AI-агент: что это, из чего состоит и чем отличается от чат-бота

AI агент — что это такое, если у нас уже есть чат-боты вроде «задал вопрос, получил ответ»? Коротко: агент не только отвечает, но и действует. Он сам решает, какой инструмент вызвать, смотрит на результат и продолжает, пока задача не решена. Ниже разберём, из чего он состоит, как работает цикл, чем это отличается от обычного чата и где агенты уже полезны.

Чат-бот и агент: в чём разница

Обычный чат устроен просто: вы пишете сообщение, модель отвечает текстом. Всё, что она делает, это генерирует текст. Файлов она не открывает, команд не запускает, в интернет не ходит.

Агент устроен иначе. Ему дали набор инструментов и цель. Он ищет в проекте нужный файл, читает его, запускает тесты, видит ошибку, правит код и снова запускает тесты. Человек не диктует каждый шаг.

Из чего состоит агент

Если убрать маркетинг, остаётся четыре части.

1. Модель

Это «мозг»: языковая модель, которая получает контекст и решает, что сделать. Один и тот же агент можно запустить на разных моделях, и расход, и результат при этом изменятся.

2. Инструменты

Функции, которые агент может вызвать: чтение файла, запуск команды, поиск в базе, отправка письма, запрос к внешнему API. Модель не выполняет их сама: она возвращает структурированный запрос вида «вызови read_file с аргументом app.py», а выполняет его ваш код и возвращает результат обратно.

3. Цикл

Сердце агента. Схема такая:

1. Отправить модели задачу, историю и список инструментов.
2. Если модель попросила вызвать инструмент, выполнить его и добавить результат в историю.
3. Вернуться к шагу 1.
4. Если модель ответила обычным текстом без вызова инструмента, считать задачу завершённой.

У цикла обязательно должен быть предохранитель: максимум шагов и бюджет, иначе агент может крутиться бесконечно.

4. Память и инструкции

Краткосрочная память — это история сообщений в текущем запуске. Долгосрочная — всё, что агент записывает в файлы или базу и читает в следующий раз. К этому же относятся системные инструкции: роль, правила, ограничения. Например, в Claude Code для этого служит файл CLAUDE.md в корне проекта.

Минимальный агент в коде

Ниже цикл на Python с OpenAI SDK, направленным на шлюз Zukko. Инструмент один: чтение файла.

import json
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key="fetch_ваш_ключ")

tools = [{
    "type": "function",
    "function": {
        "name": "read_file",
        "description": "Прочитать текстовый файл по пути",
        "parameters": {
            "type": "object",
            "properties": {"path": {"type": "string"}},
            "required": ["path"],

Это учебный пример: в рабочей версии нужны проверка пути (чтобы агент не читал лишнее), обработка ошибок и учёт расходов. Полный разбор с бюджетом есть в статье как создать ИИ-агента на Python с нуля↗. Если не хотите писать цикл сами, возьмите готового агента, например Hermes: подключение описано в документации↗.

Почему агент стоит дороже чата

На каждом шаге цикла модели отправляется вся накопленная история. Контекст растёт, и стоимость шагов растёт вместе с ним.

Пример. Агент делает 8 шагов, контекст на шагах: 2 000, 3 000, ... 9 000 токенов, то есть сумма входа за сессию 2 + 3 + ... + 9 = 44 000 токенов. Выход по 300 токенов на шаг, всего 2 400. Для gpt-6.1-sol (цены на 18 октября 2026: $0.27 за 1M входа, $1.32 за 1M выхода):

• Вход: 44 000 × 0.27 / 1 000 000 = $0.01188
• Выход: 2 400 × 1.32 / 1 000 000 = $0.003168
• Итого: около $0.015 за короткую задачу без кэша

Это немного. Но реальные сессии кодинга могут занимать сотни шагов с контекстом в десятки тысяч токенов, и там стоимость определяют кэш и выбор модели. Кэш у GPT учитывается при чтении; у Claude в Anthropic-формате и чтение, и запись. Подробности в разделе ключи, лимиты и кэш↗ документации.

Где агенты уже полезны

• Разработка. Правка кода по описанию, запуск тестов, исправление ошибок сборки. Результат проверяется тестами и git-диффом.
• Рутинная обработка данных. Разбор писем, сверка таблиц, раскладка документов. Задача повторяется, правила понятны.
• Исследование и сбор информации. Агент собирает материалы из нескольких источников и готовит сводку, которую человек проверяет.

Где агенты пока ненадёжны

• Задачи без чёткого критерия «готово»: агент может остановиться рано или уйти в сторону.
• Необратимые действия: удаление данных, платежи, отправка писем клиентам. Здесь нужно подтверждение человека.
• Длинные цепочки без проверок: ошибка на раннем шаге тянется до конца.
• Зацикливание. Об этом подробно в статье агент зациклился и потратил бюджет↗.

Практическое правило: давайте агенту ровно те права, которые нужны для задачи, и ставьте лимит расхода на ключ.

Частые вопросы

AI-агент и ИИ-ассистент — это одно и то же?

Границы размыты. Обычно ассистентом называют чат, который отвечает на вопросы, а агентом — систему, которая самостоятельно выполняет шаги с помощью инструментов.

Нужен ли агенту особый тип модели?

Нужна модель, которая умеет вызывать инструменты (tool calling). Поддержку и качество вызовов у конкретной модели проверяйте на собственных примерах, прежде чем строить на ней агента.

Сколько стоит запустить агента?

Зависит от числа шагов, размера контекста и модели. Для оценки используйте формулу: вход × цена входа + выход × цена выхода (плюс кэш по его ценам). Цены есть на странице «Модели» в кабинете и в GET /v1/models.

Как защититься от неконтролируемых расходов?

Задайте для ключа дневной и месячный лимит в долларах и ограничьте число шагов в самом цикле. И лимиты, и сам ключ настраиваются в кабинете↗.