ИИ-агенты: кратко о главном
🎯 О чём этот конспект: Полный разбор концепции и практического применения автономных ИИ-агентов. Рассматриваются различия между чат-ботами, локальными агентами и облачными сервисами 24/7, архитектура связки «LLM + Harness», настройка глобального контекста через agents.md, работа со скиллами, памятью, CLI-инструментами и MCP-серверами.
👤 Кому будет полезно: Разработчикам, вайбкодерам, продакт-менеджерам и предпринимателям, которые хотят автоматизировать до 90% рутинных рабочих процессов (сбор аналитики, подготовка контента, деплой, парсинг) с помощью ИИ.
✨ Что получите: Пошаговое понимание того, как развернуть и настроить собственного ИИ-агента на компьютере или сервере, как правильно составлять промпты через цели и критерии приемки, а также как превратить повторяющиеся задачи в переиспользуемые навыки (skills).
1. Анатомия ИИ-агента: Разделение на «Мозг» (LLM) и «Обвязку» (Harness)
Контекст: Обычный чат-бот (ChatGPT или Claude в веб-интерфейсе) генерирует текст токен за токеном и ограничен браузерной песочницей. Настоящий агент состоит из двух ключевых компонентов: языковой модели (LLM), выступающей в роли аналитического «мозга», и среды выполнения (Harness / «обвязка»). Harness предоставляет модели доступ к инструментам, передает контекст, выполняет команды в терминале, читает и редактирует файлы, запускает браузер и возвращает результаты модели для следующего шага цикла. Понимание этого разделения позволяет использовать любые модели внутри любых сред без привязки к одному вендору.
Тайминг: , ,
Выгода: Полный контроль над архитектурой автоматизации и возможность запускать агентов с прямым доступом к файловой системе ПК без подписочных сервисов-посредников.
Как применить:
- Шаг 1: Выберите агентную среду (Harness) — Определитесь с инструментом под ваши задачи: Claude Code или Cursor для написания кода и работы с проектом, Hermes для мультипрофильных команд и серверов, OpenDevin для прозрачного отслеживания меж-агентных коммуникаций в терминале.
- Шаг 2: Настройте цикл выполнения (Agent Loop) — Обеспечьте Harness правами на чтение/запись в целевую рабочую папку и исполнение терминальных команд.
- Шаг 3: Подключите LLM-провайдера — Настройте API-ключ или локальный эндпоинт в конфигурации Harness для отправки рассуждений в выбранную языковую модель.
Результат: Развернутая связка «мозг + среда», способная автономно планировать шаги, вызывать системные утилиты и вносить правки в файлы проекта.
2. Классификация агентов: Браузерные боты vs Локальные агенты vs Серверные системы 24/7
Контекст: На рынке существует три принципиальных типа систем. Первый — облачные чат-боты (веб-версии ChatGPT, Claude, Gemini), умеющие искать в сети и читать Google Drive, но не имеющие доступа к локальному диску. Второй — локальные агенты на ПК (Cursor, Claude Code, Open Interpreter), обладающие полным доступом к файлам и программам, но останавливающиеся при закрытии крышки ноутбука. Третий — серверные агенты с персистентным окружением (Hermes на VPS, Grok, автономные инстансы), работающие 24/7 по расписанию или вебхукам.
Тайминг: , , ,
Выгода: Выбор правильного типа агента исключает переплату за серверную инфраструктуру на старте и гарантирует сохранность приватных данных на локальной машине.
Как применить:
- Шаг 1: Оцените потребность в автономности — Если задача требует работы по расписанию в нерабочее время (ежедневный утренний скоринг лидов, мониторинг серверов), выбирайте серверный вариант. Для интерактивной разработки и создания контента достаточно агента на ПК.
- Шаг 2: Разверните агента на ПК для старта — Установите Claude Code или Cursor на рабочую станцию для закрытия 80% задач без аренды удаленных серверов.
- Шаг 3: Настройте фоновые задачи через Cron — При переходе на серверный агент настройте выполнение периодических скриптов через системный планировщик
crontab:
# Пример: Запуск скрипта агента каждое утро в 9:00
0 9 * * * /usr/bin/python3 /opt/hermes-agent/run_task.py --task "check_new_leads"Результат: Четко структурированный стек инструментов: локальный агент для интерактивной работы и серверный демон для фоновых круглосуточных задач.
3. Экономика вычислений: Фиксированные подписки против API и локальных моделей
Контекст: Агент тратит миллионы токенов на один сложный таск, совершая десятки промежуточных шагов, обращений к файлам и тестов. Оплата через чистый API при активной агентной работе быстро приводит к огромным счетам. Фиксированные подписки (OpenAI / Anthropic Pro/Max от $20 до $100–200) дают существенно больше эквивалентного объема токенов за меньшие деньги. Локальные модели (через Ollama или LM Studio) бесплатны по токенам, но ограничены памятью VRAM вашего ПК и справляются только с узкими задачами (кластеризация, перевод, суммаризация).
Тайминг: , , ,
Выгода: Экономия сотен долларов в месяц за счет использования лимитов подписок вместо прямого API-биллинга в ресурсоемких агентных циклах.
Как применить:
- Шаг 1: Выберите модель монетизации под нагрузку — Для новичков и умеренных задач оформите подписку за $20/мес. При постоянном делегировании задач в роли виртуального сотрудника переходите на план $100–200/мес.
- Шаг 2: Настройте локальную модель для тривиальных задач — Установите Ollama для локальной обработки приватных данных, суммаризации и парсинга без отправки запросов в облако:
# Установка и запуск быстрой модели для вспомогательных задач
ollama run qwen2.5-coder:7b- Шаг 3: Используйте внешние агрегаторы при необходимости — Если нужен доступ к альтернативным моделям (DeepSeek, китайские открытые LLM), используйте совместимые сервисы-провайдеры с единой тарификацией через конфигурацию окружения.
Результат: Оптимизированный бюджет на ИИ-инфраструктуру без неожиданных списаний по API.
4. Промптинг для агентов: Фокус на результате и критериях успеха (Метод создателя Claude Code)
Контекст: Традиционный промпт-инжиниринг с перегруженными инструкциями «думай шаг за шагом» и сложными ролевыми установками больше не актуален для сильных моделей. Создатель Claude Code Борис формулирует подход просто: общайтесь с агентом как с компетентным сотрудником. Агенту нужно задавать конечную цель, ограничения и критерии, по которым он сам сможет проверить результат, не диктуя детальный пошаговый алгоритм выполнения.
Тайминг: , ,
Выгода: Сокращение времени на постановку задач с 15 минут до 30 секунд при одновременном повышении качества и самостоятельности выполнения работы.
Как применить:
- Шаг 1: Исключите диктовку шагов реализации — Перестаньте указывать агенту «открой файл А, импортируй модуль Б, вызови функцию В».
- Шаг 2: Сформулируйте целевой результат и критерии проверки — Передайте входные данные, желаемый артефакт и условие успешности.
Плохой промпт:
Напиши скрипт на Python, который использует requests для отправки запроса к YouTube API, затем создай цикл for, распарси JSON, вытащи просмотры, открой CSV файл и запиши туда данные.
Хороший промпт:
Собери статистику просмотров по всем рекламным креативам за прошлый месяц через YouTube API. Сохрани результат в структурированный CSV-файл и проверь, чтобы в итоговом файле не было пустых строк и дубликатов по ID видео.Результат: Агент самостоятельно подбирает библиотеки, тестирует скрипт, валидирует данные и возвращает проверенный результат.
5. Системный контекст: Структура рабочей папки и глобальный файл agents.md
Контекст: Чтобы не передавать одни и те же правила и описания проектов в каждом диалоге, используется рабочее пространство (Workspace) — выделенная директория на диске. В корень этой директории помещается файл конфигурации поведения agents.md (или claudedev.md). Агентная среда автоматически подгружает его содержимое в контекст при старте любой сессии в качестве базовой системной инструкции.
Тайминг: , ,
Выгода: Нулевые временные затраты на объяснение агенту контекста ваших проектов, формата ответов и доступных инструментов при каждом новом запуске.
Как применить:
- Шаг 1: Создайте корневую рабочую папку — Организуйте директорию (например,
~/My_AI), куда поместите подпапки проектов, маркетинговые материалы, черновики и документы. - Шаг 2: Создайте файл правил в корне проекта — Добавьте файл
agents.mdсо структурой инструкций:
# System Rules for AI Agent
---
## User Profile
- Name: [Ваше имя]
- Main Projects: [Список текущих проектов и технологий]
---
## Communication Style
- Отвечай кратко, без лишних вежливых вступлений.
- Сразу переходи к сути решения.
- При изменении кода делай только минимально необходимые диффы.
---
## Tool Execution Rules
- Перед выполнением деструктивных операций (удаление файлов, перезапись БД) запрашивай подтверждение.
- Все создаваемые скрипты сохраняй в папку `./scripts/`.- Шаг 3: Запускайте агентные сессии из этой директории — Harness автоматически считает правила и применит их ко всем последующим командам.
Результат: Контекстно-ориентированный агент, который сразу знает контекст ваших проектов и специфику оформления ответов.
6. Модульные навыки (Skills) и единый стандарт ~/.agents/skills
Контекст: Перегружать файл agents.md всеми инструкциями подряд неэффективно — это засоряет контекстное окно модели. Специфические задачи (оформление договоров, правила коммитов, пайплайны публикации статей) упаковываются в отдельные «навыки» (Skills). Чтобы навыки были доступны одновременно в Cursor, Claude Code, Hermes и других средах, их размещают в общесистемной директории.
Тайминг: , ,
Выгода: Единая кроссплатформенная библиотека автоматизаций, не зависящая от смены редактора кода или агентной оболочки.
Как применить:
- Шаг 1: Создайте глобальную директорию навыков — Создайте папку в домашней директории пользователя:
- На macOS / Linux:
~/.agents/skills/ - На Windows:
C:\Users\<Username>\.agents\skills\
- На macOS / Linux:
- Шаг 2: Создайте файл навыка — Опишите специализированный процесс (например, публикация статьи в блог) в файле
~/.agents/skills/publish-article.md:
# Skill: Publish Article to CMS
---
## Purpose
Публикация готовой статьи на сайт через внутренний API.
---
## Requirements
- Текст должен быть в формате Markdown.
- Наличие H1 заголовка и мета-описания до 160 символов.
---
## Execution
Запусти скрипт публикации:
`python3 ~/scripts/cms_publisher.py --file [путь_к_файлу]`- Шаг 3: Автоматизируйте создание новых скиллов — После успешного выполнения любой новой комплексной задачи отправьте агенту промпт:
Сделай переиспользуемый скилл (Skill) из того процесса, который мы только что успешно выполнили, и сохрани его в формате Markdown в директорию ~/.agents/skills/.Результат: Накапливаемая база знаний и скриптов, позволяющая вызывать сложные сценарии одной короткой командой.
7. Инструменты агента: Внешние интеграции, CLI-утилиты, MCP и браузер
Контекст: Сила агента заключается в способности взаимодействовать с внешним миром. Основные каналы взаимодействия: прямые плагины Harness, CLI-утилиты терминала (например, Obsidian CLI, curl), протокол MCP (Model Context Protocol) для нестандартных корпоративных баз данных и встроенный headless-браузер. Браузерная автоматизация позволяет агенту логиниться в сервисы, заполнять формы и проводить кросс-постинг без наличия публичного API.
Тайминг: , , ,
Выгода: Автоматизация рутинных действий в веб-сервисах, не имеющих открытых API, и бесшовная связка локальных баз данных с агентом.
Как применить:
- Шаг 1: Подключите CLI-инструменты — Убедитесь, что в системе установлены и доступны через системный PATH нужные утилиты (git, curl, специализированные CLI).
- Шаг 2: Настройте браузерную авторизацию — Авторизуйтесь в нужных веб-сервисах через встроенный браузер агента (в поддерживаемых средах) для выполнения действий от вашего имени (публикация постов, скачивание отчетов).
- Шаг 3: Используйте MCP для закрытых источников данных — Настройте MCP-сервер при необходимости подключения к приватным серверам компании или базам данных, недоступным по стандартным протоколам.
Результат: Агент с полным арсеналом системных возможностей: от парсинга веб-страниц до отправки данных во внутренние CRM-системы.
8. Долговременная память и фоновый процесс Dreaming
Контекст: Современные агенты сохраняют важную информацию о предпочтениях пользователя между отдельными сессиями. Это реализуется через запись фактов в локальные markdown-файлы или единые облачные хранилища памяти (например, Hindsight). Cursor и Claude Code поддерживают процесс «Dreaming» — фоновую консолидацию и очистку накопленных фактов, позволяющую агенту адаптировать стиль коммуникации и сохранять стек технологий пользователя.
Тайминг: , , ,
Выгода: Исключение необходимости повторного обучения агента вашим предпочтениям и стилю работы при открытии новых сессий и проектов.
Как применить:
- Шаг 1: Проверьте текущую память агента — Запросите у агента список сохраненных о вас данных с помощью команды или прямого вопроса:
Покажи все данные и факты, которые сохранены обо мне в твоей долговременной памяти.- Шаг 2: Настройте подстройку под стиль общения — Включите соответствующий переключатель в настройках Cursor (Communication Style Match) для генерации ответов в вашем тоне.
- Шаг 3: Проводите периодическую чистку — Раз в несколько месяцев удаляйте устаревшие факты и временные инструкции из файла памяти агента, чтобы избежать галлюцинаций и конфликтов контекста.
Результат: Персонализированный агент, сохраняющий сквозную память обо всех ваших проектах и стиле работы.
ИИ-агенты: ответы на частые вопросы
В: В чем главное отличие обычного ChatGPT от полноценного ИИ-агента?
О: Чат-бот работает в режиме «вопрос-ответ» внутри изолированного интерфейса. ИИ-агент функционирует в цикле: он формулирует план, использует системные инструменты (файловая система, терминал, браузер, API), проверяет результаты своих действий и корректирует шаги до достижения поставленной цели.
В: Имеет ли смысл сразу строить команду из нескольких субагентов?
О: Нет. В 95% практических сценариев один качественно настроенный агент с доступом к папке проекта, файлу agents.md и набору скиллов решает задачи быстрее и стабильнее. Мультиагентные связки сложны в отладке, склонны к зацикливанию и кратно увеличивают расход токенов.
В: Почему работа агента через API обходится дороже, чем через подписку?
О: Агент совершает десятки промежуточных итераций на одну задачу, повторно отправляя весь контекст и историю вызовов инструментов на каждом шаге. В API каждый токен тарифицируется отдельно, что быстро сжигает бюджет, тогда как подписки ($20–100/мес) предоставляют фиксированный пул ресурсов с существенно более выгодным соотношением стоимости к числу запросов.
В: Где лучше всего хранить переиспользуемые навыки (Skills)?
О: В единой системной папке ~/.agents/skills/ (на macOS/Linux) или %USERPROFILE%\.agents\skills\ (на Windows). Это открытый стандарт, позволяющий использовать одну и ту же библиотеку инструкций и скриптов в Cursor, Claude Code, Hermes и других средах.
В: Что делать, если локальная модель на ПК работает слишком медленно или «тупит»?
О: Локальные модели размером 7B–14B параметров подходят только для узких механических задач (суммаризация, транскрибация, форматирование данных). Для комплексного анализа, кодинга и автономного планирования шагов следует переключить «мозг» агента на сильные облачные модели (Claude 3.5 Sonnet / Claude 3.7 Sonnet / GPT-4o) через подписку.
В: Как заставить агента работать 24/7, если ноутбук выключается?
О: Развернуть автономную оболочку (например, Hermes) на удаленном сервере (VPS) и настроить запуск нужных задач через планировщик cron (по времени) или через вебхуки (по внешним событиям из CRM/мессенджеров).
ИИ-агенты: инструменты и ссылки из видео
- Cursor — редактор кода со встроенными агентными возможностями, инструментами и поддержкой фоновой памяти — упомянут в видео.
- Claude Code — агентная консольная среда от Anthropic для глубокой работы с проектами и терминалом — упомянут в видео.
- Hermes — открытый агент с поддержкой профилей, изолированных рабочих пространств и возможностью серверного деплоя 24/7 — упомянут в видео.
- OpenDevin — опенсорсная платформа для мультиагентного взаимодействия с терминальным интерфейсом — упомянут в видео.
- Open Interpreter — инструмент для локального выполнения кода на компьютере с голосовым и текстовым интерфейсом — упомянут в видео.
- Ollama — инструмент для простого скачивания, запуска и обслуживания открытых LLM локально на собственном железе — упомянут в видео.
- LM Studio — графическое приложение для локального запуска открытых языковых моделей с поддержкой квантования — упомянут в видео.
- Obsidian CLI — консольная утилита для интеграции агента с локальной базой знаний Obsidian — упомянут в видео.
- Hindsight — сервис организации единой долговременной памяти для парка локальных и облачных агентов — упомянут в видео.
Конспект создан на основе видео «Как работают AI-агенты: Полный разбор от архитектуры до практики» канала Prodsovet. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=NP2PrzLoJTg
