От чат-ботов к агентам

От чат-ботов к агентам .

Путь от текстового ответа к системе, которая выполняет задачи

7 блоков· Живая демонстрация· Вопросы

↓

Маршрут

Что нас ждёт

01

Оплата и ценность

Почему платные сервисы окупаются

02

Почему LLM недостаточно

Ограничения моделей

03

API

Мост между системами

04

ИИ-агент

Цикл, инструменты, память

05
Hermes и аналоги
Агентная система на практике

06

Практика

Живая демонстрация агента

07

Вопросы

Ответы на ваши вопросы

Блок 1

Почему платить — выгодно

Мы платим не за «ответы нейросети», а за инструмент производства

⚡

Сильные модели

GPT-4, Claude, DeepSeek — более глубокое рассуждение

🚀

Скорость

Стабильные ответы без ожидания в очереди

📊

Лимиты

Длинный контекст, много запросов, файлы

🔧

Инструменты

API, браузер, код, поиск, генерация

⏱

Экономия времени

Часы ручной работы → минуты автоматизации

💰

Окупаемость

Стоимость задачи, а не подписки

Блок 1 · Сравнение

Стоимость решённой задачи

«Считать нужно не стоимость подписки, а стоимость решённой задачи»

Без автоматизации

⏱ 3–5 часов на рутину в день

❌ Ошибки при ручном вводе

📉 Данные теряются и устаревают

🐌 Реакция на клиента — часами

→

С автоматизацией

⚡ Рутина выполняется за минуты

✅ Точность без ручного ввода

📊 Данные в реальном времени

🚀 Реакция на клиента — мгновенно

Блок 2

Почему одной LLM недостаточно

Определение

LLM — большая языковая модель, которая по контексту предсказывает наиболее вероятное продолжение текста

Вход→ LLM→ Текст

Всего лишь предсказание следующего токена

✗

Не база знаний — может уверенно ошибаться

✗

Недетерминированность — разные ответы на один вопрос

✗

Ограниченный контекст — не помнит всё

✗

Нет доступа к данным — не видит CRM, почту

✗

Нет действия — текст ≠ выполненная задача

✗

Непредсказуемый формат — может нарушить инструкцию

⚠

Безопасность — промпт-инъекции, утечки данных

⚠

Стоимость — длинные запросы расходуют токены

Блок 2 · Продолжение

Что добавляют вокруг модели

LLM

Языковая модель в центре системы

🗄

База данных

🔍

Поиск по документам

🔗

API сервисов

🧠

Память

✅

Валидация

📋

Журнал действий

🔒

Ограничения

⚙

Программный код

Чат-бот

Объяснил, как составить коммерческое предложение

→

Рабочая система
Получила данные, проверила цены, создала документ, записала в CRM, отправила на согласование

Блок 3

Что такое API

Определение

API — формальный способ, с помощью которого одна программа обращается к другой: передаёт запрос и получает структурированный ответ

👤

Клиент

GET /api/data

200 { JSON }

🖥

Сервер

«API — официант между вами и кухней: принимает заказ в понятном формате и возвращает результат»

Блок 3 · Зачем API агенту

Через API агент может

📧

Получить письма

📅

Проверить календарь

👥

Найти клиента в CRM

✅

Создать задачу

💱

Получить курс валют

🖼

Сгенерировать изображение

💬

Отправить сообщение

📊

Записать в таблицу

Блок 3 · Формула

LLM + API + Код

🧠

LLM решает

что нужно сделать

+

🔗

API позволяет

это сделать

+

⚙

Код контролирует

как именно

🔒

API-ключ — это пароль для программы. Нельзя вставлять в публичные документы. Агенту — только необходимые права.

Блок 4

Что такое ИИ-агент

LLM

+

Инструкции

+

Инструменты

+

Память

+

Цикл действий

+

Ограничения

Система на базе модели, которая получает цель, планирует действия, использует инструменты, оценивает результат и продолжает работу до выполнения задачи

Блок 4 · Сравнение

Чат-бот vs Агент

Чат-бот

Агент

Действие

Отвечает

Выполняет

Шаги

Ждёт сообщения

Делает шаги подряд

Среда

Текст

Браузер, файлы, API

Память

В диалоге

Память + расписание

Инструкции

Даёт инструкцию

Сам проходит по ней

Инструмент

Доступная функция: поиск, браузер, терминал

Память

Сохранённые факты и результаты прошлых задач

Навык

Повторно используемая процедура

MCP

Стандарт подключения внешних инструментов

Блок 4 · Применение

Где агенты полезны

✓ Полезны

🔬Исследование + отчёт

📨Обработка обращений

🔄Обновление CRM

📝Регулярные сводки

📄Работа с документами

✍Подготовка контента

💻Программирование

⚙Контроль процессов

✗ Не нужны

💬Простой вопрос-ответ

📐Одно действие по правилу

🤖Легко скриптом

⚠Критично без проверки

«Агент — не магический сотрудник. Это модель, помещённая в управляемый цикл и получившая доступ к инструментам»

Блок 5

Знакомьтесь

Hermes.

Открытая агентная система

Open SourceSelf-hosted Multi-modelАгентная

8

инструментов

∞

моделей

24/7

автоматизация

0₽

лицензия

Блок 5 · Архитектура

Как устроен Hermes

Блок 5 · Возможности

Что умеет Hermes

🔀

Выбор моделей

OpenAI, Claude, DeepSeek, локальные

🛠

Инструменты

Веб-поиск, файлы, терминал, браузер

🧠

Память

Постоянные факты между сессиями

📚

Навыки

Сохранённые процедуры для повторных задач

⏰

Расписание

Фоновые автоматизации и cron-задачи

👥

Подагенты

Параллельное выполнение частей задачи

🔌

MCP

Стандарт подключения внешних инструментов

💬

Каналы

CLI, Telegram, Discord

✓ Открытый исходный код

✓ Self-hosted развёртывание

✓ Без привязки к модели

✓ Накопление навыков

Блок 5 · Ограничения

Ограничения и риски

⚠

Требует технических навыков для запуска

⚠

Качество зависит от выбранной модели

⚠

Может выбрать неверный инструмент

⚠

Доступ к терминалу требует изоляции

⚠

Память может сохранить ошибку

⚠

Автономность ≠ отсутствие контроля

Блок 5 · Аналоги

Аналоги

OpenClaw

Персональный открытый агент

Manus

Облачный универсальный агент

Claude Code

Агент для разработки

n8n

Визуальные автоматизации

LangGraph

Фреймворк агентных процессов

CrewAI

Мультиагентная оркестрация

Блок 5 · Сравнение

Что сравнивать

Критерий

Hermes

Manus

CrewAI

n8n

Запуск

Локальный

Облако

Локальный

Сервер

Код

Открытый

Закрытый

Открытый

Модели

Любые

Свои

Любые

Узлы

Память

✓

—

Расписание

✓

—

✓

Навыки

✓

—

Сложность

Средняя

Низкая

Высокая

Низкая

Блок 6

Практика

Задача для агента

«Исследуй трёх конкурентов, собери ключевые различия, подготовь таблицу и короткие рекомендации для продукта»

Критерии готовности

□ Три конкурента

□ Конкретные параметры

□ Ссылки на источники

□ Таблица

□ Итоговые рекомендации

Блок 6 · Декомпозиция

Разбиение на подзадачи

01

🎯

Постановка цели

02

📋

План подзадач

03

🔍

Поиск данных

04

📊

Обработка

05

✅

Проверка

«Чем автономнее агент, тем важнее заранее определить, что считается готовым результатом»

Блок 6 · Этапы

Ход работы агента

План агента

Какие подзадачи выделил, какие инструменты, что параллельно

Выполнение

Выбор инструмента → параметры → наблюдение → корректировка

Проверка

Ссылки, факты, цифры, созданный файл

Улучшение

Исправить недостаток, добавить ограничение

Подумал

→

Вызвал инструмент

→

Увидел результат

→

Скорректировал

«Фраза агента \"готово\" не является доказательством. Проверять нужно конечный артефакт»

Блок 6 · Итог

Формула практики

🧠

Модель рассуждала

+

🔧

Инструменты добывали данные

+

🔄

Агентная оболочка управляла процессом

План Б на случай сбоя

Скриншоты этапов

Записанное видео

Сохранённый файл

Список инструментов

Резервный сценарий

Блок 7

Вопросы и ответы

+Агент может полностью заменить сотрудника?

Обычно он заменяет не должность, а отдельные операции внутри процесса.

+Можно ли доверять агенту?

Доверять можно в пределах заданных прав, проверок и стоимости ошибки.

+Нужно ли уметь программировать?

Для использования готовых агентов — не всегда. Для интеграции в серьёзный процесс — желательно.

+Чем агент отличается от автоматизации?

Автоматизация идёт по заранее заданному маршруту. Агент может выбирать маршрут по ситуации.

+Что лучше: готовый сервис или свой агент?

Готовый быстрее запустить. Свой проще адаптировать и контролировать, но дороже поддерживать.

+С чего начать?

Выбрать одну повторяющуюся, измеримую и обратимую задачу с невысокой стоимостью ошибки.

Переход от ответа к процессу.

Чем больше агент может сделать, тем важнее ограничения, проверка и ответственность человека

💬

LLM

Рассуждает

🔗

API

Подключает

🔧

Инструменты

Выполняют

🧠

Память

Запоминает

🤖

Агент

Управляет всем

Спасибо за внимание