Сценарий и границы полномочий
Определяем, что агент делает сам, что предлагает человеку и чего не делает никогда. Границы полномочий задаём в архитектуре, а не просьбой в промпте.
ИИ-агенты · Ассистенты · Автоматизация задач
Разработка ИИ-агентов: агент действует, человек задаёт границы
В разработке ИИ-агентов главный вопрос касается полномочий: что агенту разрешено, как проверяется его работа и что происходит, когда он ошибается. Агент отличается от чат-бота тем, что действует: выбирает шаги, вызывает ваши системы и доводит задачу до результата.
Для команд, которым нужно снять с людей повторяющуюся работу, где требуется понимать смысл: разбор заявок и документов, первая линия поддержки, подготовка отчётов, рутина в CRM и внутренних сервисах.
Что входит
Инструменты и доступ к системам
Подключаем агента к вашим базам, API и сервисам и заранее обрабатываем отказы и таймауты. Рано или поздно инструмент ответит ошибкой, и в этот момент агент должен вести себя предсказуемо.
Знания компании
Документы, регламенты и данные становятся памятью агента через поиск по смыслу и графы знаний. Так агент опирается на ваши правила, и угадывать ему не приходится.
Оценка качества
Наборы проверочных задач и метрики появляются до выката в продакшен. Без них «стало лучше» остаётся ощущением, и любая правка промпта превращается в лотерею.
Аудит и наблюдаемость
Каждое действие агента пишется в журнал: что он сделал, на каком основании, сколько это стоило. Журнал нужен и для разбора инцидентов, и для контроля расходов на вызовы моделей.
Интерфейсы
Агент работает там же, где люди: в мессенджере, веб-интерфейсе, встроенном виджете, внутренней системе. Отдельный сервис, куда нужно специально заходить, теряет пользователей.
Как мы работаем
Отбор задачи
Выбираем сценарий, который повторяется часто и имеет проверяемый результат. Редкие и разовые задачи агенту не отдаём.
Прототип с проверкой
Собираем агента вместе с набором тестовых задач: качество измеряем с первого дня, до первых жалоб пользователей.
Пилот с людьми
Запускаем на реальном потоке, каждое действие агента подтверждает человек. Смотрим, где и на чём агент ошибается.
Продакшен
Даём агенту больше самостоятельности там, где качество подтверждено, и оставляем подтверждение человеком там, где ошибка стоит дорого.
Эксплуатация
Следим за качеством и стоимостью, разбираем новые случаи, повторяем регрессионные проверки при смене модели.
Почему мы
Агенты в нашей собственной работе
Инженерную работу мы ведём вместе с ИИ-агентами нескольких вендоров по единому своду правил. Сеансы запускают и принимают люди, поэтому мы хорошо знаем, где агент ошибается и как это ловить.
Агент как обычная программа
Версии, наборы проверочных задач, метрики, регрессионные проверки при смене модели или промпта. Агента мы сопровождаем так же, как любую программу, которой работать в продакшене.
Работа в закрытом контуре
Если данные не могут покидать периметр, разворачиваем агента на локальных моделях с открытыми весами внутри вашей инфраструктуры.
Кейсы
Авиация · торговля авиационными компонентами и MRO
ПилотЗакупки авиазапчастей: от почты и таблиц к управляемому конвейеру
ИИ-агент читает входящие RFQ, сравнивает предложения поставщиков и проверяет документы. Сделку по обязательным этапам ведёт отдельная система учёта сделок.
- Полный цикл
- ИИ-контур прошёл весь путь на живом процессе закупок: от входящего RFQ в почте до уведомления команды. Это пилот, и данные о нём пока только наши: подтверждения от заказчика ещё нет
- 3
- типа сопроводительных документов проверял агент: FAA 8130-3, EASA Form 1 и COC. Как и предыдущая цифра, ждёт подтверждения заказчика
Дистрибуция · Партнёрские сети
В продакшенеПлатформа продаж и сопровождения партнёрской сети на живых данных
Партнёр спрашивает, кто в команде неактивен и что мешает следующему уровню, и получает цифры только по своей части сети. Доступ ограничен на уровне SQL.
- Своя часть сети
- партнёр получает цифры только по своей команде: ограничение по текущему пользователю добавляется в каждый SQL-запрос
- 6 уровней
- защиты данных между языковой моделью и базой, от блокировки персональных колонок в SQL до лимитов запросов; посчитано по коду
ИИ-инфраструктура · мультиагентные системы
Внутренний продуктКоманды ИИ-агентов из конфигурации, с парными агентами-критиками
За 2,5 недели собрали ядро мультиагентной платформы: 29 декларативных агентов в трёх командах, пары «агент и критик», память на четырёх СУБД, пять уровней автономии.
- 25 000+
- строк Python в ядре платформы, 134 модуля; подсчёт по коду репозитория
- 29
- декларативных агентов в трёх готовых командах (инженерной, когнитивной, исследовательской); подсчёт YAML-спецификаций
ИТ-консалтинг · Квалификация лидов
Внутренний продуктПосетитель уходит с планом пилота, продажи получают готовый лид
Мы заменили форму заявки ИИ-консультантом. Он расспрашивает посетителя о бизнесе и выдаёт план пилота с KPI и рисками, а в CRM попадает лид с бюджетом и сроками.
- 1 день
- за один день собран рабочий MVP: фронтенд, бэкенд и конфигурация выкладки
- 16 дней
- от первого коммита до работы в продакшене с HTTPS и выпущенным сертификатом на собственном домене
Частые вопросы
Чем ИИ-агент отличается от чат-бота?
Чат-бот отвечает текстом: по заданному сценарию или с помощью модели. Агент выполняет задачу: планирует шаги, вызывает внешние системы, проверяет результат и доводит дело до конца. Разговор для агента только интерфейс, сама работа идёт в ваших системах.
Сколько стоит разработка ИИ-агента?
Основные затраты уходят на интеграции, подготовку знаний и проверку качества, сам агент обходится дешевле. Простой агент с одним источником данных и одной точкой интеграции стоит заметно меньше, чем агент с доступом к нескольким системам и работой в закрытом контуре. Вилку называем после разбора сценария.
Что произойдёт, если агент ошибётся?
То, что заложено в архитектуру. Действия с дорогими последствиями подтверждает человек, остальные пишутся в журнал и обратимы. Мы проектируем систему в расчёте на то, что ошибка случится, потому что она случится.
Можно ли запустить агента на локальной модели?
Да, если этого требует контур. Локальные модели слабее в сложных рассуждениях, поэтому сценарий подбираем под возможности модели и обсуждаем это заранее.
Как вы измеряете качество работы агента?
Набором проверочных задач с известным правильным ответом и метриками на реальном потоке: доля задач, доведённых до конца без вмешательства, доля исправлений человеком, стоимость одной задачи. Те же метрики показывают, когда агенту можно дать больше самостоятельности.
Нужен ли нам сразу мультиагентный контур?
Обычно нет. Один агент с хорошими инструментами дешевле и предсказуемее. Несколько агентов оправданы, когда нужны разные роли с разными правами или когда один участник проверяет работу другого. Об этом подробно на странице про мультиагентные системы.
Смежные услуги
Мультиагентные системы: когда один агент уже не справляется
Мультиагентные архитектуры · LLM · Автономия
Внедрение ИИ в бизнес: сначала процесс, потом модель
Внедрение ИИ · Автоматизация процессов · Интеграция
НИОКР в области программного обеспечения и искусственного интеллекта
Наука · Исследования · Разработка
Посчитать на своих цифрах
Калькулятор AVA считает экономику вашего процесса по вашим цифрам, без формы и без нашей цены. Если автоматизация не окупается, он так и скажет.
Посчитать окупаемостьРазберём вашу задачу
Опишите, что нужно решить. Если задача не решается или не окупается, скажем об этом до начала работ.