На главную

DF-ИИ-026 · ИИ в работе команды

Агентный ИИ: чем агент отличается от генератора текста

Редакция Deskforge · 15 ноября 2026 · 5 мин чтения
Агентный ИИ: чем агент отличается от генератора текста
Из статьи вы узнаете
  • Чем вызов инструмента отличается от обычного ответа модели
  • Зачем нужен цикл вызова и второй запрос с результатом
  • Что дают память, состояние и подтверждения человека
  • Чек-лист: какой минимальный набор компонентов нужен вашей задаче

Вы просите модель собрать сводку по заявкам, а она отвечает общими словами: данных у неё нет, доступа к вашей системе тоже. Формально ответ есть, пользы мало. Разница между таким ответом и рабочим агентом не в «умности» модели, а в том, что вокруг неё построено.

Генератор текста получает запрос и возвращает текст. Агент умеет вызвать инструмент, дождаться результата, при необходимости повторить шаг и сохранить состояние между шагами. Ниже — из каких компонентов это складывается и как определить минимальный набор под свою задачу.

Сразу оговорка: примеры в статье учебные, синтетические. Это редакционный чек-лист Deskforge, а не отчёт об испытании продукта и не клиентский кейс — шаги нужно адаптировать к вашим системам и вашим данным.

Где заканчивается генератор текста и начинается агент

Обычный вызов языковой модели — это один обмен: запрос ушёл, текст вернулся. Модель работает только с тем, что попало в её контекст, и ничего не делает во внешнем мире.

Агентная схема добавляет интерфейс к внешним системам. В документации Anthropic механизм называется tool use, или function calling: он позволяет модели вызывать функции, которые определил разработчик или предоставил провайдер. У OpenAI то же описано как способ дать модели доступ к внешним системам и данным вне обучающей выборки.

Ключевой момент: вызов инструмента — это особый вид ответа модели. Она читает инструкцию и решает, что для её выполнения нужен один из доступных инструментов. То есть модель не «делает» действие сама — она просит его выполнить.

Инструменты: как модель получает действие вне своего контекста

Инструмент — это описанная функция с параметрами. Модель решает, когда её вызывать, опираясь на запрос пользователя и на описание инструмента. Описание поэтому так же важно, как код: невнятное описание — невнятные вызовы.

Дальше два варианта исполнения. При клиентском инструменте модель возвращает блок tool_use, ваше приложение выполняет операцию и отправляет обратно tool_result. Серверные инструменты выполняются на инфраструктуре провайдера — детали зависят от платформы.

При настройке tool_choice в режиме auto модель на каждом шаге сама решает, вызвать инструмент или ответить напрямую. Это удобно, но означает, что границу «когда звать, а когда отвечать» вы задаёте промптом: системная инструкция усиливает или сдерживает вызовы.

Если нужна жёсткость, есть strict-режим. Флаг strict: true в описании пользовательского инструмента обеспечивает точное соответствие вызовов заданной схеме — модель не придумает лишнее поле.

Цикл вызова: почему одного запроса недостаточно

Самый частый промах при первом запуске — считать, что вызов инструмента завершает работу. Нет: после выполнения кода приложение делает второй запрос к модели с результатом, и только тогда она строит ответ.

В документации OpenAI этот шаг описан прямо: приложение выполняет код по входным данным из вызова инструмента и отправляет результат обратно. Полная схема включает запрос с инструментами, получение вызова, исполнение и финальный ответ — или новые вызовы.

И ещё одна практическая деталь: ответ модели может содержать ноль, один или несколько вызовов функций. Код стоит писать с расчётом на несколько — иначе на первом же составном запросе он сломается.

Память и состояние: что удерживает агента между шагами

Если задача укладывается в один-два шага, память не нужна. Как только шагов больше, появляется вопрос: где хранится промежуточный результат и что будет, если процесс прервётся.

Здесь полезно посмотреть, как это решают фреймворки оркестрации. LangGraph описывается как низкоуровневый фреймворк и среда выполнения для долгоживущих агентов с состоянием. Рабочий процесс в нём задаётся графом из общего состояния, узлов и рёбер, где детерминированные и LLM-шаги можно смешивать в одном графе.

Две возможности из этого описания стоит взять на заметку даже без LangGraph. Первая — сохранение состояния с контрольными точками и возобновление после сбоев или пауз. Вторая — различение краткосрочного состояния потока и долговременной памяти между сессиями. Это разные вещи: первое живёт внутри одного прогона, второе — между обращениями.

Контроль и подтверждения: где человек остаётся в контуре

Агент, который сам отправляет письма или меняет записи в системе, — это уже не эксперимент с текстом, а действие с последствиями. Поэтому вопрос подтверждений решается до запуска, а не после первого инцидента.

Фреймворки дают для этого механику: LangGraph поддерживает паузу выполнения с просмотром или правкой состояния и последующим продолжением — режим human-in-the-loop. Конкретный сценарий подтверждения задаёт разработчик: что именно показывать человеку и на каком шаге останавливаться.

Важная оговорка про сам фреймворк: LangGraph не предписывает промпты и архитектуру агента. Он даёт контроль над состоянием и потоком управления, а решения о том, где ставить паузу, остаются за вами. Выбирать его стоит именно тогда, когда нужен явный контроль над состоянием и потоком управления, — а не по умолчанию.

Схемы инструментов и цена контекста

Схема инструмента — не формальность. В strict-режиме OpenAI требует additionalProperties: false для каждого объекта в параметрах и пометки всех полей как required; необязательные поля задаются через null в типе. Если схема этому не соответствует, режим не заработает.

Второй момент — размер. Определения функций передаются в системном сообщении, занимают контекст модели и оплачиваются как входные токены. Чем больше инструментов вы подключили «на всякий случай», тем дороже каждый шаг.

Отсюда мягкая рекомендация из документации OpenAI: держать число доступных на старте хода функций небольшим, ориентир — меньше 20 за один ход. Это не измеренный порог, а подсказка для точности выбора.

Чек-лист: минимальный набор компонентов под задачу

Перед стартом пройдите по пяти вопросам. Ответ «нет» на все — вам достаточно обычного вызова модели, агент не нужен.

Инструменты и цикл вызова

Нужно ли получать данные или выполнять действие вне контекста модели? Если да — опишите инструмент со схемой входных параметров и условием, когда его вызывать.

Хватает ли одного вызова или нужен повторный запрос с результатом? Если результат нужен модели для ответа — верните tool_result и сделайте второй запрос.

Состояние и подтверждения

Нужно ли сохранять состояние между шагами или сессиями? Если да — предусмотрите сохранение и возобновление после паузы.

Требуется ли подтверждение человека перед действием? Если да — добавьте паузу с просмотром или правкой состояния.

Схема вызовов

Должны ли вызовы строго соответствовать схеме? Если да — включите strict-режим и проверьте требования к схеме.

Структура и полнота шагов проверены локально. Это редакционная помощь читателю, не отчёт об испытании продукта и не клиентский кейс: фактические утверждения проверяются по первоисточникам, а состав компонентов — по вашей задаче.

Смежная тема — из чего состоит ИИ-агент: выбор архитектуры и контроля, а варианты работ с ИИ собраны на странице автоматизации процессов.

Источники

Назад