Как создать ИИ-агента: пошаговый путь, три варианта сборки и когда нужен подрядчик

7 августа 2026 · 8 мин чтения

Знакомый сценарий: за вечер собрали бота на конструкторе, он бойко отвечает клиентам, все довольны. Через две недели выясняется, что половину обращений он не донёс: поговорил и забыл, в CRM пусто. Говорилка действительно собирается за вечер. Агент, который доводит заявку до сделки, устроен иначе. Ниже: из каких частей он состоит, три пути его получить с честной ценой каждого и ошибки самостоятельной сборки, которые всплывают не сразу.

Из чего состоит ИИ-агент

Агент отличается от обычного чат-бота одним признаком: он не только отвечает, но и действует. Технически это пять частей.

Модель (LLM). Языковая модель, которая понимает текст и решает, что делать дальше: GPT, Claude, Gemini, DeepSeek, из российских вариантов YandexGPT и GigaChat. Модель формирует ответ на основе того, что ей передали в запросе. Сама по себе она ничего не помнит между обращениями и не выполняет никаких действий.

Системный промпт. Инструкция, которая задаёт модели роль, границы и тон: кто она, что ей можно и нельзя, как отвечать в нештатной ситуации. От качества промпта зависит больше, чем от выбора модели: слабый промпт на сильной модели работает хуже, чем продуманный на средней.

Инструменты. Функции, которые модель может вызвать: посмотреть заказ в CRM, отправить письмо, создать задачу, найти товар на складе. Без инструментов это чат-бот, а не агент: он умеет говорить, но не может изменить состояние ваших систем.

Данные (RAG). Подключение к базе знаний: каталогу товаров, документации, истории обращений. Перед ответом модель ищет в базе релевантные фрагменты, поэтому ответ строится на ваших реальных данных: конкретных ценах, остатках, формулировках из документов.

Петля контроля. Механизм, который связывает всё вместе: агент получает задачу, решает, какой инструмент вызвать, получает результат, проверяет, решён ли вопрос, и либо продолжает, либо передаёт диалог человеку. Здесь же задаются ограничения: какие действия требуют подтверждения, сколько шагов агент делает за один запрос, что записывается в лог.

Путь 1. Конструкторы и no-code: n8n, Make, платформы ботов

Самый быстрый способ получить рабочий прототип: визуальные конструкторы вроде n8n и Make, а также специализированные платформы для ботов. Сценарий собирается из готовых блоков (триггер, вызов модели, обращение к внешнему сервису, условие) без единой строки кода.

Хватает для FAQ-бота с базой ответов, квалификации заявок по нескольким критериям, уведомлений и сценариев вида «пришло сообщение, определи тему, отправь в нужный отдел». Для проверки гипотезы или разового процесса это разумный старт: результат виден за дни.

Потолок начинается там, где сценарий перестаёт быть линейным. Пока агент идёт по заранее нарисованным веткам, всё предсказуемо. Как только ему нужно самому выбирать нужный инструмент из десятка в зависимости от контекста, визуальная схема превращается в трудно читаемый набор условий. Тонкая настройка прав (какие действия агент делает без подтверждения) в конструкторе почти не выражается: право обычно разрешено полностью или недоступно вовсе, без промежуточных состояний. Стоимость тоже устроена иначе, чем кажется на старте: сервисы берут плату за количество операций или запусков сценария, и на растущем потоке обращений это часто обходится дороже, чем расчёт в начале проекта. Отдельный вопрос для бизнеса, который работает с персональными данными: облачная версия сервиса обычно работает на серверах за пределами РФ, а это уже вопрос к 152-ФЗ (раздел про ошибки ниже).

Путь 2. Свой код на API: когда в команде есть разработчик

Второй путь: подключиться к API модели напрямую (OpenAI, Anthropic, DeepSeek, YandexGPT) и написать логику агента в коде. Порядок обычно такой:

1. Выбрать модель. Не решение на всю жизнь: на старте разумно взять то, что дешевле и проще подключить, гнаться за самой мощной моделью на рынке необязательно. При стандартном интерфейсе подключения смена модели в коде обычно занимает несколько часов.
2. Спроектировать промпт. Самая недооценённая по времени часть. Первая версия промпта обычно работает на стандартных запросах и ломается на нетипичных, их нужно найти и учесть отдельно.
3. Подключить инструменты. Написать функции, которые агент будет вызывать, и описать их так, чтобы модель понимала, когда какую использовать. Здесь же закладываются ограничения: что агент делает сам, что только предлагает на подтверждение человеку.
4. Прогнать тесты. Не юнит-тесты в привычном смысле, а десятки и сотни реальных диалогов, включая нетипичные и провокационные запросы, чтобы увидеть, где агент ошибается или выходит за рамки.

По нашей оценке, для агента с одним-двумя инструментами и понятным сценарием разработчик с опытом тратит от одной до трёх недель. Основное время уходит на шаги 2 и 4: промпт и тесты, написание самого кода интеграций обычно быстрее. С каждым добавленным инструментом срок растёт быстрее, чем кажется: инструменты начинают взаимодействовать друг с другом, и число сочетаний для тестирования увеличивается с каждым новым инструментом.

Путь 3. Подрядчик: когда это оправдано и как выбрать

Обращаться к подрядчику имеет смысл в трёх случаях: в команде нет разработчика и нанимать его под одну задачу невыгодно; сценарий требует нескольких интеграций с продакшн-системами (CRM, 1С, склад), где ошибка стоит дорого; сроки жёстче, чем позволяет обучение сотрудника на ходу.

При выборе подрядчика стоит проверить четыре вещи:

• Живое демо. Работающий агент, с которым можно пообщаться до оплаты. Слайды и чужие кейсы такой проверки не заменяют.
• Фикс-цена на этап. Фиксированная стоимость означает, что подрядчик уже оценил объём работы. Открытая вилка без верхней границы обычно означает, что оценки пока нет.
• Пилот с заранее описанными критериями успеха. Конкретные метрики: сколько запросов агент закрывает без человека, в какой момент передаёт диалог оператору.
• Обработка данных в РФ, если речь о персональных данных клиентов: где физически стоит сервер и через какие API идут запросы. Это прямо влияет на соответствие 152-ФЗ.

Большинство агентств на рынке цену публично не называют: по нашему обзору 15 крупных ИИ-агентств из открытого рейтинга 13 из 15 цену на сайте не указывают. По нашей оценке рынка агент с RAG на готовой базе знаний стоит 150-200 тысяч рублей и занимает 3-8 недель, а агент с несколькими интеграциями начинается от 200 тысяч рублей, в сложных случаях (несколько систем, нестандартная логика) доходит до 3 миллионов рублей. Из открытых примеров: у Nodalio реализация готового агента Digital Broker стоит от 19 900 ₽, версия под ключ с пакетом документов по 152-ФЗ от 39 900 ₽. Это готовый продукт с открытой фиксированной ценой, отдельный от индивидуальной разработки с нуля.

Читайте также: ИИ-агенты для бизнеса: что это и какие задачи решают и Сколько стоит внедрение ИИ

Частые ошибки самостоятельной сборки

Когда агента собирают своими силами в первый раз, повторяются одни и те же промахи.

Нет ограничений на действия. Агенту дают доступ к функции «отправить письмо» или «оформить возврат» без разделения на то, что он делает сам, и то, что должен сначала предложить человеку. Через месяц работы это заканчивается письмом не тому адресату или возвратом, которого не должно было быть.

Нет логов. Никто не записывает, какой запрос пришёл, что решил агент и какой инструмент вызвал. Когда клиент жалуется на странный ответ, разобраться, что произошло, невозможно: остаётся только верить на слово.

Персональные данные уезжают в зарубежные API. Агент передаёт имя, телефон, адрес клиента в модель, запрос к которой физически обрабатывается за пределами РФ. Для бизнеса, который работает с персональными данными российских граждан, это прямой вопрос к 152-ФЗ, и он не решается фразой «мы же просто тестируем».

Нет метрик качества. Агента запускают в работу и не измеряют, в каком проценте диалогов он решает вопрос без передачи человеку, где именно ошибается и сколько стоит один диалог. Без этих цифр нельзя сказать, работает агент лучше человека или хуже, только предположить.

Сам или подрядчик: короткая развилка

Частые вопросы