Что такое ИИ-агенты и чем они отличаются от чат-ботов

Чат-бот отвечает на сообщения, а агент выполняет задачи. Формально агентом называют систему, в которой языковая модель находится в цикле: она наблюдает состояние среды, принимает решение о действии, получает результат и корректирует дальнейшее поведение.

Ключевое отличие — автономность на уровне шагов. Вместо одного запроса-ответа агент выполняет десятки итераций: ищет информацию, вызывает API, запускает код, проверяет себя. Классическая схема такого цикла называется ReAct (Reasoning + Acting): модель чередует рассуждения и действия.

Важно понимать: агент — это не одна модель, а инженерная обвязка вокруг неё: планировщик, инструменты, память, механизмы проверки. Качество агента определяется не только способностями модели, но и тем, насколько грамотно выстроен этот цикл.

Архитектура агента: планирование, память, инструменты

Типовой агент состоит из четырёх блоков. Ядро-LLM принимает решения. Планировщик разбивает задачу: от простой декомпозиции списком до динамического перепланирования, когда агент на середине задачи меняет курс.

Инструменты — это функции, которые модель может вызвать: поиск, интерпретатор кода, доступ к корпоративным API. Современные протоколы вроде MCP стандартизируют подключение инструментов, поэтому агенту неважно, написан ли инструмент на Python или это внешний сервис.

Память делится на краткосрочную (контекст диалога), эпизодическую (логи прошлых запусков) и семантическую (база знаний). Практический совет: не храните всё в контексте — деградирует качество и растёт стоимость. Лучше вынести знания во внешнее хранилище и выдавать их по релевантности.

Отдельный слой — наблюдаемость: трейсинг каждого шага агента обязателен, иначе отладка превращается в угадывание. Логируйте промпты, ответы инструментов и рассуждения модели.

RAG на практике: как дать агенту доступ к знаниям

Retrieval-Augmented Generation — когда перед ответом система ищет релевантные фрагменты в базе знаний и передаёт их модели. Звучит просто, но в продакшене всё решают детали.

Чанкинг. Нарезка документов — первое место, где теряется качество. Слишком мелкие чанки теряют контекст, слишком крупные размывают релеванс. Хорошо работают семантические разделители и перекрытие между чанками.

Реранкинг. Векторный поиск быстрый, но грубый. Двухступенчатая схема — сначала кандидаты отбираются эмбеддингами, затем перегруппировка перекрёстной моделью — даёт заметный прирост точности.

Оценка. Соберите небольшой Golden Set вопросов с эталонами и измеряйте retrieval по метрикам recall@k и MRR до и после каждого изменения. Без этого любые правки RAG — стрельба вслепую.

Для агентов RAG — не опция, а база: без внешних знаний агент ограничен тем, что модель выучила при обучении, и быстро галлюцинирует на узких темах.