Суть
Три уровня зрелости одной технологии:
- Чат-бот — реактивный:
триггер → ответ → конец. Нет памяти о цели после диалога. - LLM (+RAG) — генерирует контент и рассуждает, но не выполняет действий в системах.
- ИИ-агент — stateful, multi-step: получает цель → декомпозирует → выбирает инструменты → исполняет → проверяет результат → повторяет.
Зачем это нужно
Чат-бот «падает», когда задача занимает 3+ шагов, затрагивает >1 системы или требует решений на ходу. Агент закрывает класс задач, где исход не предопределён, а результат можно проверить автоматически (тесты, ответы API, изменение состояния). При этом не всё стоит агентизировать — ~80% задач закрываются детерминированным workflow (см. Agent vs Workflow).
Как работает
Агент крутится в цикле рассуждения (см. ReAct) и опирается на 4 компонента (см. Agent Anatomy): мозг-LLM, инструменты, память, база знаний. Триггеры «нужен именно агент»: ≥3 шагов или >1 системы; нужна адаптация к смене контекста; исход не предопределён; результат проверяется автоматически.
Пример
Обработка возврата в e-commerce:
- Чат-бот: отвечает на вопросы про условия возврата.
- LLM+RAG: пишет персональное письмо-инструкцию клиенту.
- Агент:
проверка права на возврат → заявка на забор → возврат денег → обновление склада → подтверждение— полный цикл без человека.
Альтернативный взгляд
Та же идея «агент ≠ просто LLM», но с инженерным акцентом: агент — это надёжная система-обвязка вокруг ненадёжной вероятностной модели. LLM «уверенно ошибается» и чувствительна к формулировкам, поэтому ценность не в «уме», а в слое надёжности. Позиционирование «агент vs бот vs RAG» разворачивается в 5 слоёв: диалоговый (UX) → оркестрация (ReAct / Plan and Execute) → знания (RAG) → действия (Tool Calling) → надёжность (логи, тесты, Guardrails). Отрезвляющая рамка курса: 80% — демо-проекты, 20% — решения, готовые к проду; цель — попасть в эти 20%.
Связано с
- Agent Anatomy — из чего агент состоит
- ReAct — цикл, в котором агент работает
- Agent vs Workflow — когда агент не нужен (хватит workflow)
Открытые вопросы
- как на практике обеспечить «результат проверяется автоматически»