Хабр, привет! На связи Сергей Козлов, директор разработчика CRM-системы «Мегаплан» и базы знаний с ИИ-помощником Collabis. Хайп вокруг нейросетей продолжается: им делегируют разработку, тестирование, рефакторинг и многое другое.
Но так ли искусственный интеллект всемогущ? Почему он не терпит беспорядка и где сворачивает не туда? Вместе с Игорем Суховерховым, руководителем разработки Collabis, мы решили найти ответы на эти вопросы.
Кто вообще такие эти агенты
Сегодня нейросети действительно могут быть не просто ассистентами, а полноценными агентами. Ключевое отличие чат-ботов от агентов в том, что вторые проактивны: человек ставит цель — а ИИ сам решает, как её достичь: делит задачу на шаги, ищет информацию и выдаёт результат, а не просто ответ. Например, агент способен не только найти ошибку в коде, но и самостоятельно исправить её и сохранить файл.
Также AI-агента можно подружить с внешними ресурсами: почтой, календарём, Базой знаний и другими системами. Например, агент может изучить продуктовую аналитику в Яндекс Метриках и на основе этих данных подкрутить рекламную кампанию через Яндекс Директ, сделав её эффективнее.
Есть даже целые мультиагентные системы, которые объединяют нескольких агентов для решения одной многосоставной задачи. Интересно, что благодаря протоколу MCP агенты из разных стран могут стандартизированно подключаться к внешним сервисам, для этого нет технических преград.
Наш ИИ-опыт
Мы тоже развиваем ИИ внутри своего продукта — онлайн-блокнота Collabis со встроенной Базой знаний. Начинали с внедрения кнопки редактирования текста и генерации нового на заданную тему. Однако пользователям эта функция не особо зашла — вероятно потому, что с ИИ привычнее переписываться в формате чата. Поэтому мы пошли дальше.
Сейчас есть поиск с использованием ИИ, который позволяет находить информацию по всему своему пространству, в том числе используя синонимы и другие языки. Например, по запросу «короткие видео» отыщутся и рилсы, и шортсы.
А недавно мы внедрили AI-агента, который умеет работать с Базой знаний. С помощью предложенных промптов его можно настроить под разные задачи. А именно:
-
искать информацию по всему своему пространству;
-
редактировать тексты;
-
собирать аналитику;
-
планировать задачи по Канбану.
Также можно добавить триггеры, при активации которых агенты будут работать автономно — запускаться по расписанию или когда пользователь совершает определённое действие.
Агент может готовить отчёты к еженедельным совещаниям. А если использовать таск-менеджер, то можно сделать так, чтобы, когда разработчик переносит задачу в колонку «Готово», она падала на тестировщика — причём вместе с техзаданием, написанным ИИ. Или даже поручить тестирование самому агенту.
Для личных дел это тоже может быть полезно: например, если вы соберётесь в путешествие, мультиагент составит маршрут до пункта назначения и план поездки с учётом возраста и интересов тех, кто едет. А потом — сможет сделать чек-лист мест, которые надо посетить, и на основе ваших заметок написать пост для соцсетей.
Внедрение мультиагента кратно повысило нам активность. В то же время мы заметили, что многие считают агентов чуть ли не всемогущими: мол, сделают что угодно — только запрос напиши. Хочется немного спуститься с небес на землю и рассказать, какие есть подводные камни.
Что важно учитывать при работе с AI-агентами
Лишнее — в мусорку
Качество работы агента сильно зависит от того, насколько структурирована ваша База знаний. Если там бардак, то и ответы ИИ будут неточными. Поэтому если хотите классных результатов — приберитесь в своих файлах. Сделать это, конечно, тоже можно с помощью ИИ.
Погрузить в контекст — это база
Многие представляют автоматизацию слишком буквально: написал агенту «сделай круто» и пошёл отдыхать. Но, увы, результат в таком случае будет прямо противоположным. Агенты не сделают за вас всю работу.
Например, чтобы искусственный интеллект справился с задачей написать статьи для блога, нужно детально погрузить агента в контекст. На какие темы уже есть материалы? Что за цвета используются в фирменном стиле? Это далеко не все вопросы, ответы на которые пойдёт искать ИИ, прежде чем приступить к делу. Просто написать «сделай и залей на сайт» не выйдет.
Примечательно, раньше при запросе к ИИ ключевыми были именно промпты: нужно было детально прописать задачи нейросети, дать команду. Потом во главу угла встал контекст — совокупность знаний, к которым может обратиться агент. А современный подход к работе с ИИ — это луп-инжиниринг: как агент выполняет поставленную задачу, пользуется инструментами.
Сейчас много возможностей купить преднастроенние промпты под определённые задачи. Но это далеко не всегда эффективно, потому что всё решает контекст, да и агент сам способен написать себе нужный промпт. Кстати, один из популярных запросов к ИИ: убрать из текста признаки того, что он написан нейросетью. Такая вот рекурсия.
Каждый токен на счету
Отсюда вытекает следующая проблема: если ИИ пошёл не в ту сторону, то он тратит не только время, но и токены, которые вам доступны — бесплатно или за деньги. А их лучше использовать рационально.
Личный пример, как когда ИИ уходит не туда. Как-то мы поставили агенту задачу тестировщика — указать, какая кнопка не нажимается. Вместо этого он залез в код и пытался его починить.
У всех свои слабости
Большинство известных моделей без труда справятся с задачей, соответствующей нескольким критериям:
-
она простая и определённая;
-
пользователь может пошагово описать, как её выполнить;
-
этих шагов не очень много.
Например, таким лёгким запросом может быть создание поста. Это под силу даже авторежиму всех моделей, которые представлены у нас.
Но если для создания текста нужно прошерстить половину интернета, важно понимать, что слабая модель может в какой-то момент пойти не туда. И даже начать галлюцинировать, давая ссылки на сайты, которых на самом деле не существует.
Если вы точно не знаете, чего хотите, — с этим тоже к моделям подороже. Они проведут исследование и помогут понять, в чём на самом деле состоит задача. Думать с их помощью бывает очень продуктивно.
А ещё мультиагенты могут что-то забывать — как и мы, люди. Если искусственному интеллекту для решения задачи требуется совершить 50 шагов и вызвать энное количество систем, то он вполне может запамятовать о том, что было в начале.
Для задач разработки, например, хорош Claude: его «память» лучше, чем у конкурентов.
Ручной контроль обязателен
Раньше внедрение на сайт какой-то фичи было процессом, для которого нужны много людей. Дизайнер отрисовывал макеты, а разработчик их реализовывал. Маркетолог помогал доработать ценность обновления, редактор — докрутить тексты на кнопках, а SЕО-специалист — решить, какие ключевые слова добавить. Благодаря AI-агентам всё это можно делать в одиночку и быстро проверять гипотезы. Правда, не всегда качественно — но это уже тема для отдельной статьи.
Тем не менее, сегодня решениям AI-агентов необходима валидация человека. Особенно актуально, если с помощью ИИ вы выполняете рабочие задачи. Агент сегодня — это как джуниор, чью работу обязательно должен проверить сеньор. А что выгоднее — оплатить токены или нанять крутых специалистов на большую зарплату — надо ещё посчитать.
А если бан
Если вы работаете с зарубежными моделями, всегда нужно держать в уме, что доступ к ним может быть ограничен. Поэтому всё нужно сохранять не в память самого ИИ, а в личную Базу знаний, которая останется у вас и в случае блокировки. У нас тоже прикручен MCP-сервер для такого переноса: можно создавать страницы и Базы данных, двигать задачи по Канбану, следить за выполнением KPI, писать отчёты.
Ещё один вариант: использовать внутренние решения. У руководителя разработки Collabis Игоря Суховерхова как раз есть такой Pet-проект — локальная программа, работающая с файловой системой и внешними сервисами. Этот агент, созданный на базе GPT 5.6, работает в виртуальной машине и умеет писать скрипты, поднимать веб серверы, работать с браузером, делать резюме почты и многое другое. Если будет желание бесплатно установить и протестировать агента, напишите в комментариях и я поделюсь ссылкой.
Вместо послесловия
У мультиагентов огромный потенциал, но многие пока этого не понимают и до сих пор пользуются ИИ как поисковиком — с этого, кстати, начинался любимый многими ChatGPT, в который со временем прикрутили режим размышления и Deep Research.
Когда мультиагенты станут массовыми — вопрос открытый. Обычно для возникновения интереса нужен какой-то триггер. На уровне компании им может стать слишком объёмная задача, которую лень делать и некому делегировать, кроме нейросети. Прокрастинация — двигатель прогресса! Либо же в команде должен быть тот, кого что-то решительно не устраивает — например, скорость выкатки в прод или количество продаж.
В любом случае начинать лучше с малого: тестировать одного агента, а не хвататься за всех сразу. Впрочем, втянуться очень легко. Глядишь, и со временем мультиагенты станут как айфоны: одни жить без них не могут, а другие не понимают, зачем они вообще нужны.
ссылка на оригинал статьи https://habr.com/ru/articles/1062466/