Полный разбор архитектуры ИИ-агентов и их компонентов
Автор — Антипов Дмитрий
Руководитель разработки AI-продуктов в СБЕР (АБТ)
Большинство ИИ-агентов выглядят простыми, но внутри это сложные системы, где модель не только отвечает, но и планирует действия, вызывает инструменты и проверяет результаты. Поэтому не всегда очевидно, почему одни агенты стабильно работают в продакшене, а другие ломаются на базовых задачах.
В этой статье разберём архитектуру ReAct и как работают и создаются ИИ-агенты.
В этой статье разберём архитектуру ReAct и как работают и создаются ИИ-агенты.
ReAct — базовая архитектура AI-агентов
Агентные системы отличаются тем, что модель в них не просто генерирует ответ, а сама принимает решения: когда вызывать инструменты, какие шаги выполнять и в какой момент завершить работу.
Базовой архитектурой большинства современных ИИ-агентов считается подход ReAct (Reasoning + Acting), что можно перевести как «рассуждение + действие»
Работа ReAct строится по циклу: Think → Act → Observe (Подумать → Выполнить → Проверить результат).
Сначала модель анализирует задачу (Think), затем вызывает инструмент (Act), после чего получает результат и оценивает его (Observe). Цикл повторяется до завершения задачи.
Сначала модель анализирует задачу (Think), затем вызывает инструмент (Act), после чего получает результат и оценивает его (Observe). Цикл повторяется до завершения задачи.
Из чего состоит ИИ-агент
Чтобы этот цикл работал на практике, ReAct-агент собирается из набора взаимосвязанных компонентов. Вместе они превращают языковую модель в систему, которая может не только «думать», но и действовать.
1
Большая языковая модель (LLM)
Это интеллектуальное ядро ИИ-агента. Именно LLM (например, DeepSeek, Qwen или GigaChat) умеет рассуждать, строить план решения задачи и выбирать дальнейшие шаги. Но сама по себе модель не может открыть файл, обратиться к базе данных или вызвать API напрямую — она только «думает» и формирует решения в текстовом виде.
2
Агентные инструменты (Tools)
Это слой, который позволяет ИИ-агенту действовать в реальной среде. Через инструменты агент может обращаться к API, работать с базами данных, выполнять код, читать документы или выполнять веб-поиск.
3
Эмбеддинги (Embeddings)
Это способ представления данных (текста, изображений, аудио) в виде числовых векторов. Благодаря этому ИИ-агент может находить похожие документы, анализировать контекст и использовать семантический поиск в базе знаний (например, в RAG-системах). Эмбеддинги позволяют агенту понимать смысл, а не просто сравнивать строки текста.
4
Промпты и системные инструкции
Это инструкции, которые задают правила работы ИИ-агента: как он должен рассуждать, в каком формате выдавать ответ, когда использовать инструменты и когда уточнять информацию.
5
Function Calling (вызов функций)
Это механизм, который позволяет ИИ-агенту выбирать и вызывать внешние функции или API. В результате он не просто отвечает, а совершает реальное действие: создаёт заказ, обновляет данные или запускает бизнес-процесс.
6
Инференс (механизмы выполнения модели)
Это слой, который отвечает за запуск и выполнение LLM в реальном времени. Хорошо настроенный инференс позволяет ускорить обработку запросов, снизить стоимость вычислений и обеспечить стабильную работу под нагрузкой.
7
Протоколы взаимодействия (A2A и MCP)
В более сложных системах ИИ-агенты взаимодействуют не только с инструментами, но и друг с другом, а также с внешними платформами через специальные протоколы.
- A2A (Agent-to-Agent) — это протокол взаимодействия между агентами, где один агент ставит задачу, а другой — её выполняет. Агенты автоматически находят друг друга и делегируют задачи.
- MCP (Model Context Protocol) — это протокол, который позволяет динамически подключать к модели внешние инструменты, контекст и API. Он убирает необходимость жестко прописывать интеграции в коде и делает систему более гибкой.
Как создать ИИ-агента: дополнительные подходы
Помимо ReAct, существуют и другие популярные схемы, как собрать ИИ-агента.
Planner–Executor
Этот подход разделяет систему на два уровня: планировщик формирует стратегию решения задачи, а исполнитель последовательно реализует шаги этого плана.
Более продвинутая вариация этой идеи — Plan-and-Execute (P&E), где роли Planner и Executor строго разделены:
Такой подход решает одну из ключевых проблем ReAct — «близорукость». В ReAct агент принимает решения, опираясь только на текущий контекст и следующий шаг, тогда как в Plan-and-Execute вся последовательность действий формируется заранее, что делает работу более структурированной и логичной.
Более продвинутая вариация этой идеи — Plan-and-Execute (P&E), где роли Planner и Executor строго разделены:
- Planner сначала строит полный, структурированный план решения задачи;
- Executor выполняет его шаг за шагом, при необходимости корректируя выполнение.
Такой подход решает одну из ключевых проблем ReAct — «близорукость». В ReAct агент принимает решения, опираясь только на текущий контекст и следующий шаг, тогда как в Plan-and-Execute вся последовательность действий формируется заранее, что делает работу более структурированной и логичной.
Однако у подхода есть и недостаток — низкая гибкость. Если план оказался неточным или неполным, исполнитель не всегда способен адаптироваться к новым условиям
Поэтому в реальных системах часто добавляют механизм re-planning, который позволяет пересобирать план при возникновении ошибок или изменении контекста.
Гибридные архитектуры и практические рекомендации
На практике большинство production-систем не ограничиваются одним паттерном, а используют гибридные архитектуры, комбинируя разные подходы под конкретные задачи.
- CoT (Chain-of-Thought) + ReAct, где цепочка рассуждений используется для внутреннего анализа и логики, а ReAct отвечает за вызовы внешних инструментов и взаимодействие с окружением. Такой подход стал базовым в современных системах с function calling, например в GPT-4 и Claude
- Plan-and-Execute + ReAct, где планировщик формирует общий граф или последовательность задач, а каждый отдельный шаг выполняется ReAct-агентом. Такой подход активно применяется в фреймворках вроде AutoGen и LangGraph, так как позволяет сочетать глобальное планирование с гибкостью исполнения
- Reflexion — архитектура, в которой агент после неудачного выполнения задачи формирует «рефлексию», то есть анализ собственных ошибок, и затем повторяет попытку с учётом полученных выводов. Этот метод особенно эффективен в задачах, где результат можно проверить автоматически, например в программировании или математике
При выборе архитектурного паттерна обычно ориентируются на сложность задачи:
- если задача простая и требует до нескольких шагов — достаточно ReAct
- для сложных многошаговых сценариев лучше подходит Plan-and-Execute
- если же важна точность и возможность самокоррекции, эффективнее использовать Reflexion или гибридные схемы с re-planning
Заключение
Архитектуры ИИ-агентов помогают перейти от простых моделей генерации текста к системам, которые умеют действовать в реальном окружении. ReAct задает базовый цикл «рассуждение → действие → наблюдение», на котором строится большинство современных решений.
Поверх него появляются более сложные схемы — планирование, исполнение, самокоррекция и гибридные комбинации, которые делают агентов устойчивыми в продакшене.
Поверх него появляются более сложные схемы — планирование, исполнение, самокоррекция и гибридные комбинации, которые делают агентов устойчивыми в продакшене.
Другие статьи
АИ-агент — это программная система, которая способна самостоятельно выполнять разные задачи. С агентом можно анализировать данные, принимать решения, взаимодействовать с API, вызывать инструменты и управлять бизнес-процессами.
В отличие от обычных чат-ботов, AI-ассистенты работают не по жесткому сценарию, а адаптируются к контексту и могут выполнять последовательность действий без постоянного участия человека. Такие агенты работают, используя алгоритм машинного обучения, способны обучаться на основе предыдущих действий и анализируют информацию для получения более точного результата.
Для программистов освоение ИИ становятся важной частью современной backend- и enterprise-разработки. АИ-агентов можно использовать для автоматизации внутренних сервисов бизнеса, обработки событий, orchestration-процессов и построения intelligent workflow внутри распределенных систем. Особенно активно АИ-агенты внедряются в event-driven архитектуру, микросервисы и highload-платформы. Сегодня многие компании стремятся внедрить ИИ в корпоративные приложения, используя доступные инструменты и API для реализации сложных сценариев.
В разработке АИ-агентов можно использовать для автоматизации DevOps-задач, генерации документации, анализа логов, мониторинга инфраструктуры и обработки инцидентов. Агенты самостоятельно выполняют задачи: они могут обнаружить ошибку, собрать диагностическую информацию, создать задачу в трекере или запустить recovery-сценарий. Такой подход снижает нагрузку на инженерные команды и ускоряет реакцию на проблемы. Кроме того, AI-ассистент способен автоматически выполнять рутинные операции, предлагать инструкции для сотрудников и помогать в оптимизации рабочих процессов.
Отдельное направление — АИ-агенты для работы с данными и бизнес-логикой. Они помогают строить интеллектуальные пайплайны, анализировать пользовательские действия, координировать сервисы через Kafka, интегрироваться с LLM-моделями и управлять потоками данных в реальном времени. Для backend-разработчиков это открывает возможность создавать self-managed системы с более высоким уровнем автоматизации. Подобное применение AI особенно востребовано в сервисах поддержки, продажах и на цифровых платформах, где важны скорость обработки запросов и эффективность взаимодействия с клиентами.
Современные AI-ассистенты часто работают как часть distributed architecture: используют очереди сообщений, vector database, memory layer, external tools и orchestration-frameworks. Поэтому разработчику важно понимать не только основы machine learning, но и архитектуру AI-систем, работу inference-процессов, latency, observability и scaling distributed workloads. Дополнительно требуется настройка интеграции с внешними сервисами, контроль зависимости между компонентами и безопасность обработки данных в интернете. Во многих проектах AI-ассистенты создаются с помощью Python и специализированных framework-решений для максимально быстрой разработки.
AI-ассистенты уже становятся стандартным инструментом для бизнеса. Их внедряют в fintech, SaaS, e-commerce, cloud platforms и enterprise-системы, где требуется автоматизация сложных процессов, высокая скорость обработки данных и интеллектуальное взаимодействие между сервисами. Агенты позволяют автоматизировать коммуникацию, отвечать на запросы пользователей, общаться с клиентами на естественного языке и выполнять различные бизнес-стратегии без постоянного участия человека.
Для компаний агенты - это не только экономия ресурсов, но и будущее корпоративного ПО, где виртуальный AI-помощник самостоятельно выбирает оптимальные действия по заданным правилам. Производительность подобных систем растет благодаря развитию LLM-моделей, а современные AI-агенты способны выполнить сложные задачи практически без участия разработчиков.
Мы подготовили курс, где научим тебя с нуля создавать и использовать в своих в процессах сложных агентов для задач бизнеса.
Курс по ИИ-агентам длится 1 месяц в удобном онлайн-формате. В процессе обучения будем тренироваться на агентах и писать их самостоятельно либо ты можешь создать своего агента - по своей идее или реальному рабочему проекту. В конце выдаем сертификат об освоении агентов.
Преподавать на курсе по AI-агентам будет Дмитрий Антипов, руководитель разработки AI-продуктов в Группе Сбер (АБТ). Сейчас он занимается разработкой и внедрением агентов в юр-отдел, бухгалтерию, колл-центры, аналитику. У Дмитрия уже 7 лет опыта в AI-инженерии - и он поделится своим опытом и знаниями по агентам на нашем курсе.
В отличие от обычных чат-ботов, AI-ассистенты работают не по жесткому сценарию, а адаптируются к контексту и могут выполнять последовательность действий без постоянного участия человека. Такие агенты работают, используя алгоритм машинного обучения, способны обучаться на основе предыдущих действий и анализируют информацию для получения более точного результата.
Для программистов освоение ИИ становятся важной частью современной backend- и enterprise-разработки. АИ-агентов можно использовать для автоматизации внутренних сервисов бизнеса, обработки событий, orchestration-процессов и построения intelligent workflow внутри распределенных систем. Особенно активно АИ-агенты внедряются в event-driven архитектуру, микросервисы и highload-платформы. Сегодня многие компании стремятся внедрить ИИ в корпоративные приложения, используя доступные инструменты и API для реализации сложных сценариев.
В разработке АИ-агентов можно использовать для автоматизации DevOps-задач, генерации документации, анализа логов, мониторинга инфраструктуры и обработки инцидентов. Агенты самостоятельно выполняют задачи: они могут обнаружить ошибку, собрать диагностическую информацию, создать задачу в трекере или запустить recovery-сценарий. Такой подход снижает нагрузку на инженерные команды и ускоряет реакцию на проблемы. Кроме того, AI-ассистент способен автоматически выполнять рутинные операции, предлагать инструкции для сотрудников и помогать в оптимизации рабочих процессов.
Отдельное направление — АИ-агенты для работы с данными и бизнес-логикой. Они помогают строить интеллектуальные пайплайны, анализировать пользовательские действия, координировать сервисы через Kafka, интегрироваться с LLM-моделями и управлять потоками данных в реальном времени. Для backend-разработчиков это открывает возможность создавать self-managed системы с более высоким уровнем автоматизации. Подобное применение AI особенно востребовано в сервисах поддержки, продажах и на цифровых платформах, где важны скорость обработки запросов и эффективность взаимодействия с клиентами.
Современные AI-ассистенты часто работают как часть distributed architecture: используют очереди сообщений, vector database, memory layer, external tools и orchestration-frameworks. Поэтому разработчику важно понимать не только основы machine learning, но и архитектуру AI-систем, работу inference-процессов, latency, observability и scaling distributed workloads. Дополнительно требуется настройка интеграции с внешними сервисами, контроль зависимости между компонентами и безопасность обработки данных в интернете. Во многих проектах AI-ассистенты создаются с помощью Python и специализированных framework-решений для максимально быстрой разработки.
AI-ассистенты уже становятся стандартным инструментом для бизнеса. Их внедряют в fintech, SaaS, e-commerce, cloud platforms и enterprise-системы, где требуется автоматизация сложных процессов, высокая скорость обработки данных и интеллектуальное взаимодействие между сервисами. Агенты позволяют автоматизировать коммуникацию, отвечать на запросы пользователей, общаться с клиентами на естественного языке и выполнять различные бизнес-стратегии без постоянного участия человека.
Для компаний агенты - это не только экономия ресурсов, но и будущее корпоративного ПО, где виртуальный AI-помощник самостоятельно выбирает оптимальные действия по заданным правилам. Производительность подобных систем растет благодаря развитию LLM-моделей, а современные AI-агенты способны выполнить сложные задачи практически без участия разработчиков.
Мы подготовили курс, где научим тебя с нуля создавать и использовать в своих в процессах сложных агентов для задач бизнеса.
Курс по ИИ-агентам длится 1 месяц в удобном онлайн-формате. В процессе обучения будем тренироваться на агентах и писать их самостоятельно либо ты можешь создать своего агента - по своей идее или реальному рабочему проекту. В конце выдаем сертификат об освоении агентов.
Преподавать на курсе по AI-агентам будет Дмитрий Антипов, руководитель разработки AI-продуктов в Группе Сбер (АБТ). Сейчас он занимается разработкой и внедрением агентов в юр-отдел, бухгалтерию, колл-центры, аналитику. У Дмитрия уже 7 лет опыта в AI-инженерии - и он поделится своим опытом и знаниями по агентам на нашем курсе.