ИИ-агент — это программа, в центре которой языковая модель, а вокруг неё инструменты и память. Чат отвечает на вопрос текстом, а агент получает задачу и сам решает, какие действия нужны: вызвать поиск, прочитать таблицу, отправить письмо, проверить результат и повторить, пока задача не решена. В этой статье разбираем, как устроен этот цикл, на схеме и на реальном логе выполнения: один и тот же вопрос мы задали обычному чату и агенту с инструментом и показываем, что произошло внутри. Проверено на n8n 2.45 и локальной модели через Ollama в октябре 2026.
Что в статье:
- определение простыми словами и цикл работы агента из четырёх шагов;
- пять частей, из которых состоит агент;
- таблица отличий от чат-бота и обычной автоматизации;
- виды агентов, примеры и что можно попробовать из России;
- честный список ловушек и ответы на частые вопросы.
Оглавление:
- Что такое ИИ-агент простыми словами
- Как работает ИИ-агент: цикл из четырёх шагов
- Тот же вопрос чату и агенту: что видно в логе
- Из чего состоит агент: пять частей
- Чем ИИ-агент отличается от чат-бота, нейросети и обычной автоматизации
- Какие бывают ИИ-агенты: виды, примеры и что доступно в России
- Когда агент нужен, а когда достаточно обычной автоматизации
- Что агент не умеет и где ловушки
- Как попробовать самому: три пути
- Что дальше
- Вопросы и ответы
Что такое ИИ-агент простыми словами
Языковая модель сама по себе умеет одно: по тексту на входе предсказать текст на выходе. Сама по себе она не помнит прошлых разговоров, не заглядывает в интернет и не трогает ваши программы. Всё это ей дают снаружи. Anthropic в статье Building effective agents называет такую конструкцию «усиленной моделью»: модель плюс поиск, инструменты и память. Это базовый строительный блок, из которого собираются и простые сценарии автоматизации, и агенты.
Разница между сценарием и агентом в том, кто принимает решения. В сценарии путь задан заранее: разработчик написал, какие шаги и в каком порядке выполнить, а модель только пишет или классифицирует текст в нужном месте. В агенте порядок шагов выбирает сама модель: она смотрит на задачу, решает, какой инструмент вызвать, получает результат и решает снова. Документация n8n формулирует это одной фразой: агент — это цепочка, которая умеет принимать решения.
На бытовом примере. Вопрос «Как составить отчёт по расходам?» — это для чата: он объяснит порядок действий. Задача «Подготовь отчёт по расходам за квартал» — это для агента: он найдёт таблицу, сложит суммы, соберёт документ и покажет вам на проверку. Сам агент при этом не «умнее» чата. У него та же модель, просто к ней подключены таблица, калькулятор и шаблон документа, а программа-обвязка крутит цикл «подумай → сделай → посмотри на результат».
Про слова. «ИИ-агент» и «AI-агент» — одно и то же. «Агентный ИИ» (agentic AI) — подход в целом, когда системы строят из агентов. «Автономный агент» — не отдельный вид, а степень самостоятельности: сколько шагов агент делает без подтверждения человека.
Как работает ИИ-агент: цикл из четырёх шагов
Внутри любого агента, от узла AI Agent в n8n до агентов в ChatGPT или Алисе AI, крутится один и тот же цикл.
Шаг 1. Собрать контекст. Обвязка берёт системный промпт (роль агента, правила, описание доступных инструментов), историю диалога из памяти и новое сообщение. Всё это одним пакетом уходит в модель.
Шаг 2. Модель решает. Модель может ответить сразу, а может вернуть не текст, а структурированный запрос: «вызови инструмент с таким именем и такими параметрами». Этот механизм называется tool calling или function calling («вызов инструмента»). Документация Anthropic описывает его так: модель решает, вызывать ли инструмент, по запросу пользователя и по описанию инструмента, затем возвращает блок с именем инструмента и аргументами, а ваш код выполняет операцию и отправляет результат обратно. У GigaChat API механизм устроен так же и называется function calling.
Шаг 3. Обвязка выполняет вызов. Сама модель ничего не делает: запрос к внешнему сервису, поиск, чтение таблицы или отправку письма выполняет программа вокруг неё. Результат добавляется в контекст как ещё одно сообщение.
Шаг 4. Финальный ответ или новый круг. С результатом инструмента в контексте модель либо даёт финальный ответ, либо вызывает следующий инструмент, и цикл повторяется, пока не получится ответ или не кончится лимит итераций. В n8n этот лимит называется Max Iterations, по умолчанию 10 проходов. Anthropic отдельно советует закладывать такие ограничители и давать агенту «опору на реальность» на каждом шаге: результат инструмента или выполнения кода, по которому видно, продвинулась ли задача.
Почему модель «знает», какой инструмент вызвать? Она читает описание (description) каждого инструмента и сравнивает с задачей. Поэтому качество описаний решает больше, чем кажется: «возвращает курсы валют ЦБ на сегодня, вызывай всегда, когда нужен курс или перевод суммы в рубли» сработает, а «получить данные» — нет. На практике помогают ещё два приёма: задать агенту роль в системном промпте и опустить температуру модели (настройку случайности ответов) до нуля, чтобы выбор инструмента был предсказуемым.
Тот же вопрос чату и агенту: что видно в логе
Теория понятна, но полезнее увидеть цикл в логах. Мы собрали два сценария в n8n на одной и той же компактной открытой модели на 3 млрд параметров, запущенной локально через Ollama. Никаких ключей, подписок и доступа модели в интернет: отличие только в обвязке.
Первый сценарий: Chat Trigger → Basic LLM Chain → модель. Это обычный чат. Второй: Chat Trigger → AI Agent с памятью Simple Memory и одним инструментом get_cbr_rates, который запрашивает курсы с открытого зеркала данных ЦБ cbr-xml-daily и возвращает курсы доллара, евро и юаня. Вопрос в обоих случаях один: «Какой сегодня официальный курс доллара по данным ЦБ РФ? Сколько рублей стоят 150 долларов?»
Чат ответил честно: курса он не знает, предлагает проверить сайт ЦБ и считает «по примерному курсу 75 рублей». Это не ошибка модели, а её природа: у неё есть только знания на момент обучения и нет доступа к данным.
У агента в логе видно весь цикл. Первый вызов модели вернул не текст, а запрос на инструмент: в поле intermediateSteps стоит tool: get_cbr_rates, а в строке log — Invoking "get_cbr_rates" with {}. Инструмент сходил по адресу и вернул данные в формате JSON (структурированный текст, который модель умеет читать). Второй вызов модели получил этот JSON в контексте и написал ответ: курс 80,5573 рубля за доллар, 150 долларов — 12 083,60 рубля (модель в ответе усекла копейки до 12083.59). Это и есть официальный курс ЦБ на 31 октября 2026 года.
Обратите внимание на дерево логов: Simple Memory → Ollama Chat Model → get_cbr_rates → Ollama Chat Model → Simple Memory. Память прочитана до первого вызова и записана после ответа, а модель вызвана дважды, до инструмента и после. Это и есть четыре шага из схемы, только в живом виде. Разница между чатом и агентом — не в «уме» модели, а в обвязке: инструменты, память и цикл.
Второй вопрос в том же диалоге показал и обратную сторону. Мы спросили: «А сколько рублей стоят 40 евро?» Агент ответил из памяти, не вызывая инструмент снова, и подставил в расчёт курс доллара вместо евро, хотя курс евро был в том же JSON. В наших прогонах компактная модель на 3 млрд параметров ошибалась так не раз; модели крупнее промахиваются реже, но полностью от этого не застрахован никто. К этому вернёмся в разделе про ловушки.
Из чего состоит агент: пять частей
Модель. Интеллектуальное ядро: понимает задачу, выбирает инструмент, пишет ответ. В n8n к агенту подключается больше десятка провайдеров: облачные OpenAI, Anthropic, Google, DeepSeek, Mistral, агрегатор OpenRouter и локальный Ollama. Важная оговорка: не все модели умеют вызывать инструменты, для агента нужна модель с поддержкой tool calling. Для читателя из России есть два рабочих пути: ключ через агрегатор моделей, как мы разбирали в шаге 3 статьи про агента в n8n, или локальная модель через Ollama, как в нашем прогоне.
Инструменты. Функции, которые агент может вызвать: запрос к любому внешнему сервису по API, код на JavaScript или Python, другой сценарий n8n, поиск в интернете, таблицы, почта, календарь, база для поиска по своим документам, MCP-серверы (стандартный способ подключить агента к внешнему сервису) и даже другой агент. Правило из практики: инструментов должно быть поменьше, но с точными описаниями. Когда их десяток, модель начинает путаться, какой выбрать.
Память. Языковые модели не хранят состояние: чтобы «вспомнить» прошлое сообщение, им нужно каждый раз подавать историю диалога заново. Этим занимается память. Кратковременная — окно последних сообщений: в n8n это узел Simple Memory, а ключом диалога служит, например, идентификатор чата в Telegram. Среднесрочная — периодическое сжатие истории в короткий «банк фактов». Долгосрочная — база знаний, по которой агент ищет нужные фрагменты документов (подход RAG). Simple Memory годится для тестов, в рабочих системах историю хранят в базе данных: по документации n8n, в режиме очереди с несколькими воркерами Simple Memory не работает.
Системный промпт. Инструкция, которую агент получает перед каждым диалогом: кто он, какие правила соблюдает, какие инструменты у него есть и когда их вызывать, какая сегодня дата и часовой пояс. Шаблон на основе промпта из нашего прогона (замените инструмент и правила на свои; в n8n ради строки с датой поле System Message переключают в режим Expression):
Ты помощник по <теме>. Отвечай по-русски, кратко.
У тебя есть инструмент <имя>: он <что возвращает и в каком формате>.
Правила:
1. Если вопрос про <ситуация>, ВСЕГДА сначала вызови <имя>. Не отвечай по памяти и не придумывай данные.
2. В ответе назови <что обязательно должно быть>, расчёт покажи одной строкой.
3. Если вопрос не про <тему>, отвечай без инструментов.
Сегодня: {{ $now.setZone('Europe/Moscow').toFormat('dd.MM.yyyy HH:mm') }}Парсер вывода и защита от сбоев. Модель вероятностна: от раза к разу она может сломать формат ответа или упасть на переполнении контекста. Поэтому вокруг агента ставят страховку. На теле узла AI Agent в n8n два переключателя: Require Specific Output Format подключает парсер, который проверяет формат ответа и при ошибке просит модель исправить его, а Enable Fallback Model добавляет резервную модель на случай, если основная вернула ошибку. В списке Options того же узла: System Message, Max Iterations против зацикливания и Return Intermediate Steps, чтобы видеть промежуточные шаги. Повтор при сбое настраивается уже у самого инструмента (Retry On Fail в настройках узла). Состав списка немного меняется от версии к версии: скриншоты списков в этом разделе сделаны в n8n прошлых версий, в 2.x оформление другое.
Чем ИИ-агент отличается от чат-бота, нейросети и обычной автоматизации
| Нейросеть в чате | Чат-бот или сценарий по правилам | ИИ-агент | |
|---|---|---|---|
| Кто решает, что делать дальше | Никто: один вопрос, один ответ | Разработчик заранее: условия «если… то» | Модель во время работы |
| Доступ к данным и сервисам | Только то, что вы вставили в сообщение | Те интеграции, что прописаны в шагах | Любые подключённые инструменты, выбор за моделью |
| Помнит контекст | В рамках одного чата | Если это запрограммировано | Да, через подключённую память |
| Результат | Текст | Выполненные шаги по плану | Выполненная задача, путь к которой не был задан |
| Где ошибается | Выдумывает факты, которых не знает | Ломается на ситуации, которой нет в правилах | Выбирает не тот инструмент, ходит кругами, выдумывает результат |
| Цена ошибки | Низкая: вы читаете ответ | Средняя: предсказуемо и видно | Высокая: агент действует от вашего имени |
Между сценарием и агентом есть промежуточная ступень, и её часто путают с агентом. Это сценарий, внутри которого модель классифицирует текст или пишет его по шаблону, а ветки дальше выбирает код: разбор входящих писем по типам, тональность отзывов, посты по описанию товара. Удобно думать об этом как о шкале определённости: правила и код → модель внутри сценария → агент. Правило простое: если можно не использовать агента, его не используют.
Ассистент и агент тоже разные вещи, хотя граница размывается. Ассистент отвечает и советует, агент действует. Современные чаты получают агентные функции внутри: режимы «глубокого исследования», агент в браузере, который сам кликает по сайтам. Это агенты, встроенные в чат.
Какие бывают ИИ-агенты: виды, примеры и что доступно в России
Удобнее всего делить агентов по задаче.
Чат-агент с инструментами. Бот поддержки, который отвечает по базе знаний компании, или помощник в Telegram с поиском в интернете и памятью диалога. Самый частый первый агент: такого мы собирали пошагово в статье как создать ИИ-агента без программирования в n8n.
Агент-исполнитель рутины. Получает поручение свободным текстом или голосом и делает его в ваших сервисах: «поставь встречу на завтра на пять», «напиши письмо такому-то», «добавь задачу в трекер», «добавь задачу, отправь поздравление и назначь встречу в субботу» одним сообщением. В материалах курса такой ассистент работает с календарём, почтой и Google Tasks. Там же честно видно его потолок: из трёх поручений в одном сообщении агент выполнил два.
Браузерный агент. Открывает сайты, кликает по меню, заполняет формы, собирает корзину в рамках бюджета. Так устроен агент Алисы в Яндекс Браузере: на старте в августе 2025 года он работал в альфа-тесте по заявке и выполнял до десяти задач в день (по 3DNews), на 31 октября 2026 года на странице поддержки Яндекса он помечен как бета, приём заявок на тест завершён.
Исследовательский агент. Получает тему, строит план, делает десятки поисковых запросов, читает источники и собирает отчёт. Это режимы «глубокого исследования» в ChatGPT, Gemini и Perplexity, агент «Проводит исследования» в Алисе AI и кнопка «Провести исследование» в GigaChat.
Агент для кода. Claude Code, Codex, Cursor и подобные: читают проект, пишут и запускают код, исправляют ошибки по результатам тестов. Отдельная большая тема.
Мультиагентная система. Агент-координатор получает задачу и раздаёт её специализированным агентам: один работает с почтой, другой с календарём, третий с базой контактов. В n8n для этого есть узел AI Agent Tool: агент становится инструментом другого агента. Зачем так усложнять: когда у одного агента слишком много инструментов, он хуже выбирает нужный, а разбивка по ролям снижает вариативность. Оговорка: такие системы заметно сложнее контролировать.
ИИ-агенты, доступные в России. Что из этого можно попробовать, источники проверены 31 октября 2026 года:
| Что | Как устроено | Доступ и цена |
|---|---|---|
| Агенты Алисы AI: «Проводит исследования», «Находит дешевле», «Работает с почтой», агент в Яндекс Браузере, бронирование, заказ продуктов | Готовые агенты внутри чата и браузера | По странице поддержки Яндекса: исследования, поиск дешевле и почта доступны, остальные в бета-тесте, приём заявок завершён. Исследования: пробные запросы бесплатно, с подпиской Алиса Плюс до 10 исследований в месяц |
| ГигаАгент от Сбера | Автономный универсальный агент: отчёты, переписка, календарь, документы; сам задаёт уточняющие вопросы | По публикации Сбера, запускается через платформу Agents Space от Cloud.ru, где оплата идёт по потреблению ресурсов и токенов; это инструмент для разработчиков, а не кнопка в чате |
| GigaChat: «Провести исследование» | Исследовательский агент внутри чата | В веб-версии и приложении GigaChat, базовый чат бесплатен |
| Yandex AI Studio | Конструктор агентов, по словам Яндекса, без навыков разработки: промпт, инструменты, публикация в Telegram, Макс и на сайт (блог Yandex Cloud) | Оплата за токены: YandexGPT Lite 0,2 ₽ за 1 000 токенов, веб-поиск 915 ₽ за 1 000 запросов; сам вызов кода и MCP бесплатен, но сервисы за MCP могут оплачиваться отдельно (тарифы) |
| GigaPlatform AI Studio от Сбера | Визуальный конструктор агентов из блоков: модель, база знаний, сценарий диалога, готовые шаблоны | По публикации Сбера от 13 октября 2026, бесплатно для частных пользователей по Сбер ID; сами сервис не проверяли |
| GigaChat API | Модели с function calling для своих агентов | Freemium: 365 млн токенов на 12 месяцев, из них 250 млн на базовую модель Lite, по тарифам для физлиц |
| n8n на своём сервере или компьютере | Узел AI Agent, любая модель | Бесплатно; ключ к зарубежной модели через агрегатор или локальная модель через Ollama |
| ChatGPT, Claude, Gemini | Готовые агенты и агентные режимы зарубежных сервисов | Из России официально недоступны: нужны VPN и иностранная карта |
Цены и статусы в этой таблице живут месяцы, не годы: перед покупкой сверяйтесь с сайтами сервисов.
Когда агент нужен, а когда достаточно обычной автоматизации
Агент нужен, когда вход неструктурированный (письма, голос, свободный текст), когда путь к результату заранее неизвестен и когда нужно комбинировать несколько источников по ситуации. Агент не нужен, когда шаги известны заранее, когда ошибка недопустима и когда поток большой и однотипный: каждый проход агента стоит токенов и секунд.
Пример из нашего блога: сценарий «каждое утро курс ЦБ приходит в Telegram» из статьи n8n: что это такое, как установить и запустить первый сценарий делается четырьмя узлами без модели. Агент из нашего прогона умеет то же самое плюс отвечает на вопросы в свободной форме, но на каждый вопрос с вызовом инструмента тратит минимум два обращения к модели и иногда ошибается. Если вам нужен только утренний курс, агент тут лишний.
Anthropic советует то же: искать самое простое решение и усложнять только тогда, когда простое не справляется; для многих задач хватает одного вызова модели с поиском и примерами. Агентные системы «обменивают задержку и стоимость на качество результата», и автономность означает выше расходы и риск накопления ошибок. Практическое правило: условно 80% запросов агент закрывает сам, а оставшиеся — письма клиентам, покупки, деньги — проходят через подтверждение человека.
Что агент не умеет и где ловушки
| Ловушка | Почему | Что делают на практике |
|---|---|---|
| Не вызывает инструмент или вызывает не тот | Описание инструмента расплывчатое, роль не задана, высокая температура | Точные описания «когда вызывать», роль в промпте, температура 0, явные параметры вместо «пусть модель решит» |
| Отвечает из памяти вместо нового вызова | Модель считает, что данных в контексте хватает (наш случай с евро: правило «всегда вызывай инструмент» в промпте стояло и не помогло) | Модель покрупнее, принудительный вызов инструмента там, где провайдер это поддерживает, короче окно памяти, проверка ответа вторым шагом |
| Выдумывает результат вместо вызова | Модели проще написать «письмо отправлено», чем вызвать функцию | Правило «не симулируй действия, вызывай инструмент», проверка по логу промежуточных шагов |
| Ломает формат ответа | Модель вероятностна | Структурированный вывод с парсером и автоисправлением, резервная модель |
| Ходит кругами | Инструмент возвращает ошибку или непонятный результат, модель пробует снова | Лимит итераций, понятные сообщения об ошибках от инструментов, повтор с паузой |
| Путает дату и часовой пояс | Модель не знает, какое сегодня число, а дата в промпте подана без часового пояса | Текущая дата и часовой пояс в системном промпте: в материалах курса встреча «на 15:00» однажды встала в календарь на 22:00 именно из-за этого |
| Дорого на потоке | Вопрос с вызовом инструмента — минимум два обращения к модели плюс сам инструмент | Обычный сценарий без модели там, где можно; дешёвая модель для простых запросов; обработка пачками |
| Доступы и безопасность | Агент действует от вашего имени в почте, календаре, CRM | Минимальные права, подтверждение опасных действий человеком; помнить, что запросы к модели и поиску уходят их провайдерам, если модель не локальная |
Главная мысль: вызов языковой модели — самая дорогая и самая непредсказуемая операция в сценарии. Агент даёт «вау-эффект», пока к нему относятся как к вероятностной системе и строят вокруг него проверки, а не как к сотруднику, которому можно просто доверять.
Как попробовать самому: три пути
Готовый агент. Агенты Алисы AI или «Провести исследование» в GigaChat: ничего ставить не нужно, статусы и лимиты смотрите в таблице в разделе про виды агентов.
Конструктор. Yandex AI Studio, GigaPlatform AI Studio или n8n. Как собрать агента в Telegram с памятью и поиском, пошагово разобрано в статье про агента в n8n; как поставить сам n8n на компьютер или сервер — в статье про установку n8n.
Локальный ИИ-агент на своём компьютере. Ollama плюс n8n, как в нашем прогоне. Запросы к модели остаются на вашем компьютере, платить не за что, но компактная модель ошибается чаще облачных, а на компьютере с 8 ГБ памяти одновременно с n8n ей тесно. Если n8n работает в Docker, адрес Ollama в учётных данных указывают не localhost, а адрес хоста (host.docker.internal, на Linux контейнер запускают с --add-host), по документации n8n. Открытые агенты вроде Hermes Agent и OpenClaw тоже ставятся локально, но это путь для тех, кто дружит с терминалом.
Готовый сценарий из прогона: ai-agent-demo-ollama.json. Внутри Chat Trigger, узел AI Agent с системным промптом, Simple Memory и инструмент get_cbr_rates. Импортируйте в n8n через меню сценария, создайте учётные данные Ollama с адресом вашего сервера и укажите в узле модели ту, что скачали. На момент прогона мы использовали qwen2.5:3b (скачивается командой ollama pull qwen2.5:3b), она же прописана в файле; подойдёт любая модель с поддержкой инструментов. Файл проверен импортом в n8n 2.45; в системный промпт добавлена строка с текущей датой, поле уже в режиме Expression.
Если хотите собрать всё это руками под присмотром: на курсе «ИИ-агенты и n8n» вы делаете агентов сами, с памятью в базе данных, инструментами, поиском по своим документам через RAG, подключением к MCP-серверам, мультиагентным ассистентом для почты и календаря и финальным проектом, обратная связь по которому есть в тарифах с проверкой работ. Программа и ближайший поток: курс «ИИ-агенты и n8n».
Другие программы по теме собраны в разделе курсы по нейросетям.
Что дальше
Собрать своего агента. Пошаговая инструкция с Telegram-ботом, памятью и поиском в интернете: как создать ИИ-агента без программирования в n8n.
Поставить n8n. Три способа запуска, в том числе из России, и первый сценарий за 20 минут: n8n: что это такое, как установить и запустить первый сценарий.
Агенты для кода. Claude Code, Codex, Cursor: чем отличаются от агентов в n8n и с чего начать. Разберём в отдельной статье.
Вопросы и ответы
Чем ИИ-агент отличается от ИИ-ассистента?
Ассистент отвечает на вопросы и советует, агент выполняет действия в ваших сервисах и сам решает, какие шаги нужны. Граница размыта: ассистенты вроде Алисы AI или ChatGPT получают встроенные агентные режимы (исследование, покупки, действия в браузере). Если программа только говорит — это ассистент, если делает — агент.
Что такое агентный ИИ и автономные агенты?
Агентный ИИ (agentic AI) — подход, при котором системы строят из агентов: модель получает цель, инструменты и право самой выбирать шаги. Автономность — это степень: агент может спрашивать подтверждение перед каждым действием, а может делать всю цепочку сам. Полностью автономные агенты в бизнесе пока редкость: критичные действия обычно оставляют на подтверждение человеку.
Можно ли запустить ИИ-агента локально на своём компьютере?
Да. Нужны Ollama с моделью, которая поддерживает вызов инструментов, и обвязка, например n8n. Так мы и делали прогон в этой статье. Ограничения: компактные модели ошибаются чаще облачных, а на 8 ГБ оперативной памяти модель и n8n в Docker вместе работают с трудом. Зато ничего не платите, а запросы к модели не покидают ваш компьютер (инструменты, которые ходят в интернет, по-прежнему делают это).
Какие ИИ-агенты доступны в России?
Готовые: агенты Алисы AI и режим «Провести исследование» в GigaChat. Для своих агентов: Yandex AI Studio, GigaChat API с function calling, ГигаАгент через Agents Space, n8n с локальной моделью или ключом через агрегатор. Зарубежные ChatGPT, Claude, Gemini и их агенты официально недоступны. Подробности и цены в таблице в разделе про виды агентов, источники проверены в октябре 2026.
Сколько стоит ИИ-агент?
Для себя может быть бесплатно: локальная модель и n8n на своём компьютере. С облачной моделью платите за токены: у Yandex AI Studio YandexGPT Lite стоит 0,2 ₽ за 1 000 токенов. Наш агент в прогоне потратил около 650 токенов на вопрос с вызовом инструмента; если бы он работал на такой модели, вопрос обошёлся бы примерно в 13 копеек (оценка: у другой модели счётчик токенов другой). Для бизнеса стоимость складывается из модели, инструментов (веб-поиск у Яндекса 915 ₽ за 1 000 запросов), сервера и времени на настройку и проверки.
Нужно ли уметь программировать, чтобы сделать агента?
Нет. В n8n и GigaPlatform AI Studio агент собирается из блоков, в Yandex AI Studio — через форму с промптом и инструментами; код нужен только для своих инструментов. Что нужно уметь: писать понятный системный промпт, точно описывать инструменты и читать логи, чтобы понять, почему агент выбрал не тот инструмент. Этому учат на курсе «ИИ-агенты и n8n».
