Цикл агента: подумать, сделать, проверить
Что такое ИИ-агентИИ-агент. ИИ-агент это нейросеть, которая сама выполняет задачу по шагам: ищет данные и пользуется программами, а в конце проверяет результат. и чем он отличается от бота, мы разобрали в отдельной статье. Здесь только механика: что происходит внутри, пока агент решает задачу.
Цикл агента состоит из пяти звеньев.
1. Задача: сообщение клиента, письмо или поручение сотрудника.
2. Рассуждение: какой шаг сделать. Модель читает задачу, инструкцию и все, что уже известно, и выбирает следующий шаг.
3. Действие: вызов инструмента. Агент ищет заказ в CRM, читает документ или отправляет письмо.
4. Результат шага: ответ системы возвращается модели и становится частью того, что агент знает.
5. Проверка: задача решена? Если нет, следующий шаг, и цикл повторяется. Если да, агент дает ответ.
Так цикл описывают и разработчики. В Claude Agent SDK, который Anthropic представила под этим именем 29 сентября 2025 года, это «собрать контекст, сделать действие, проверить результат, повторить».
Anthropic добавляет два условия надежности. На каждом шаге агент получает ответ от реальной системы, а не додумывает его, а у цикла есть условие остановки, например предельное число шагов, иначе агент может ходить по кругу и тратить деньги.
Модель
Модель (большая языковая модельбольшая языковая модель. Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу., нейросеть, которая понимает и пишет текст) отвечает в цикле за звено «Рассуждение». Она понимает задачу и выбирает шаг, но сама ничего не делает в ваших системах.
OpenAI в руководстве по сборке агентов советует начинать прототип с сильной модели и измерить качество. Затем пробуют модели меньше и дешевле там, где качество не падает: простую задачу, например определить тему обращения, решит и небольшая модель.
Какую модель выбрать для бизнеса и где она обрабатывает данные, мы разобрали в статье о выборе модели.
Инструкции
Инструкция (системный промптсистемный промпт. Системный промпт это постоянная инструкция для нейросети, которую разработчик задает до начала разговора: кто она, что ей можно, что нельзя и каким тоном отвечать., постоянное задание для модели) говорит агенту, кто он, что ему можно и чего нельзя. Модель получает ее вместе с задачей и опирается на нее на каждом шаге.
OpenAI дает четыре правила хорошей инструкции. Берите готовые документы: регламенты, скрипты поддержки, статьи базы знанийбаза знаний для ИИ. База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы.. Делите задачу на мелкие шаги.
Для каждого шага указывайте конкретное действие, например «спросить номер заказа». И прописывайте нестандартные случаи: что делать, если клиент не дал данных или спросил не о том.
Как написать такую инструкцию по шагам, разобрано на странице о системном промпте агента.
Инструменты
Инструмент это подключение, через которое агент действует: поиск в CRM, чтение файла, отправка письма. В цикле это звено «Действие: вызов инструмента».
OpenAI делит инструменты на три вида. Для данных: прочитать запись в CRM или PDF-документ, найти сведения в интернете. Для действий: отправить письмо, обновить карточку клиента, передать обращение человеку.
Третий вид нужен командам агентов: другой агент выступает инструментом, например агент возвратов, которого вызывает агент поддержки.
Подключать сервисы помогает MCPMCP. MCP (Model Context Protocol) это открытый стандарт, через который ИИ-приложения подключаются к инструментам и данным: файлам, CRM, базам, сервисам. (Model Context Protocol, единый стандарт подключения ИИ к данным и сервисам). Через него внешние сервисы подключает, например, Claude Agent SDK. Какие инструменты давать агенту и как их описывать, на отдельной странице.
Знания и память
Знания это ваши документы. Агент работает с ними через RAGRAG. RAG это схема, в которой ИИ сначала находит нужные фрагменты в ваших документах, а потом отвечает, опираясь на них. (поиск по документам перед ответом): модель сначала находит подходящие фрагменты в базе и отвечает по ним.
Подход описали Lewis и соавторы в 2020 году. Он позволяет агенту работать с вашими документами без обучения модели. Как собрать такую базу по шагам, разобрано на странице о том, как сделать RAG.
Память это то, что агент помнит о разговоре и о клиенте. Документация LangChain различает два вида: краткосрочную, которая хранит историю одного разговора, и долгосрочную, которая хранит сведения о пользователе между разговорами.
Память не бесконечна. Та же документация предупреждает: полная история может не поместиться в контекстное окноконтекстное окно. Контекстное окно это объем текста в токенах, который языковая модель видит за один раз: инструкции, документы, вопрос и ее собственный ответ. модели (объем текста, который она видит за раз), а на длинном тексте модели работают хуже, поэтому устаревшее из памяти убирают.
Подробно о видах памяти и о том, что в ней хранить, на странице о памяти агента.
Один вопрос клиента от начала до конца
Возьмем чат интернет-магазина. Клиент пишет: «Где мой заказ?» и называет номер. Вот как агент проходит цикл.
Первый круг. Модель читает сообщение и инструкцию: «отвечай по данным учетной системы, сроки доставки не обещай». Вывод: нужен статус заказа. Агент вызывает инструмент поиска заказа, учетная система отвечает, что заказ передан в службу доставки, и дает трек-номер.
Второй круг. Модель проверяет, хватает ли данных для ответа. Хватает: агент пишет клиенту статус и трек-номер, и цикл закончен.
Если клиент добавит «тогда отмените заказ», цикл начнется снова, но отмена относится к рискованным действиям. По совету OpenAI такой шаг передают человеку: агент собирает номер заказа и причину и ставит задачу менеджеру.
Каждый следующий круг дороже предыдущего. По документации Claude, на каждом шаге модель заново получает всю историю: инструкцию, сообщения, результаты инструментов и их описания. Задача на десять кругов стоит заметно больше десяти коротких ответов, поэтому лимит шагов бережет и деньги.
В конструкторе Dify такой лимит задает настройка Maximum Iterations: она ограничивает число циклов на один запрос. Это первое, что стоит выставить, прежде чем пускать агента к клиентам.
Где агенты ошибаются
Ошибка в цикле накапливается: неверный результат одного шага становится входом для следующего. Anthropic прямо пишет о риске накопления ошибок у агентов и советует тестировать их в изолированной среде с ограничителямиограничители. Ограничители (guardrails) это проверки и правила вокруг языковой модели, которые не пускают в нее опасные запросы и не выпускают из нее недопустимые ответы и действия..
Частые места ошибок: модель додумала ответ вместо поиска в документах, инструмент вернул ошибку, а агент ее не заметил, инструкция не описала нестандартный случай. Почему агент отвечает неправильно и как это исправить, в отдельной статье блога.
OpenAI называет два случая, когда агент передает задачу человеку. Первый: он превысил лимит попыток, например несколько раз не понял, чего хочет клиент.
Второй: агент собирается сделать рискованное или необратимое действие, например отменить заказ, оформить крупный возврат или провести платеж. Такие шаги проверяет человек, пока агент не докажет надежность.
Из каких деталей собрать агента так, чтобы эти ошибки ловились, разобрано на странице о семи деталях агента.
Когда агент не нужен
Цикл с рассуждением нужен не каждой задаче. Anthropic советует начинать с самого простого решения и усложнять, только когда это нужно; иногда это значит вообще не строить агента.
Агент оправдан, когда число шагов заранее не предсказать и путь нельзя прописать жестко. Если шаги всегда одни и те же, например выгрузить заявки из почты в CRM, сценарий с заданными шагами работает предсказуемее и дешевле.
OpenAI называет три признака задачи для агента: решения со множеством исключений, например одобрение возврата денег; громоздкие правила, которые дорого и рискованно обновлять; много неструктурированных данных вроде писем и сканов. Если ни одного признака нет, хватит обычной автоматизации.
Простое правило для руководителя: опишите задачу списком шагов. Если список не меняется от клиента к клиенту, агент не нужен. Если в нем много «если», агент стоит своей сложности.