AI-агенты: чем отличаются от чат-бота и зачем оно вообще

Я внедряла «ИИ» в продукты в трёх компаниях подряд. Сначала это были чат-боты на правилах, потом чат-боты на промптах, теперь — агенты. Слова похожие, суть разная. Расскажу, как сама себе это объясняла, когда впервые услышала «agent» и не поняла, чем оно отличается от того, что я уже делала.

Чат-бот — отвечает

Чат-бот в его честном виде: пользователь пишет → бот пишет ответ. Что под капотом — неважно. Это может быть набор условий («если в сообщении слово отмена — переключи на менеджера»), это может быть RAG-поиск по базе знаний, это может быть промпт к LLM с парой инструментов вроде «найди заказ по номеру». Главное — поведение: одно сообщение в одну сторону, один ответ в другую.

В большинстве компаний под «ИИ-помощником» имеется в виду именно это. И это нормально: в 70% задач этого достаточно.

Агент — действует

Агент — это система, которая не просто отвечает, а сама решает, какие шаги предпринять, и выполняет их в цикле, пока задача не решена.

Простой пример. Пользователь пишет: «Подбери мне 5 отелей в Тбилиси на даты 12–18 июня, до 80 долларов за ночь, рядом с центром, и забронируй самый удобный по моим критериям». Чат-бот не справится: задача требует поиска во внешнем источнике, оценки, выбора, действия. Агент:

1. Понял задачу. Разбил на подзадачи.
2. Дёрнул tool «поиск отелей» с нужными параметрами.
3. Получил список из 30 вариантов. Применил критерии.
4. Сравнил топ-5 по дополнительным параметрам.
5. Дёрнул tool «бронирование» для выбранного.
6. Сообщил пользователю результат.

Между шагами — самостоятельные решения. Агент сам выбирает, какой инструмент позвать следующим, не по жёсткому сценарию, а на основе того, что вернул предыдущий шаг.

Что технически делает агента агентом

Три вещи:

• Цикл рассуждений. LLM получает контекст, выбирает действие, выполняет, получает новый контекст и снова выбирает.
• Инструменты (tools). Список функций с описаниями, которые модель может вызывать. Поиск, чтение базы, создание заказа, отправка письма.
• Память. Контекст накапливается от шага к шагу: что уже сделали, что узнали, чего достигли.

В коде это выглядит как loop, который вертится, пока модель не скажет «всё, я закончила, вот ответ».

while (!done) {
  const response = await llm.run({
    messages,
    tools,
  });
  if (response.tool_calls) {
    for (const call of response.tool_calls) {
      const result = await executeTool(call);
      messages.push({ role: 'tool', content: result, tool_call_id: call.id });
    }
  } else {
    finalAnswer = response.content;
    done = true;
  }
}

Где агенты реально полезны

На моём опыте — три класса задач:

• Многошаговые поручения. Найди-сравни-сделай. Бронирование, заказ, оформление документов.
• Обработка длинных потоков. Прочитай 50 писем, классифицируй, ответь на простые сам, остальные передай менеджеру.
• Исследовательские задачи. Собери информацию по теме из 10 источников, сделай сводку.

Где агент не нужен — простой вопрос-ответ по документации, FAQ, форма обратной связи. Если у тебя задача укладывается в один промпт — не делай агент. Чат-бот дешевле, надёжнее, проще в эксплуатации.

Что подстерегает

Цена. Агент с длинной цепочкой может за один запрос пользователя сделать 10–15 вызовов модели. Если каждый — это 5–10к токенов, разговор стоит дорого. Считай токены и кэшируй системный промпт и описания инструментов.

Зависание. Агент может уйти в петлю «вызвал инструмент → получил странный ответ → вызвал тот же инструмент с другими параметрами → опять странный → и так 30 раз». Ставь предельное число шагов и контролируй.

Безопасность. Если у агента есть инструмент «отправить email» — он может его вызвать с любыми аргументами. Никогда не давай агенту инструменты с побочными эффектами без подтверждения пользователя или без жёсткой валидации входов.

Сценарий, который у нас работает в проде

Внутренний агент-ассистент менеджера поддержки. Получает тикет, читает историю клиента в нашей CRM (через MCP-сервер), смотрит логи системы, сверяется с базой знаний, формирует черновик ответа и предлагает менеджеру. Решение «отправить» всегда за человеком. Менеджер кликает «принять» и тикет закрывается. На простых тикетах экономия 80% времени, на сложных — 20%, и это нормально.

Что в итоге

Не любая «ИИ-фича» должна быть агентом. Большинству продуктов хватит чат-бота с парой инструментов. Агентов имеет смысл строить там, где задача реально многошаговая и где у тебя есть инструменты для каждого шага. И начинай с малого: один сценарий, два-три инструмента, человек на финальном шаге. После этого расширяй.