Из чего собирают современных AI-агентов

От ответа в чате — к выполнению задачи

Руководителю редко нужен агент сам по себе. Нужен понятный результат: сводка по заказам, заполненная карточка обращения или список изменений в документе. Для такого результата важно определить, какие сведения система читает, какие действия выполняет и как подтверждает завершение.

Рассмотрим четыре инструмента для этой работы. Они находятся на разных уровнях: библиотеки, управляемые сервисы и инфраструктура для процессов. Поэтому общего рейтинга «кто лучше» здесь нет. Нас интересует, какую часть решения каждый подход помогает собрать.

OpenAI: инструменты для разработки агента

Agents SDK позволяет описывать агентов в коде, подключать инструменты и организовывать передачу задач между специалистами. Документация также описывает трассировку запусков, проверки и приостановку для согласования. Среду размещения, бизнес-инструменты и правила доступа команда приложения определяет сама.

Для заказчика полезный вопрос звучит так: «Сможем ли мы разобрать конкретный запуск — какие данные были прочитаны и почему появилось это действие?» Наш пример применения — обработка обращения с поиском по внутренним инструкциям и подготовкой карточки для менеджера. Совместимость с конкретной CRM требует отдельной проверки.

По материалам: OpenAI — Agents SDK ↗

Anthropic: среда для длительной работы

В апреле 2026 года Anthropic описала архитектуру Claude Managed Agents — управляемого сервиса для длительных агентных задач. В ней разделены журнал сессии, цикл работы модели и среды выполнения инструментов. История событий хранится отдельно от конкретного рабочего процесса, чтобы его можно было возобновить после сбоя.

Наш вывод для бизнеса: при работе с большим пакетом документов нужно обсуждать не только качество ответа, но и сохранение промежуточного результата. Например, что произойдёт, если обработка прервётся на середине? Сам сервис не определяет, какие документы правильные и кто должен принять итог: это часть проекта.

По материалам: Anthropic — Scaling Managed Agents: Decoupling the brain from the hands ↗

LangGraph: управляемый маршрут работы

LangGraph описывает процесс как граф шагов и переходов. В одном процессе можно сочетать обычную программную логику и решения модели, сохранять состояние и включать проверку человеком. Это инфраструктура для построения агента, а не готовый сотрудник с пониманием вашего бизнеса.

Наш пример — проверка комплекта документов. Программа проверяет обязательные поля, модель разбирает свободный текст, сотрудник рассматривает спорные места. При таком проектировании сначала полезно нарисовать маршрут и условия перехода, а уже затем выбирать модели для отдельных шагов.

По материалам: LangChain — LangGraph overview ↗

Yandex AI Studio: связь с рабочими системами

В июньском материале 2026 года Yandex Cloud описывает работу агентов с внешними системами через MCP — протокол подключения инструментов. В MCP Hub можно подключить существующий сервер или создать инструменты поверх API. Платформа позволяет ограничивать доступные действия, настраивать их подтверждение и вести журнал вызовов.

Для российского бизнеса это ещё один подход, который имеет смысл рассмотреть при проектировании. Наш пример — агент, который собирает сведения из корпоративного трекера и готовит сводку сотруднику. Подключение конкретной конфигурации 1С или CRM нужно обследовать отдельно: название платформы не означает готовую интеграцию с любой системой.

По материалам: Yandex Cloud — Автоматизация рутинных задач с помощью MCP в Yandex AI Studio ↗

Что выяснить до выбора платформы

Для бизнеса в России первым шагом мы бы сделали проверку доступности выбранного сервиса для вашей организации, условий размещения данных и возможности подключения к рабочим системам. Упоминание продукта в обзоре не означает, что он доступен для любого проекта или уже связан с 1С.

Затем попросите показать один полный проход на ваших примерах. Важен весь путь — от получения данных до результата, который сотрудник может принять или вернуть на доработку.

• Где находятся исходные данные и какие из них действительно нужны модели?
• Что произойдёт при повторном запуске: не появится ли дубликат заявки или документа?
• Кто увидит ошибку, исправит её и сможет продолжить процесс?
• Как будут измеряться качество, время проверки человеком и стоимость обработки?