'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
Если обычный ассистент просто отвечает на сообщение, агент — это система, которая решает задачу. Между запросом пользователя и финальным ответом он может сделать несколько шагов и обратиться к разным инструментам.
Из чего состоит агент
- Языковая модель как «мозг» — она выбирает следующий шаг.
- Набор инструментов — функции, которые агент может вызывать: поиск, базы данных, API, выполнение кода.
- Память — что было сделано в этой задаче и в предыдущих сессиях.
- Планировщик — иногда отдельный модуль, иногда та же языковая модель в специальном режиме.
Типичные сценарии
- Аналитика: «собери данные из CRM, посчитай конверсию по сегментам и пришли отчёт».
- Поддержка: «открой задачу в Jira, добавь скриншот, ответь клиенту».
- Программирование: «исправь эту ошибку, проверь тестами, открой запрос на слияние».
- Автоматизация между системами: данные из почты в CRM, оттуда в платежи и обратно.
Где пока сложно
- Длинные многошаговые задачи — модели часто теряют контекст или зацикливаются.
- Безопасность: агент с доступом к реальным системам — серьёзная зона риска.
- Оценка качества и отладка — поведение агента сильно зависит от случайности и формулировок.
- Задача требует нескольких шагов и обращения к разным системам
- Хочется снять с человека рутину, в которой 80% решений однотипны
- Есть понятные правила и критерий «получилось / не получилось»
- Цена ошибки очень высока и нет права на нестабильное поведение
- Задачу проще решить обычным предсказуемым сценарием без языковой модели
- Не настроены права доступа и безопасность систем, в которые агент будет ходить
Команда поддержки запускает агента, который при поступлении новой заявки сам ищет похожие закрытые обращения, читает связанную документацию, формирует черновик ответа и прикладывает ссылку на нужный раздел. Окончательный ответ всё ещё отправляет человек — но он экономит 5–10 минут на каждой заявке и реже допускает ошибки.
На старте не пытайтесь делать «полностью автономного агента». Начните с режима помощника: агент готовит черновик действия, человек подтверждает. Так вы быстро увидите, в каких сценариях модель надёжна, а где она регулярно ошибается, и сможете аккуратно увеличивать степень автономии. В Shtab это удобно пробовать на Shtab AI: режим «Чат» отвечает на вопросы, режим «Агент» берёт на себя многошаговые действия.