Поддержка и первая линия
Агент отвечает на типовые вопросы по вашей базе знаний со ссылкой на источник и передаёт человеку то, что не может закрыть сам.
AI-агенты для бизнеса
AI-агент это программа, которая получает задачу текстом, сама планирует шаги, выполняет их через ваши сервисы и проверяет результат. Разработка под ключ: от 40 000 ₽, срок по задаче. Делаю агентов, которые работают в проде круглосуточно, а не показательные демо на один запрос.
Коротко
- Цена
- От 40 000 ₽, точная смета по задаче
- Срок
- По задаче: простой сценарий за несколько дней, сложный за недели
- Что входит
- Агент под процесс, интеграции с CRM и мессенджерами, мониторинг, сопровождение после запуска
- Модели
- OpenAI, Anthropic, GigaChat, YandexGPT под единым интерфейсом с автоматическим fallback
- Инфраструктура
- Docker, FastAPI, PostgreSQL с pgvector, деплой на ваш VPS или в облако
- Опыт
- Собственный SMM-агент управляет реальными деньгами на пяти биржах круглосуточно
Чем агент отличается от чат-бота
Чат-бот отвечает на сообщение. Агент выполняет задачу: разбивает её на шаги, вызывает нужные инструменты (ваш API, CRM, таблицу, платёжный сервис), смотрит на результат и при необходимости переделывает.
Разница видна на простом примере. Чат-бот на вопрос «сколько стоит доставка в Казань» найдёт абзац в базе знаний. Агент на задачу «оформи заказ клиенту из Казани и пришли мне подтверждение» соберёт корзину, посчитает доставку, создаст запись в CRM и отчитается о том, что реально произошло.
Из этого следует и главный риск: агент действует. Поэтому в моих агентах отдельным слоем идут ограничители: идемпотентность операций, сухие прогоны (dry-run), лимиты и независимая проверка результата.
Что обычно поручают агенту
Квалификация заявок
Задаёт нужные вопросы, отсекает нецелевые обращения, собирает бриф и передаёт менеджеру готовую карточку клиента.
Работа с базой знаний (RAG)
Отвечает по вашим документам, регламентам и прайсам с указанием файла и раздела, откуда взят ответ. Не выдумывает то, чего в документах нет.
Мониторинг и алерты
Следит за ценами конкурентов, остатками, статусами заказов и присылает не сырые логи, а решение: что произошло и что с этим делать.
Отчёты и сводки
Собирает данные из разных сервисов и кладёт готовую сводку в Telegram к нужному времени.
Полный цикл операций
Самый сложный сценарий: агент сам размещает и оплачивает заказы, ведёт учёт и проверяет результат замером, а не отчётом площадки.
Как устроена надёжность
LLM ошибается, сеть падает, у провайдера бывает недоступность. Это проектируется заранее, а не чинится после инцидента.
- Мульти-LLM: несколько моделей под единым интерфейсом, при отказе одной запрос уходит в следующую
- Structured outputs: агент возвращает данные в фиксированной схеме, а не свободный текст, который нужно угадывать
- Идемпотентность: повтор операции не создаёт второй заказ и не списывает деньги дважды
- Dry-run: любой сценарий прогоняется вхолостую до боевого запуска
- Независимая верификация: результат подтверждается внешним замером, а не словами исполнителя
- Healthcheck и внешний watchdog: если агент встал, вы узнаете об этом раньше клиентов
Кейс: SMM-агент полного цикла
Коммерческий проект, работает в проде круглосуточно. Агент принимает задачу текстом, размещает заказы на пяти биржах через единый слой адаптеров, управляет реальными деньгами и сам проверяет результат.
Проверка сделана принципиально: агент не верит статусам площадок. Он ставит UTM-метки и сверяет обещанный объём с фактическим приростом в Яндекс.Метрике. Если площадка отчиталась, а прироста нет, задача не считается закрытой.
Money-safety вынесена на уровень схемы базы данных: платёжные операции идемпотентны, двойное списание невозможно технически, а не по договорённости.
Кейс: Kent AI Assistant
Открытый проект: LLM-ассистент в Telegram с RAG по базе знаний. Несколько моделей (OpenAI, Anthropic, YandexGPT, GigaChat) под единым интерфейсом с автоматическим fallback.
Поиск по документам построен на pgvector: семантический поиск, реранкинг, ответ со ссылкой на источник. Бэкенд на FastAPI с REST и WebSocket, rate limiting и OpenAPI, всё в Docker Compose с healthcheck и CI.
Исходники открыты на GitHub, бот доступен для проверки в Telegram: посмотреть можно до того, как что-то заказывать.
Опишите процесс, который хотите отдать агенту
На брифе разберём, где агент реально окупится, а где дешевле обойтись обычным скриптом. Расчёт бесплатный.
Частые вопросы
Сколько стоит AI-агент?
От 40 000 ₽, точная смета зависит от количества интеграций и сложности сценария. Сайт с AI-ассистентом (чат или приём заявок на сайте) обойдётся дешевле: от 30 000 ₽.
На каких моделях работают агенты?
OpenAI, Anthropic, GigaChat, YandexGPT под единым интерфейсом с автоматическим переключением. Российские модели важны, когда данные не должны покидать периметр РФ, зарубежные обычно сильнее в рассуждениях. Выбор обсуждаем на брифе.
Агент будет выдумывать ответы?
В режиме RAG агент отвечает по вашим документам и указывает источник. Если ответа в базе нет, он говорит об этом, а не сочиняет. Это настраивается на уровне промпта и проверяется тестами.
Где будут храниться данные?
Там, где скажете: ваш VPS, российское облако или ваш собственный контур. Инфраструктура собирается в Docker, поэтому переносится без переписывания.
Что будет после запуска?
Сопровождение входит в работу: мониторинг, разбор инцидентов, доработка сценариев. Формат и срок обсуждаем отдельно под задачу.
Можно посмотреть на живого агента до заказа?
Да. Kent AI Assistant открыт на GitHub, его демо-бот доступен в Telegram. Логика коммерческих агентов показывается диалогом, потому что клиентские данные я не публикую.