Создать ИИ-агента можно тремя способами: взять готового универсального агента и дать ему задачу словами, собрать агента на конструкторе сценариев без программирования или написать его кодом на одном из фреймворков. Выбор зависит не от моды, а от задачи: как часто она повторяется, с какими сервисами агент должен работать и кто будет его поддерживать. Начинать почти всегда стоит с первого пути — он за минуты показывает, решается ли задача вообще.
Коротко:
- ИИ-агент — это нейросеть, которая сама планирует шаги и пользуется инструментами: поиском, кодом, файлами, сервисами;
- разовые и разнообразные задачи закрывает готовый агент, сборка не нужна;
- повторяющийся процесс между сервисами удобно собрать на конструкторе вроде n8n или Make;
- свой код нужен, когда агент встраивается в продукт или работает с закрытыми данными;
- локальный агент на своей машине — вариант для конфиденциальных данных, но требует железа и настройки.
Что такое ИИ-агент и чем он отличается от чат-бота
Чат-бот отвечает на сообщение. Агент получает цель и сам решает, что делать: поискать в интернете, открыть файл, написать и запустить код, вызвать другой сервис, проверить результат и повторить, если что-то не сошлось. В основе любого агента три части:
- Модель — «мозг», который рассуждает и планирует (Claude, GPT, Gemini, DeepSeek, Qwen и другие).
- Инструменты — то, чем агент действует: поиск, интерпретатор кода, доступ к таблицам, почте, CRM.
- Инструкции и память — роль, правила, контекст задачи и то, что агент помнит между шагами.
Подробнее про устройство и платформы — в статье платформа ИИ-агентов: что это и как выбрать.
Шаг 0: опишите задачу, а не агента
Самая частая ошибка при создании ИИ-агента — начинать с выбора инструмента. Сначала ответьте на четыре вопроса:
- Что на входе? Письмо, файл, ссылка, заявка с сайта, просто фраза.
- Что на выходе? Таблица, документ, ответ клиенту, запись в CRM.
- Как часто? Один раз, раз в неделю, на каждую заявку.
- Что нельзя делать без человека? Отправлять письма, платить, удалять данные.
Если задача разовая или каждый раз разная — агента собирать не нужно, нужен готовый. Если это поток одинаковых событий — пора думать о сборке.
Путь 1: готовый агент без сборки
Универсальный агент уже умеет планировать, искать, писать код и собирать файлы. Вы пишете задачу словами — он делает. Такой путь подходит для аналитики, отчётов, презентаций, таблиц, обработки документов и картинок.
Агент LeanTech работает именно так и доступен из России без VPN, с оплатой российской картой. Внутри — модели Claude Opus 5.5, GPT-6.1 Sol, Gemini 4 Argon, DeepSeek V4 Pro, Kimi K3 и другие; агент сам выбирает, какую вызвать на каждом шаге, и отдаёт результат файлом: .xlsx, .docx, .pptx, картинку или ролик. Попробуйте на своей задаче — например, поручите агенту собрать таблицу конкурентов. Если результат устраивает, возможно, своего агента собирать и не придётся.
Путь 2: агент на конструкторе без кода
Когда задача повторяется и связывает несколько сервисов, нужен агент в сценарии. Конструкторы автоматизаций вроде n8n и Make позволяют собрать его из блоков:
- Триггер — новое письмо, заявка с формы, сообщение в Telegram, расписание.
- Шаг с нейросетью — модель получает данные и инструкцию: классифицировать, извлечь поля, написать ответ.
- Инструменты — запросы к таблице, CRM, поиску; в n8n есть отдельный блок «агента», которому можно подключить такие инструменты.
- Действие — записать результат, отправить черновик на проверку человеку.
Плюсы: быстро, наглядно, не нужен программист. Минусы: при сложной логике схема разрастается, а за вызовы моделей платите отдельно по API. n8n можно развернуть на своём сервере, Make работает в облаке. Создание ИИ-агентов для бизнеса чаще всего начинается именно здесь: обработка заявок, ответы на типовые вопросы, сводки из почты.
Путь 3: агент с кодом
Код нужен, если агент — часть вашего продукта, работает с внутренними базами или должен вести себя строго предсказуемо. Обычный стек: язык Python или TypeScript, API модели, фреймворк для агентов (у крупных разработчиков моделей есть свои SDK, есть и открытые библиотеки для графов шагов), хранилище для памяти и логов.
Минимальный план разработки ИИ-агента:
- Описать инструменты как функции с понятными названиями и параметрами.
- Написать системную инструкцию: роль, ограничения, формат ответа.
- Запустить цикл «модель думает → вызывает инструмент → получает результат».
- Добавить проверки и подтверждение человеком для опасных действий.
- Собрать набор тестовых задач и прогонять его после каждой правки.
Не нужно сразу писать всё руками: прототип кода может сделать сам агент. В LeanTech можно попросить набросать каркас агента и запустить его на тестовых данных.
Локальный ИИ-агент: когда он нужен
Локальный агент работает на вашем компьютере или сервере с открытой моделью — например, из семейств Qwen, DeepSeek, GLM или Llama. Плюс — данные никуда не уходят. Минусы — нужна видеокарта с большим объёмом памяти, открытые модели среднего размера слабее флагманов в сложных задачах, а настройку и обновления придётся вести самому. Для большинства задач без жёстких требований к хранению данных облачный агент практичнее.
Бесплатные ИИ-агенты: на что рассчитывать
«Бесплатные ИИ-агенты» обычно означают пробный лимит или открытый код, за который всё равно платите железом и вызовами моделей. Конструкторы дают бесплатные тарифы с ограничением по числу запусков. Оценивайте не цену подписки, а цену одной выполненной задачи: сколько времени сотрудника она экономит. Тарифы LeanTech — на странице цен.
