ИИ-агенты: что это такое, примеры и как создать агента на LLM
ИИ-агент это модель, которая сама решает, какое действие сделать следующим: вызвать поиск, прочитать файл, отправить запрос в API. От чат-бота он отличается тем, что не просто отвечает текстом, а выполняет шаги до достижения цели. Собрать простого агента можно на любом ключе LLM Mart за вечер.
Содержание
Чем агент отличается от чат-бота
Чат-бот принимает сообщение и возвращает текст. Агент принимает цель и сам решает, какие действия предпринять: найти информацию, прочитать документ, выполнить вычисление, вызвать внешний сервис. Между шагами он смотрит на результат и корректирует план.
Технически разница в цикле. Модели передаётся список доступных инструментов, и она возвращает запрос на вызов одного из них вместо готового текста. Приложение выполняет вызов, возвращает результат, и модель решает, что делать дальше. Цикл повторяется, пока не будет сформирован финальный ответ.
Как устроен цикл
Шаги повторяются и укладываются в несколько строк кода. Сначала запрос с описанием инструментов. Затем разбор ответа: если модель просит вызвать функцию, приложение её выполняет. Результат уходит обратно в модель. Цикл завершается, когда модель отдаёт обычный текст.
Инструменты
Опишите 3-4 функции, которые агенту разрешено вызывать, с понятными названиями и типами аргументов.
Цель
Передайте задачу и правило: не больше N шагов, отвечай пользователю, когда данных достаточно.
Цикл
Выполняйте запрошенные вызовы и возвращайте результаты в модель, пока она не отдаст ответ.
Проверка
Логируйте каждый шаг и ограничивайте бюджет, иначе агент может зациклиться на дорогих вызовах.
Почему важны инструменты, а не только модель
Агент ошибается в выборе действия, а не в тексте. Если описание функции расплывчатое, модель вызовет не ту, и дальше вся цепочка пойдёт не в ту сторону. Поэтому инструкции к инструментам пишут как документацию: что делает функция, когда её применять и что она вернёт.
Второе: стабильность вызова. Не все модели одинаково хорошо держат tool use, особенно на длинных цепочках. Дешёвая модель, которая иногда забывает формат, обходится дороже экономии: агент уходит в цикл и тратит токены без результата.
Примеры задач для агента
Поиск по внутренней базе: агент сам решает, в какую систему сходить и нужно ли уточнение. Работа с репозиторием: прочитать файл, найти ошибку, предложить правку, запустить тесты. Сбор данных: запросить API, сверить ответ с регламентом, сформировать отчёт.
Есть готовые оболочки, которые не нужно писать с нуля. OpenClaw и OpenCode настраиваются конфигом и подключаются к LLM Mart по OpenAI-совместимому адресу. Инструкции лежат в разделе интеграций, включая OpenClaw и OpenCode.
Сколько это стоит
Агент тратит токены на каждом шаге: он перечитывает инструкцию, историю и результаты вызовов. Поэтому стоимость одного задания выше, чем одного вопроса, и растёт с числом шагов. Кэширование входа здесь особенно полезно, потому что системный промпт повторяется.
| Модель | Ввод / 1M | Вывод / 1M |
|---|---|---|
| GPT-5.6 Luna | 16,77 ₽ | 97,48 ₽ |
| Claude Sonnet 5.5 | 161,66 ₽ | 804,79 ₽ |
С чего начать
Возьмите одну узкую задачу и три инструмента. Добейтесь, чтобы агент решал её стабильно и предсказуемо, и только потом расширяйте набор. Логируйте каждый шаг: без логов невозможно понять, где именно агент свернул не туда.
Механика вызова и примеры запросов описаны в документации по API, а модели с ценами и фильтрами собраны в каталоге.
Частые вопросы
Что такое ИИ-агент простыми словами?
Это программа на основе языковой модели, которая сама выбирает действия для достижения цели: ищет информацию, читает файлы, вызывает сервисы. От чат-бота её отличает цикл: результат одного шага влияет на следующий. Работает такое на моделях с вызовом инструментов, доступных в каталоге LLM Mart.
Чем агент лучше обычного запроса к модели?
Обычный запрос отвечает один раз по тому, что есть в контексте. Агент может сначала собрать недостающие данные: сходить в базу, проверить факт, выполнить расчёт. Это нужно для задач, где ответ зависит от внешних данных из каталога LLM Mart. Цена выше, потому что каждый шаг расходует токены, а число шагов заранее неизвестно.
Какая модель нужна для агента?
Нужна модель со стабильным вызовом инструментов, а не просто с хорошим текстом. В каталоге LLM Mart для агентов часто берут Claude Sonnet 5.5, GPT-5.6 Luna или GLM 5.3. Дешёвые модели иногда ломают формат вызова, и агент уходит в цикл, поэтому проверять нужно на своих сценариях и с логированием шагов.
Можно ли сделать агента без программирования?
Частично. Готовые инструменты вроде OpenClaw и OpenCode настраиваются конфигом и подключаются к LLM Mart по OpenAI-совместимому адресу, свой код при этом не нужен. Но набор инструментов и правила их вызова всё равно придётся описать: без этого агент не знает, что ему разрешено делать и в каком порядке.
Сколько стоит запустить агента?
Дороже обычного запроса, потому что агент делает несколько шагов и каждый раз отправляет инструкцию и историю. Стоимость зависит от числа шагов и выбранной модели, цены за токены указаны в каталоге LLM Mart. Обязательно поставьте предел шагов и бюджет-правило на ключ, иначе цикл может израсходовать лимит.
Комментарии 0