента, без терминов
ИИ-агент — это три вещи, работающие вместе: языковая модель, которая умеет рассуждать, набор инструментов, которыми она может пользоваться, и память о том, что уже произошло. Всё. Снимите маркетинговую обёртку — останется цикл: модель читает контекст, выбирает инструмент, запускает его, читает результат, решает, что делать дальше.
Всё остальное — LangGraph, AutoGen, CrewAI, Anthropic Tool Use, OpenAI Agent SDK — это сантехника. Одна и та же задача: надёжно соединить эти три штуки.
Для основателя это важно, потому что сам агент — не ваше конкурентное преимущество. Модель арендована (у OpenAI, Anthropic, Google). Фреймворк бесплатный. Ваше — это инструменты, к которым агент имеет доступ, данные, которые он помнит, и ограничения, которые мешают ему сделать глупость.
Когда вы платите студии — вы платите не за «агента». Вы платите за интеграционный слой между вашими данными, вашими инструментами и чужой моделью.
Когда нужен агент, а когда нет
Агент нужен, когда:
- Задача состоит из нескольких шагов, и каждый зависит от результата предыдущего
- Шаги могут «упасть» разными способами, и нужно соображать, как восстановиться
- Результат не детерминированный — это «достаточно хорошо», а не «ровно это»
Агент НЕ нужен, когда:
- Воркфлоу одинаковый каждый раз → это автоматизация в Zapier или n8n
- Один вход — один выход → это один вызов LLM
- Рассуждать почти не надо → используйте правила
Частая ошибка: делать «агента» там, где на самом деле нужен крон-скрипт. Если шаги можно нарисовать на блок-схеме заранее — у вас автоматизация, а не агент.
Пять паттернов, которые мы строим чаще всего
- Квалификатор лидов. Входящая форма → обогащение по компании → скоринг → отправка в Slack или CRM. Агент решает, что доспросить, если данных не хватает.
- Поиск по внутренней базе. Вопрос → поиск по Notion, Slack, Drive → ответ с цитатами.
- Триаж поддержки. Письмо или чат → классификация → черновик ответа или эскалация. Память о прошлых обращениях улучшает точность от недели к неделе.
- Outbound-ресёрч. Список компаний → агент проходит по каждому сайту, вытаскивает сигналы, делает короткое досье.
- Обработка документов. PDF или контракт → структурированные данные, флаги для рисковых пунктов, summary. Часто самый простой коммерческий агент — и самый окупаемый.
Сколько это стоит в обслуживании
Стоимость одного запуска (модель + инструменты) для паттернов выше:
| Паттерн | Средняя цена / запуск | Объём / месяц |
|---|---|---|
| Квалификатор лидов | $0.04–$0.12 | 1k–10k |
| Поиск по базе | $0.08–$0.20 | сотни–тысячи |
| Триаж поддержки | $0.06–$0.15 | 10k+ |
| Outbound-ресёрч | $0.30–$1.20 | 500–5k |
| Обработка документов | $0.15–$0.80 | зависит от задачи |
Цены токенов на Q2 2026. По умолчанию используем Claude Sonnet 4.6 — есть дешевле для высокой нагрузки и мощнее для критичных задач.
Что удивляет клиентов: дорого не модель. Дорого — интеграция. Подключить агента к HubSpot, Slack и хранилищу данных — это часы инженеров. Закладывайте 80% бюджета на инженерию, 20% — на промпты и модель в первой версии.
С чего начать без выбора фреймворка
Не выбирайте сначала фреймворк. Выберите задачу, по которой сможете измерить результат.
- Найдите воркфлоу, который команда руками делает каждую неделю — минимум 30 минут
- Замерьте его две недели. Запишите, чем каждый случай отличается от предыдущего.
- Соберите тупейшую рабочую версию — один вызов LLM, один инструмент — посмотрите, дотягивает ли до 60% результата
- Добавьте второй инструмент. Добавьте память. Теперь это агент.
Такой подход снизу-вверх экономит вам от покупки фреймворка до того, как вы поняли, что вам нужно. Мы видели команды, которые тратили $20k на Crew или Lang, прежде чем понять, что их задача — это Python-скрипт на 50 строк.
Первый агент занимает 4–6 недель. Второй — 30% от этого времени. Третий — 15%. Тут и начинается компаундинг.
Как только вы провели один агент end-to-end, паттерны переиспользуются: data-плумбинг, eval-харнесс, шаблон деплоя. Новые юзкейсы становятся вопросом дней, а не месяцев.