По состоянию на 21.11: ИИ-агент — это обычная программа-прослойка. Она передаёт задачу языковой модели, выполняет вызовы инструментов, которые модель запросила, и возвращает результаты обратно. Модель сама ничего не запускает. Так описывает агента Selectel; в его примере используется Python 3.10 и новее и небольшая модель через Ollama.

Что произошло

Selectel опубликовал на Хабре 19.11.2026 материал о том, как написать своего ИИ-агента без фреймворков и готовых решений вроде OpenCode. Первоисточник: статья Selectel на Хабре от 19.11.2026. По данным издания, текст рассчитан на тех, кто только начинает и не обладает глубокими техническими знаниями.

Автор строит материал в три шага: кратко разбирает, что такое ИИ-агент, учит модель вызывать инструменты и собирает всё в CLI-приложение. Зачем писать своего агента, когда есть готовые, он объясняет двумя доводами. Первый: так можно разобраться в вопросе и гибко настроить логику под свои процессы. Второй: в свете недавних блокировок сервисов собственная разработка, по его словам, самый надёжный способ сохранить доступ.

В тексте есть сравнение. По данным Selectel, LLM — это стажёр в закрытой комнате: ему можно дать описание задачи или кусок кода, и он попробует предположить, что происходит. Агент — это стажёр, которому дали ноутбук с доступами.

Агентом автор называет программу-прослойку: обычный код, который передаёт задачу LLM вместе с описанием инструментов. Код выполняет вызовы, о которых попросила модель, и возвращает результаты в LLM. Отдельно подчёркнуто, что LLM сама ничего не вызывает. Она лишь генерирует текст о том, что надо бы вызвать некую функцию.

В практической части автор использует модель qwen2.5:3b, запущенную через Ollama на Macbook. Он пишет, что модель умеет вызывать инструменты и для демонстрации её хватит. Про версию Python автор поясняет: в коде есть запись list[dict] | None, поэтому подойдёт 3.10 и новее.

Первым инструментом становится поиск по исходному коду проекта через системную утилиту grep, которую вызывают из Python. В коде автора есть строка REPO_ROOT = Path("./repo").resolve() с комментарием «директория проекта, доступная агенту». Там же список исключённых каталогов: .git, venv, .venv, pycache и node_modules.

Что это значит для вашего бизнеса и команды

По нашей оценке, польза материала не в коде, а в ясной модели. Если команда понимает, что агент — обычная программа вокруг модели, исчезает магия и появляются вопросы по делу. Какие действия мы разрешаем? К каким данным даём доступ? Кто проверяет результат?

Разницу между подходами видно на сравнении. Источник прямо описывает чат и агента, а скрипт упоминает как программу с заранее заданной последовательностью действий. Поэтому в таблице три строки, но про скрипт данных меньше.

ПодходКто выбирает следующий шагЧто сказано в источнике
Чат с LLMПользователь пишет запрос, модель отвечаетВсё прямолинейно: запрос и ответ
СкриптЗаранее заданная последовательностьСказано только, что действия заданы заранее
АгентМодель, в зависимости от задачи и результатовДополнительный цикл с вызовом инструментов

Вывод по нашей оценке: у агента нет ни заранее заданного маршрута, как у скрипта, ни пассивной роли, как у чата. Поэтому ему нужны границы, которые вы задаёте в коде.

Для руководителя это означает конкретную вещь. Процесс, где сотрудник ищет информацию в нескольких местах и сводит её в ответ, потенциально подходит для агента. Пример от нас, не из источника: менеджер проверяет в документации условия возврата, сверяет их с договором и пишет клиенту. Агент с двумя инструментами, поиском по документам и чтением договора, может подготовить черновик, а человек его проверит.

Для технического специалиста вывод другой. Автор Selectel показывает демонстрацию на Python и небольшой локальной модели. По нашей оценке, первый вариант можно собрать без фреймворков и облачных подписок, а значит, без новых договоров и передачи данных наружу.

Есть и ограничение. Автор описывает один инструмент, поиск по коду, и модель на 3b в рамках демонстрации. Сколько времени займёт агент для ваших процессов и хватит ли такой модели на ваши задачи, источник не называет. Это неизвестно, и проверять придётся на своих данных.

Ещё одно следствие касается зависимости от сервисов. Автор связывает собственную разработку с недавними блокировками и называет её способом сохранить доступ. Мы этот довод не оцениваем. Но вопрос «что будет с процессом, если сервис модели станет недоступен» стоит задать до запуска, а не после. О выборе между облаком и своим сервером мы писали в материале Self-Hosted LLM vs Cloud API: как выбрать маршрут запросов.

Что сделать сегодня и на этой неделе

Ниже шесть шагов, которые выполнит предприниматель или руководитель команды своими силами. Часть из них для технического сотрудника, часть для того, кто принимает решения. Мы рекомендуем уложиться в неделю и не пытаться автоматизировать всё сразу.

  • Выберите один повторяющийся процесс, где человек ищет данные и пишет по ним ответ. Руководителю стоит записать его по шагам на одной странице.
  • Выпишите, какие действия в этом процессе мог бы выполнить код: прочитать файл, сделать запрос в API, проверить доступность сервиса. Это будущие инструменты агента.
  • Проверьте версию Python на рабочем компьютере разработчика: автор Selectel пишет, что для его кода подойдёт 3.10 и новее. Обновите, если версия старше.
  • Запустите небольшую модель с поддержкой вызова инструментов на тестовой машине. Автор источника взял qwen2.5:3b через Ollama; это один из вариантов, можно взять другую модель или облачный API. Разработчик убедится, что модель отвечает через API.
  • Подготовьте отдельную пустую папку с копией нужных данных и укажите её как единственную рабочую директорию агента. Реальные рабочие файлы и ключи туда не кладите.
  • Назначьте человека, который проверяет каждый результат агента в первые недели. Договоритесь, где он фиксирует ошибки.

По нашей оценке, шаги про выбор процесса, список действий и назначение ответственного не требуют программирования. Остальные, установку, проверку версий и подготовку папки, лучше поручить одному техническому сотруднику. Если к концу недели у вас есть описанный процесс, работающая модель и изолированная папка, вы готовы писать первого агента. Если нет, лучше сократить задачу, чем расширять доступы.

Условие готовности простое: агент должен выполнить один сценарий от начала до конца на тестовых данных. Пока этого нет, к реальным системям его не подключайте.

Как подготовиться к похожим изменениям

Инструменты вокруг ИИ меняются быстро: сегодня одна модель и один сервис, через полгода другие. Подготовка здесь не про конкретную версию, а про устройство процесса, которое выдержит замену любой детали. Ниже принципы, которые остаются верными и после того, как новость забыта.

Первый принцип: отделяйте модель от инструментов. Автор Selectel описывает систему из трёх частей: LLM как «мозг», Tools как «руки» и CLI как точка входа, где ставят задачи. Если эти части не склеены намертво, модель можно заменить, не переписывая инструменты. Для команды это страховка от смены цен, лимитов и доступности сервисов.

Второй принцип: давайте агенту минимум прав. Любой инструмент — это возможность что-то сделать во внешнем мире, и ошибка модели превращается в ошибку действия. Начинайте с чтения, а запись, отправку и удаление добавляйте по одной, когда видите стабильную работу. Ограничение рабочей директории и список исключённых каталогов, как в примере Selectel, — рабочая модель такой дисциплины.

Третий принцип: держите человека в контуре. Модель выбирает шаги на основе текста, а не понимания вашего бизнеса. Поэтому для необратимых действий, например оплаты, массовой рассылки или удаления, нужно подтверждение человека. Снимать этот контроль стоит только после накопленной статистики ошибок по вашим данным.

Четвёртый принцип: ведите журнал. Записывайте задачу, какой инструмент вызвала модель, с какими параметрами и что получила в ответ. Журнал нужен, чтобы разобрать сбой, сравнить две модели на одинаковых задачах и показать руководству, что агент делает.

Пятый принцип: заранее решите, когда писать самому, а когда брать готовое. Свой агент даёт контроль и понимание, но требует поддержки. Готовая платформа быстрее, но привязывает к её правилам. Варианты таких платформ разобраны в материале n8n аналоги: российские и зарубежные платформы.

Шестой принцип: перед внедрением проверьте процессы, а не технологию. Агент, подключённый к хаосу, ускоряет хаос. Как оценить, что автоматизировать в первую очередь, описано в статье ИИ-автоматизация бизнес-процессов: аудит перед внедрением.

Порядок на будущее: сначала описать процесс, потом выбрать инструменты, затем модель, и только после этого писать код. Когда выйдет новая модель или сервис изменит условия, вы поменяете одну деталь и прогоните те же тестовые задачи. Если результаты не хуже, переход идёт быстрее, чем перестройка всего процесса.

Частые вопросы

Чем ИИ-агент отличается от обычного чата с языковой моделью и скрипта?

В чате вы пишете запрос, модель генерирует ответ, и на этом всё. В агенте появляется цикл: вместе с запросом модель получает описание инструментов, при необходимости просит вызвать функцию, код выполняет вызов и возвращает результат модели. Цикл повторяется, пока модель не соберёт данные для финального ответа.

От скрипта агент отличается тем, что следующий шаг выбирает модель, а не заранее прописанная последовательность. По описанию Selectel, сама LLM ничего не вызывает, она только пишет, что нужно вызвать. Выполняет вызовы обычный код-прослойка.

Нужно ли уметь программировать, чтобы собрать своего агента, и какая версия Python подойдёт?

Базовые навыки нужны: агент в источнике написан на Python, а первый инструмент вызывает системную утилиту grep из кода. Материал рассчитан на новичков без глубоких технических знаний и без фреймворков. По нашей оценке, писать и запускать код всё равно придётся.

Автор Selectel объясняет выбор версии так: в его коде есть запись list[dict] | None, поэтому подойдёт Python 3.10 и новее. Если программиста в команде нет, решения и описание процесса готовит руководитель, а код пишет один технический сотрудник или подрядчик.

Можно ли запустить агента на локальной модели, например через Ollama, и хватит ли небольшой модели?

В источнике так и сделано: автор использует qwen2.5:3b через Ollama на Macbook и пишет, что для сегодняшней демонстрации модели хватит. Это относится к учебному примеру с поиском по коду. Хватит ли такой модели для ваших задач, источник не говорит.

Мы рекомендуем проверить это на реальных примерах: прогоните одинаковые задачи на малой и более крупной модели и сравните, где инструмент выбран верно. Отдельно в источнике сказано про установку Ollama: сервер пригодится, если модели не хватает памяти или нужен GPU, а доступ к ней нужен не только с одного компьютера.

Какие доступы безопасно давать агенту и как ограничить его рабочую директорию?

Минимальные: только чтение и только к тем данным, которые нужны для задачи. В примере Selectel путь к проекту задан в коде строкой REPO_ROOT = Path("./repo").resolve(), с комментарием, что это директория, доступная агенту. Служебные каталоги .git, venv, .venv, pycache и node_modules исключены из поиска.

Мы рекомендуем тот же подход: одна папка, список исключений, никаких общих ключей и боевых баз на старте. Запись и удаление добавляйте позже и с подтверждением человека.

Когда стоит писать агента самостоятельно, а когда брать готовое решение или платформу автоматизации?

Автор источника называет два довода за свою разработку: понимание устройства и гибкая настройка под свои процессы, а также независимость от сервисов, которые могут стать недоступны. Это его оценка, а не измеренный результат.

По нашей оценке, самописный агент оправдан, когда задача узкая, данные чувствительные, а в команде есть человек, который будет его поддерживать. Готовая платформа подходит, когда нужна быстрая связка стандартных систем и нет ресурса на поддержку кода. Часто разумно начать с прототипа, а потом решить, оставлять ли его.

Что делать дальше

Чтобы выбрать, какие процессы отдать ИИ-агенту, закажите аудит и миграцию ИИ-процессов. Вы получите разбор процессов по пунктам и список задач для старта.