ИИ-агенты: что это и как их применять в бизнесе

Внедрить такого помощника можно куда угодно: в «Битрикс24», AmoCRM, корпоративный портал, телеграм или даже в вашу старую базу данных.

Сердце системы - сервер (ядро агента). Он может быть в облаке (гибко и удобно) или стоять локально у вас в офисе (безопасно и надежно).

На сервере происходит вся магия: агент получает запрос, переваривает его с помощью ИИ-модели, принимает решение и отдает результат.

Связь между агентом и вашими программами идет через API - такой цифровой мостик, по которому туда-сюда бегают данные.

Практически любые.
Вы загрузили в агента автоматически данные (через api) - поставили ему задачу (через промпт) и агент выдал необходимый результат как цифровой сотрудник.

Вот лишь некоторые примеры использования ИИ агентов:

• ИИ-юрист - получает от вас договора, проверяет договоры на риски, выдает правки к договора
• ИИ-ассистент продаж - собирает персональные КП под клиента.
• ИИ для тендеров - мониторит закупки и готовит документы.
• ИИ-аналитик - тащит данные из всех систем и строит прогнозы.
• ИИ-контролер - слушает звонки менеджеров и проверяет, все ли по скрипту сказали

У агента есть несколько слоев
1) Interface Layer
В этом слое пользователь (например сотрудник) взаимодействует с агентом.
Он может писать ему в чат, или нажимать на кнопку в CRM, чтобы поручить агенту задачу (например, залить документ).

2) Orchestration Layer
Это слой, находящийся на сервере, где выстраивается система взаимодействия агента (агентов) друг с другом.

Для архитектора ИИ агентов - это ключевой слой.
В нем мы

• выстраиваем как ИИ агенты взаимодействуют друг с другом
• утверждаем промпты (инструкции работы)
• куда отдают результат работы (в interface layer)

3) LLM Layer
Это ключевой слой, в который "устанавливается" модель, которая решает задачу.
Например, ChatGtp, DeepSeek или другое.

От выбора и настройки модели зависит результат работы агента (агентной системы).

4) Knowledge Layer
Этот слой - помогает LLM давать более точные и требуемые ответы.
Если этот слой присутствует - то, LLM модели при ответе (выполнении задачи) опираются на определенную инструкцию/гайд при ответе.
LLM модель, подключенная к этому слою, не выдумывает ответ, не ищет его в интернете, а выдает ответ на основании базы данных, что обеспечивает высокую точность ответа и низкий уровень галлюцинации.

5) Tools Layer
В данный слой добавляются модули, помогающие LLM решать задачу.
Например, скрипты Python (обрабатывающие данные), модели поиска информации, модули памяти, позволяющие LLM системе запоминать диалог.

6) Observability Layer
На этом слое выстраивается контроль за работой ИИ агента.
Например, контролируется и фиксируется трата токенов (запросов нейросетям), фиксируются логи, ошибки, собирается аналитика и иные метрики.

Теперь давайте на примере.
Возьмем пример ИИ эксперта по охране труда. Я такой разрабатывал в рамках моей работе в Триаде.

Итак, Interface Layer - у нас будет чат, куда клиент пишет вопрос.
Например, подскажи нормы выдачи СИЗ для слесаря.
Помимо чата, Interface Layer - может быть любым. От нажатия кнопки в CRM, до выбора статуса в личном кабинете (front).
По API запрос из Interface Layer передается в Orchestration Layer.

В Orchestration Layer выстраивается взаимодействие разных агентов друг с другом и с иными инструментами работы.
Например, получив запрос от клиента (вопрос о нормы выдачи СИЗ)- через Orchestration Layer один агент классифицирует запрос (ага, это запрос на охрану труда).
Другой - присвоит отправит запрос в агента, который по базе данных ищет ответ.
Далее через Orchestration Layer третий агент проверит ответ на качество и проверенный ответ передаст обратно пользователю по API.

В рамках Tools Layer мы можем добавлять агенту (агентам) дополнительные инструменты.
Например, можно настроить так, чтобы агент не только искал информацию по базе, но и проверял наличие актуального законодательства по базе в интернете.

В Knowledge Layer - мы выстраиваем базу знаний/инструкций в рамках которых отвечает агент.
Например, в Knowledge Layer у ИИ эксперта по охране труда находятся различные ФНП и нормативно-правовые акты, на основании которых он дает ответ.

Разберем на реальном примере, как мы в «Триаде» автоматизировали проверку договоров.
У нас менеджеры работают в «Битрикс24». Когда нужно утвердить договор с клиентом, они просто прикрепляют файл в карточку сделки.
Раньше юрист проверял его 2–3 часа. А договоров много.
Как это работает сейчас:

1. Менеджер крепит договор в CRM.
2. Срабатывает веб-хук (это такая команда-триггер), который уводит файл на наш локальный сервер, где крутится система-оркестратор n8n.
3. Специальный модуль вытаскивает текст из файла (pdf, doc — не важно) и превращает его в читаемый для машины вид.
4. Дальше вступает в дело модуль обезличивания: он меняет все реальные названия компаний, ИНН и цены на «компания А», «сумма Х». Это чтобы коммерческая тайна не ушла куда не надо.
5. Обезличенный текст улетает в DeepSeek, который живет тоже на нашем сервере. Там для него заготовлен промпт с инструкцией: на что смотреть, какие риски искать.
6. DeepSeek выдает результат, и мы его «возвращаем к жизни» — подставляем обратно реальные названия.
7. В личном кабинете живого юриста появляется отчет с анализом и рекомендациями.

Юрист заходит, смотрит, нажимает «Согласен». Вуаля! Другой веб-хук летит обратно в «Битрикс» и меняет статус договора на «Утвержден». Менеджер видит это и отправляет клиенту оригиналы.