Как я на спор делал ИИ-агента без кода и забрал кэш
Поспорил с коллегой, что соберу ИИ-агента за вечер. Проверил два подхода: Ollama + Continue и no-code. В статье — что реально работает, что — полный провал, и как я всё-таки выиграл этот спор.
AI-агенты давно стали не только моими рабочими напарниками, но и большинства коллег. Например, разработчики гоняют агента по коду: тот подсказывает, как починить баг или где найти нужный кусок документации. Для менеджеров он собирает отчёты, расставляет задачи, напоминает, что горит. Аналитики — грузят в ИИ данные, а тот сразу вытаскивает важное.
По сути, ИИ-агент — это программа, которая умеет работать с разными инструментами и выполнять то, что вы попросите. Но не просто «найти в гугле», а именно поработать: проверить гипотезу, собрать таблицу, сгенерировать код, помочь с проектом. Причём настроить его можно под себя — под то, чем вы реально занимаетесь.
В этой статье покажу, как легко сделать своего ИИ-агента, даже если вы не айтишник. Разберём два подхода с кодом и без, а также какие фишки работают, какие — нет, и как это можно применить в вашей профессии.
Зачем нужны AI-агенты и как они работают
Чуть подробнее, что умеют ИИ-агенты на практике:
- Помогают с кодом и не только. Если вы разработчик — агент может на лету писать код, искать баги, предлагать тесты. Я часто так и делаю: экономлю кучу времени на рутинной работе.
- Упрощают менеджмент. Коллеги-менеджеры настраивают агентов под свои задачи: планирование встреч, составление отчётов, трекинг задач в проекте. Причём всё это не нужно «держать в голове» — агент сам напоминает, что важно.
- Работают с данными. Знакомые аналитики гоняют своих агентов по массивам данных: «покажи тренды», «что изменилось за неделю», «вытяни инсайты».
- Помогают принимать решения. Маркетологи используют агентов, чтобы разбирать результаты кампаний или искать свежие идеи. Дизайнеры — чтобы ловить тренды и генерировать концепты.
Фишка в том, что агента можно настроить под свой стиль работы. Например, я сделал так, чтобы мой агент писал код в определённом стиле и сразу проверял на уязвимости. А менеджер из нашей команды — чтобы агент автоматически собирал сводки по итогам недели и отправлял их в чат.
Как работают AI-агенты
Под капотом у AI-агентов крутятся большие языковые модели — например, Mistral, Llama или те же модели от OpenAI. Они натренированы на огромных массивах текстов и умеют понимать запросы и генерировать осмысленные ответы.
Как это работает на практике:
- Вы даёте задание. Например, пишу агенту: «собери план проекта» или «напиши функцию на Python для сортировки списка». Агент понимает, что от него хотят, и отвечает с учётом контекста.
- Он подключается к инструментам. Сам по себе агент — не волшебник. Чтобы быть полезным, он ходит за нужной инфой: лезет в интернет, обращается к базе данных или, например, напрямую в IDE, чтобы посмотреть код.
- Выбирает, что делать. Иногда агент просто отвечает, иногда — пишет код, строит таблицу или запускает нужную команду. У продвинутых агентов есть фишка: они умеют «разложить» сложную задачу на шаги и решать её поэтапно.
- Учится под вас. Самое интересное — агент может адаптироваться. Например, я люблю, когда код оформлен в определённом стиле
2 подхода к созданию AI-агентов
Собрать AI-агента сегодня проще, чем кажется. Подходов несколько — всё зависит от того, что вы хотите получить и сколько времени готовы вложить. Я перебрал разные варианты — делюсь тем, что работает на практике.
No-code платформы (Relevance AI, CodeGPT) — для быстрого старта
- Настройка: минимальная
- Что нужно уметь: ничего, просто щёлкать мышкой
- Примеры: Relevance AI, CodeGPT
Если нужно быстро собрать агента «на попробовать» или для нетехнических задач — ноу-код платформы решают. Выбираете шаблон, настраиваете в пару кликов — и агент готов.
Я делал так бота для менеджера, который собирает сводки по задачам. Коллега — генератор скриптов на CodeGPT. Порог входа — нулевой. Да, гибкости тут меньше, чем у фреймворков, но зато можно за пару часов запустить рабочий вариант.
Локальные инструменты (Ollama, Continue) — для тех, кто хочет конфиденциальности
- Настройка: средняя
- Что нужно уметь: уметь установить ПО и немного его настроить
- Примеры: Ollama, Continue для VS Code
Если вы работаете с чувствительными данными или не хотите гонять всё в облако — ставите Ollama, загружаете модель (например, Mistral), и у вас локальный агент.
Я у себя сделал связку с VS Code через Continue — теперь агент прямо в редакторе подсказывает код, ищет баги, помогает с тестами. Всё работает на локальной машине, никакие данные наружу не уходят. Настройка простая — за вечер можно разобраться.
Но AI-агенты — это не только про «поиграться» или собрать себе помощника в IDE. Во многих компаниях их уже внедряют как полноценные рабочие инструменты. Например, помощник с генеративным AI Minerva Copilot легко встраивается в любые корпоративные системы и быстро находит информацию о продуктах, процессах и регламентах в зависимости от контекста — для этого даже не нужно переключаться между окнами.
Он полностью защищён и работает без интернета на базе технологий различных провайдеров: Naumen, AutoFAQ и других партнёров. Minerva Copilot анализирует статьи в системе управления знаниями Minerva Knowledge и формулирует ответы сразу со ссылками на источники. Это особенно полезно для команд клиентского сервиса, разработки, технической поддержки, продаж и HR.
Берёмся за создание своего AI-агента
В этой части покажу конкретные примеры, как собрать своего AI-агента тремя способами, что уже упомянул: с помощью фреймворков (например, LangChain), через локальные инструменты (Ollama + Continue) и на no-code платформах (Relevance AI, CodeGPT).
Для каждого подхода у меня заготовлены простые шаблоны — подойдут и новичкам, и тем, кто хочет быстро протестировать идеи.
Но чтобы не увязнуть в сложном коде, начнём с самого доступного — с no-code. Посмотрим, что можно собрать быстро без строчки программирования. А уже потом перейдём к более «гиковским» вариантам для тех, кто хочет глубокой кастомизации.
No-code платформы (Relevance AI, CodeGPT): быстрая настройка
Relevance AI
Он позволяет быстро и легко создать ИИ-агента через визуальный интерфейс.
Что делать:
- Зайдите на сайт Relevance AI и зарегистрируйтесь (бесплатный тариф подойдёт).
- Выберите создание нового агента, например: "VC Digest Writer".
- Настройте ИИ-агента, указав, какие задачи он должен выполнять (например, читать заголовки на VC и отдавать их в виде отчёта со ссылками).
- Запустите ИИ и протестируйте его с помощью простого запроса, например: "Проверь сайт и скажи, что почитать сегодня".
Ответ будет выглядеть примерно так:
Вуаля, теперь у вас есть свой личный ИИ-агент, хотя вы всё так же не айтишник.
CodeGPT
CodeGPT больше подходит для разработчиков. Но и здесь всё просто:
- Регистрируетесь на CodeGPT.
- Выбираете шаблон «Coding Assistant».
- Пишете, например: «Напиши функцию на JavaScript для проверки палиндрома».
- Агент сразу выдаёт готовый код, который можно использовать в проекте.
Я часто так проверяю идеи или быстро генерирую простые функции — когда лень писать с нуля.
Пример кода от CodeGPT (гипотетический результат)
Как использовать: просто скопируйте сгенерированный код и вставьте в свою среду разработки. Всё — можно тестировать. Такие no-code платформы, как CodeGPT, хороши тем, что позволяют быстро получать рабочие сниппеты — без ручного набора и без лишней возни.
Локальные инструменты (Ollama, Continue): Настройка и использование
В этом примере покажу, как настроить локального ИИ-агента с помощью Ollama и плагина Continue для VS Code. Такой агент будет работать прямо в редакторе и помогать с кодом — подсказывать, генерировать функции, искать баги.
Как настроить:
- Установите Ollama на компьютере (скачайте с официального сайта и проверьте с помощью `ollama --help`)
- Загрузите модель, например, `qwen2.5-coder:7b`, которая требует около 8 ГБ RAM:
В терминале или powershell окне запустите:
- Установите расширение Continue в Visual Studio Code (доступно в marketplace).
- Настройте Continue.
Как описано в документации continue, нужно создать файл config.json
И добавить туда этот код:
Как использовать: После настройки просто выделяете нужный кусок кода в VS Code, нажимаете Cmd + Shift + R (или аналог на Windows) — и пишете запрос, например: «Объясни этот код» или «Найди ошибку».
Агент работает локально, так что весь код остаётся на вашем устройстве — для задач с конфиденциальными данными это отличный вариант.
Можно ли использовать AI-агентов в вашей профессии?
AI-агенты легко подстраиваются под задачи почти любой профессии. Вот примеры, как их реально используют:
- Разработчики. Пишут код, чинят баги, генерируют тесты. Агент на LangChain помогает разбираться в доке и подсказывает решения. Локальный агент в VS Code (через Ollama + Continue) делает автодополнения и помогает с кодом без «утечки» в облако.
- Менеджеры проектов. Автоматизируют рутину: отчёты, напоминания, планирование. Через Relevance AI можно настроить агента, который сам отправляет апдейты по проекту и напоминает о дедлайнах.
- Аналитики данных. Гоняют агента по данным: он парсит CSV, ищет аномалии, строит графики. Можно собрать такого агента с LangChain или подключить к BI-инструментам.
- Маркетологи. Анализируют кампании, пишут тексты, ищут идеи. Агент на LangChain может собирать свежие тренды, а CodeGPT — генерировать посты или тексты для лендингов.
- Творческие профессии. Дизайнеры и копирайтеры используют агентов, чтобы генерировать идеи, тексты или концепты. Например, CodeGPT помогает с описаниями, а Relevance AI — с визуальными идеями.
- Преподаватели и тренеры. Создают учебные материалы, вопросы для тестов, объяснения сложных тем. Локальный агент на Ollama хорош для задач, где важна конфиденциальность данных.
Ограничения и этические вопросы
Как бы круто ни звучали ИИ-агенты, у них есть нюансы, о которых стоит помнить:
- Ошибки и неточности. Агент может ошибаться: выдавать устаревшую инфу, предлагать нерабочий код или странно интерпретировать данные. Всегда проверяйте результаты — особенно в критических задачах.
- Конфиденциальность. Если вы используете облачные сервисы, часть данных уходит на внешние серверы. Для чувствительных задач лучше запускать агентов локально (например, через Ollama) — но это потребует чуть больше настройки.
- Этика и ответственность. Кто отвечает за ошибки или плагиат, если контент сгенерировал агент? Этот вопрос пока открыт. Плюс модели могут неосознанно усиливать предвзятость — например, в маркетинговых анализах или HR-скриптах.
- Привыкание. Если полностью полагаться на ИИ-агентов, можно потерять навык думать самому — особенно это актуально для новичков. Агент — это помощник, а не замена экспертизы.
А вы пробовали создавать своих ИИ-агентов? Расскажите, какие способы тестировали!
У Minervasoft есть свой блог в Telegram. Там выходят статьи про ИИ и управление знаниями, обсуждаются спорные вопросы в найме, менеджменте и планировании. Ждём вас в блоге :)