Первый ИИ-агент за вечер: пошаговая инструкция без кода

Агент из этой инструкции делает одно дело: отвечает на вопросы по вашим документам. ИИ-агентИИ-агент ИИ-агент это нейросеть, которая не просто отвечает, а сама выполняет задачу по шагам: ищет данные, пользуется программами и проверяет результат. Подробнее в словаре здесь значит программу, которая получает вопрос, сама ищет нужные фрагменты в документах и пишет ответ с помощью языковой моделибольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре.

Понадобятся компьютер на macOS, Windows или Linux, среда Node.js версии от 20.19 до 24.x (в ней работает n8n), аккаунт в Telegram и, для шага 4, сервер с доменом и адресом HTTPS.

Модель запускает Ollama: программа для открытых моделей на своем компьютере или сервере, лицензия MIT. n8n распространяется по лицензии Sustainable Use License (fair-code): ставить у себя и менять можно, перепродавать как облачный сервис нельзя.

Мы ведем инструкцию на n8n, потому что в нем есть готовые узлы для Telegram. Если удобнее визуальный конструктор Flowise с лицензией Apache 2.0, первые три шага повторяются в нем, подробно на странице об агенте на Flowise.

Срок в часах мы не обещаем: он зависит от компьютера и скорости скачивания модели. По сложности это задача на вечер, программировать не нужно, команды терминала даны ниже дословно.

Ставим две программы: Ollama для модели и n8n для агента. Обе работают на вашем компьютере, данные никуда не уходят.

1. Скачайте Ollama с ollama.com/download и установите как обычную программу. На Linux сервер модели запускается командой ollama serve, если он еще не работает.

2. Установите Node.js версии от 20.19 до 24.x: этого требует документация n8n.

3. Поставьте Docker: документация n8n требует его даже при запуске через npm. Затем запустите n8n командой npx n8n или поставьте насовсем: npm install n8n -g, а затем n8n start. С версии 3.0 n8n будет выходить только в Docker, этот путь описан в инструкции по n8n.

4. Откройте в браузере адрес http://localhost:5678: это интерфейс n8n на вашем компьютере.

Первые три шага делаются на одном компьютере. Перенос на сервер понадобится только для Telegram. Что еще умеет n8n, разобрано на странице про агента на n8n.

Модель это файл с обученной нейросетью, которая пишет ответы. Ollama скачивает модель одной командой и отдает ее другим программам по адресу http://localhost:11434.

1. Скачайте модель для ответов командой ollama pull qwen3:8b. Это Qwen 3, открытая модельмодель с открытыми весами Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. Подробнее в словаре на лицензии Apache 2.0, файл весит 5,2 ГБ. На слабом компьютере возьмите qwen3:4b весом 2,5 ГБ.

2. Скачайте модель для поиска по документам: ollama pull nomic-embed-text. Она превращает текст в векторы, то есть в наборы чисел, по которым n8n находит фрагменты, близкие по смыслу к вопросу.

3. Проверьте модель в терминале: выполните ollama run qwen3:8b и задайте вопрос. Для выхода из чата наберите /bye.

4. В n8n создайте учетные данные (credentials) Ollama. В поле «Base URL» оставьте http://localhost:11434. Если n8n не видит Ollama, документация советует написать 127.0.0.1 вместо localhost.

Другая открытая модель с лицензией MIT: DeepSeek R1, ее веса опубликованы 20 января 2025 года. Меняйте модель, если ответы Qwen вас не устроят на ваших вопросах.

Агент отвечает по документам через RAGRAG RAG это схема, в которой ИИ сначала находит нужные фрагменты в ваших документах, а потом отвечает, опираясь на них. Подробнее в словаре: перед ответом он ищет в базе подходящие фрагменты и пишет ответ по ним. Сначала собираем рабочий процесс (workflowворкфлоу и агент Воркфлоу и агент это два способа построить ИИ-систему: в воркфлоу шаги заранее заданы кодом, а агент сам выбирает следующий шаг и инструменты по ходу работы. Подробнее в словаре, цепочку узлов в n8n), который загружает документы в базу.

1. Создайте рабочий процесс и добавьте узел n8n Form Trigger. В форму добавьте поле типа «File» (файл).

2. Добавьте узел «Simple Vector Store» (простая векторная база) с операцией «Insert Documents» (добавить документы).

3. Подключите к базе узел «Embeddings Ollama» с моделью nomic-embed-text и узел «Default Data Loader» с типом данных «Binary» (файл). Режим «Simple» сам режет текст на фрагменты.

4. Нажмите «Execute Workflow»: n8n откроет форму, загрузите в нее документ.

5. Создайте второй рабочий процесс с узлами Chat Trigger и AI Agent. К агенту подключите «Ollama Chat Modelчат-модель Чат-модель это языковая модель, дообученная вести диалог: она понимает роли собеседников, следует инструкциям и отвечает на реплики, а не просто продолжает текст. Подробнее в словаре» с моделью qwen3:8b и как инструмент ту же «Simple Vector Store» в режиме «Retrieve Documents (As Tool for AI Agent)» с тем же ключом базы («Memory Key»).

6. К базе во втором процессе подключите ту же модель nomic-embed-text: документация n8n требует одну модель для загрузки и для поиска.

7. В параметрах агента откройте «System Message» и запишите правила: отвечать только по документам, а если ответа в них нет, так и сказать.

Simple Vector Store хранит фрагменты только в памяти: после перезапуска n8n документы придется загрузить снова. Для постоянной работы n8n рекомендует другую векторную базу, для первого агента хватит этой.

Telegram присылает сообщения в n8n только на адрес HTTPS. На домашнем компьютере бот не заработает: n8n нужен на сервере с доменом и сертификатом, а в переменной WEBHOOK_URL указывают его адрес HTTPS.

1. Напишите в Telegram боту @BotFather команду /newbot, задайте имя бота и username, который заканчивается на bot. BotFather пришлет токентокен Токен это кусочек текста: слово, часть слова или знак, с которыми работает языковая модель. Подробнее в словаре: храните его как пароль и никому не показывайте.

2. В n8n создайте учетные данные Telegram и вставьте токен в поле «Access Token».

3. Во втором рабочем процессе замените Chat Trigger на «Telegram Trigger» с событием «Message» (новое сообщение).

4. В узле AI Agent в поле «Prompt (User Message)» выберите «Define below» и подставьте текст сообщения из Telegram Trigger.

5. После агента добавьте узел Telegram: ресурс «Message», операция «Send Message». В «Chat ID» передайте номер чата из Telegram Trigger, в «Text» ответ агента.

Telegram держит один вебхук на бота. Для проверок заведите второго бота, иначе тестовый запуск перебьет рабочий. Бот для клиентов с записью и передачей разговора человеку разобран на странице про агента в Telegram.

Если боту пишут клиенты, в переписке будут их персональные данные. По 152-ФЗ данные граждан РФ хранят в базах на территории России, а до передачи за рубеж оператор подает уведомление в Роскомнадзор, поэтому сервер для такого бота берите в России. Подробнее на странице о безопасности данных.

Агент, который уверенно отвечает неправду, вредит больше, чем его отсутствие. Проверьте его до того, как дадите ссылку на бота людям.

1. Составьте 10 вопросов, ответы на которые точно есть в документах, и 3 вопроса, ответов на которые там нет.

2. Задайте их в чате n8n и сверьте ответы с документами. На вопросы без ответа агент должен сказать, что не знает.

3. Включите в агенте параметр «Return Intermediate Steps»: в ответе появятся шаги агента, и видно, обращался ли он к базе документов.

4. Если агент выдумывает, допишите запрет в «System Message» и снизьте «Sampling Temperature» у модели. По документации n8n высокая температура повышает риск выдуманных ответов.

5. Повторяйте тот же набор вопросов после каждой правки и каждого обновления документов.

Как построить проверку для агента, который работает с клиентами, разобрано на странице о тестировании агента.