Что такое ИИ-агент простыми словами?
ИИ-агент — это программа на основе языковой модели, которая получает цель и самостоятельно выбирает шаги для её достижения: ищет информацию в базе знаний, обращается к внешним сервисам, уточняет недостающие детали и формулирует итоговый ответ. Ключевое отличие от обычного чат-бота в том, что последовательность действий не прописана заранее — агент выстраивает её под конкретный запрос.
Представьте вопрос сотрудника: «Могу ли я взять отпуск на две недели в декабре, если недавно был на больничном?» Чат-бот со сценариями ответит общей ссылкой на регламент. Агент разложит задачу: найдёт правила переноса отпуска, проверит остаток дней в кадровой системе, сопоставит с ограничениями по декабрю и вернёт конкретный ответ со ссылкой на пункт документа.
Из каких частей состоит ИИ-агент?
Агент собирается из четырёх слоёв: языковая модель как «мозг», база знаний с фактами компании, набор инструментов для действий во внешних системах и слой инструкций, задающий рамки поведения. Отдельно стоит память — она позволяет учитывать предыдущие реплики диалога и не переспрашивать то, что пользователь уже сообщил.
- Модель. Отвечает за понимание запроса и формулировку. Как правило, берут готовую языковую модель, а не обучают свою.
- База знаний. Регламенты, документация, история обращений. Обычно подключается через RAG — поиск по документам перед ответом.
- Инструменты. Функции, которые агент может вызвать: поиск по каталогу, создание тикета, проверка статуса заказа.
- Инструкции. Правила: о чём агент говорит, о чём не имеет права, когда обязан передать диалог человеку.
- Память. Контекст текущего диалога, а иногда и профиль пользователя между сессиями.
Чем ИИ-агент отличается от чат-бота и ассистента?
Различие проходит по степени самостоятельности. Чат-бот следует жёсткому сценарию и не выходит за его рамки. Ассистент отвечает на свободные вопросы, но обычно ограничен диалогом. Агент дополнительно совершает действия во внешних системах и сам выбирает их последовательность, поэтому ему нужны не только знания, но и чётко очерченные границы полномочий.
На практике граница между ассистентом и агентом размыта: многие продукты называют агентами системы, которые лишь отвечают по базе знаний. Практичнее смотреть не на название, а на два вопроса: может ли система выполнить действие и кто решает, какой шаг следующий.
Где ИИ-агенты действительно работают?
Наибольший эффект агенты дают там, где много однотипных обращений и существует письменный регламент ответа. Это поддержка клиентов, внутренние вопросы сотрудников по кадрам и ИТ, подбор товара по параметрам, первичная обработка заявок. В таких сценариях данные уже накоплены в виде переписки и документов — их остаётся привести в пригодный для агента вид.
Слабее всего агенты справляются там, где решение требует ответственности и неформального контекста: спорные случаи, исключения из правил, переговоры об условиях. Разумная схема — агент закрывает типовое, а нетипичное передаёт человеку вместе с собранным контекстом.
Почему агент ошибается и как это чинить?
Главная причина ошибок — не модель, а данные. Если в базе знаний лежат противоречащие друг другу версии регламента, агент выберет одну из них наугад. Если границы поведения не описаны, он ответит на вопрос, на который отвечать не должен. Если качество ответов никто не измерял, ошибки просто остаются незамеченными до жалобы клиента.
Порядок действий при разборе ошибок обычно такой:
- Собрать контрольный набор вопросов с известными правильными ответами.
- Прогнать его и разметить каждый ответ: верно, неполно, неверно, вышел за рамки.
- Разобрать причину по каждой ошибке: нет документа, документ устарел, поиск не нашёл, модель исказила найденное.
- Исправить данные и повторить замер на том же наборе — так видно, помогло ли изменение.
Смена модели на более мощную обычно даёт меньший прирост, чем чистка базы знаний: она устраняет ошибки формулировок, но не добавляет фактов, которых в документах нет.
Какие данные нужны, чтобы агент отвечал точно?
Агенту нужны четыре набора данных: очищенная база знаний, разбитая на смысловые фрагменты; описание сценариев и границ поведения; примеры эталонных ответов в тоне компании; и контрольный набор вопросов для замера качества. Без последнего пункта улучшения превращаются в догадки — нет способа доказать, что новая версия отвечает лучше предыдущей.
Подготовка этого слоя — отдельная работа, которая обычно занимает больше времени, чем сборка самого агента. Мы закрываем именно её: приводим базу знаний в пригодный для поиска вид, описываем сценарии и рамки, собираем контрольные вопросы и замеряем долю корректных ответов до и после доработок. Подробнее — на странице ИИ-агенты для бизнеса.