Что такое ИИ-агент и с чем его едят

Вокруг термина «ИИ-агент» сейчас много разговоров, но, кажется, гораздо меньше общего понимания того, что именно этим словом называют.

Для кого-то ИИ-агент — это почти самостоятельная цифровая личность. Для кого-то — виртуальный сотрудник. У кого-то слово «агент» вызывает ассоциации с Агентом Смитом из «Матрицы»: автономная сущность, которая ходит по системе и что-то делает.

На практике всё настолько проще, что для кого-то может быть и сложнее. И, возможно, проблема именно в слове.

Когда мы говорим «агент», легко представить некий объект, обладающий собственной волей, характером и автономностью.

Но большинство современных ИИ-агентов устроены значительно прозаичнее.

У них есть:

Этот цикл часто называют agentic loop.

В упрощённом виде он выглядит так:

Именно наличие этого цикла отличает агента от обычного однократного вызова LLM.

Если вы отправили модели запрос:

> «Напиши функцию сортировки».

И получили ответ — это просто вызов модели.

Но если модель может:

— перед нами уже гораздо более очевидный пример агентного поведения.

И один из самых простых для понимания агентов сегодня — это обычный чат в Claude Code или Codex.

Вы ставите задачу. Система начинает работать в цикле:

подумать → использовать инструмент → получить результат → снова подумать → использовать следующий инструмент.

Иногда этот цикл состоит из двух шагов. Иногда — из сотни.

Но идея остаётся той же.

Само по себе языковой модели недостаточно.

Модель умеет генерировать следующий токен. Она не умеет сама по себе читать файлы, выполнять код, открывать браузер или изменять базу данных. Вернее она умеет, но при наличие инструментов.

Для этого вокруг модели создаётся окружение.

Обычно в нём находятся:

В последнее время для такого окружения всё чаще используется слово harness.

Если очень грубо, harness — это инфраструктура, которая позволяет LLM не просто отвечать на вопрос, а работать.

Например, Claude Code — это не просто модель Claude.

Вокруг модели существует целая среда:

Модель находится внутри этого окружения и может взаимодействовать с ним.

И здесь начинается интересная терминологическая путаница.

На этот вопрос нет одного универсального ответа.

В некоторых определениях агент — это:

LLM + agentic loop + tools + environment.

То есть harness фактически и есть агентная система.

В других определениях harness — это инфраструктура, внутри которой работает агент.

Можно условно провести границу так:

Harness отвечает за то, где и как можно работать.

Агент отвечает за то:

что делать дальше и как достичь цели.

Но и здесь всё не так просто.

Потому что цель агента может быть передана пользователем:

> Исправь этот баг.

А может уже находиться внутри самого harness.

Например:

> Каждые 10 минут проверяй систему. Если обнаружена проблема — диагностируй её и попробуй исправить.

В этом случае отдельного пользователя, который каждый раз ставит цель, вообще не нужно.

Поэтому спорить о том, где именно находится граница между Agent и Harness, не всегда особенно полезно.

Гораздо важнее понимать сам механизм.

Есть модель.

Есть доступное ей окружение.

И есть цикл:

наблюдение → решение → действие → новый результат.

Следующий шаг произошёл довольно естественно.

Если один агент может выполнять работу в цикле, почему бы не создать несколько специализированных агентов?

Например:

И здесь возникает новая структура.

Работа больше не выглядит как один простой цикл. Она начинает выглядеть примерно так:

Agent A → Agent B → проверка → Agent C → Agent A → человек → Agent D

То есть перед нами уже не просто loop. Перед нами graph.

Современные агентные системы всё чаще строятся именно так: как набор узлов, между которыми передаётся состояние и управление.

Один узел может быть LLM.

Другой — инструментом.

Третий — отдельным специализированным агентом.

Четвёртый — обычным программным кодом.

Пятый — человеком.

Именно поэтому терминология постепенно меняется.

Сначала все говорили о промптах. Потом стало важно, как построить harness вокруг модели. Затем — как правильно организовать loop. А теперь всё чаще говорят о graphs.

И, соответственно, появляются почти модные названия профессий.

Сначала было круто быть Prompt Engineer. Потом появились люди, которые называли себя Harness Engineer или Loop Engineer. А сейчас все стали Graph Engineer.

Конечно, названия могут меняться быстрее, чем реальные технологии.

Когда агентные системы начинают выполнять длинные последовательности действий, возникает очевидный вопрос:

В какой момент должен вмешиваться человек?

Для этого существует распространённый паттерн Human in the Loop, или HITL. Внутри процесса создаётся checkpoint. Система может самостоятельно выполнить определённую часть работы, но в какой-то момент останавливается.

Например:

> Вот результаты анализа. Какое решение принимаем?

Или:

> Я подготовил три варианта. Выберите один.

Или:

> Я собираюсь удалить эти данные. Подтвердите действие.

После решения человека процесс продолжается.

На схеме современного агентного графа человек выглядит не как внешний наблюдатель. Он является одним из узлов системы.

И именно здесь, возможно, происходит гораздо важное изменение.

Мы привыкли измерять работу действиями.

Написать документ.

Обработать таблицу.

Сделать расчёт.

Написать код.

Подготовить презентацию.

Ответить на 50 писем.

Но большая часть этой работы состоит не только из механических действий.

Внутри неё постоянно происходят решения.

Какой вариант выбрать?

Что считать ошибкой?

Какие данные использовать?

Как интерпретировать результат?

Что делать дальше?

Раньше человек часто был вынужден выполнять огромное количество промежуточной работы, чтобы вообще дойти до момента принятия решения.

Например:

найти информацию → прочитать документы → собрать данные → обработать таблицу → построить отчёт → сравнить варианты → принять решение.

ИИ постепенно начинает забирать себе всё больше промежуточных шагов.

А человек появляется в checkpoint'ах.

Не обязательно для того, чтобы выполнить работу руками.

А для того, чтобы сказать:

> Да, этот вариант.

> Нет, риск слишком высокий.

> Используем другой подход.

> Продолжаем.

> Останавливаемся.

И тогда решение становится отдельной единицей работы — unit of work.

Возможно, именно это и является одним из самых важных последствий повсеместного внедрения ИИ.

Не то, что люди перестанут работать.

А то, что структура работы изменится.

Раньше человек мог тратить 80% времени на выполнение промежуточных операций и 20% — на принятие решений.

Теперь всё больше промежуточной работы могут выполнять агентные системы.

И человеческое участие концентрируется в точках, где требуется выбрать направление.

То есть человек постепенно превращается в один из узлов большого графа.

Но, возможно, в самый дорогой узел.

Потому что вычисления можно масштабировать.

Количество агентов можно увеличить.

Инструменты можно запускать параллельно.

А вот качественное решение всё ещё остаётся ограниченным ресурсом.

Если раньше главным вопросом было:

«Что может сделать ИИ?»

то, возможно, следующий важный вопрос будет звучать так:

«Какие решения всё ещё должен принимать человек — и какие из них вообще стоят человеческого времени?»

Всем успехов в освоении ИИ!