Как мы создаем AI-агентов для бизнес-процессов

Один промпт может резюмировать документ или написать письмо. Он не может выполнить воркфлоу: исследовать компанию по десяткам источников, квалифицировать ее по вашему ICP, подготовить персонализированное сообщение и залогировать результат — потому что у воркфлоу есть состояние, шаги, инструменты и контрольные точки качества.

Когда команды пытаются втиснуть воркфлоу в один промпт, результат ненадежен: контекст превышает окно, модель теряет стадию процесса, ошибки не ловятся, и никто не может объяснить, почему вывод неправильный. Именно под этот разрыв создавались агенты.

Агент — это не чат-бот, который болтает; это сотрудник с ролью, инструментами и списком задач — плюс кто-то, кто проверяет его работу.

• Карта процесса — описать каждый шаг, входы, точки решений и того, кто делает работу сегодня.
• Декомпозиция на роли — каждый шаг становится специализированным агентом: исследователь, аналитик, автор, проверяющий.
• Инструменты и доступы — какие API, базы и сервисы может использовать каждый агент, с минимальными правами.
• Оркестрация с проверками — оркестратор маршрутизирует работу между агентами, а quality gates валидируют вывод на каждом этапе.
• Человеческий цикл — критичные шаги требуют review и одобрения человека до любого внешнего действия.

Карта процесса — главный артефакт. Если процесс нельзя описать по шагам, никакая система агентов его не починит — сначала нужно чинить сам процесс.

Архитектура мультиагентных систем, которую мы используем, намеренно проста:

• Оркестратор — решает, какой агент что обрабатывает, отслеживает стадию воркфлоу, enforcing таймауты и ретраи.
• Специализированные агенты — у каждого узкая роль, строгий формат вывода и свой набор инструментов.
• Общее состояние — состояние воркфлоу живет в PostgreSQL: что сделано, какие данные произвел каждый шаг, кто что одобрил.
• Слой инструментов — агенты вызывают реальные инструменты (CRM, Telegram, email, внутренние API) через типизированные интерфейсы с правами.
• Логирование и метрики — каждый шаг логируется с моделью, токенами, задержкой и результатом, поэтому качество измеримо по каждому агенту.

Одноагентные системы остаются правильным выбором для узких задач. Мы добавляем второго агента только тогда, когда в воркфлоу есть два действительно разных типа работы.

Чтобы архитектура стала конкретной, вот один полный агентный цикл из sales-воркфлоу — как одна целевая компания проходит через систему (иллюстративно, без клиентских данных):

{
  "agent": "reviewer",
  "message_id": "msg_4821",
  "status": "approved",
  "checks": [
    { "check": "persona_match", "passed": true },
    { "check": "policy_compliance", "passed": true },
    { "check": "factual_claims", "passed": true }
  ],
  "score": 0.92,
  "comment": "Approved with minor tone edit in the opening line"
}

Каждый шаг логируется с моделью, токенами и задержкой. Если шаг не прошел валидацию, цикл возвращается к ответственному агенту, а не движется дальше — именно этот loop делает мультиагентные системы надежными, а не просто впечатляющими.

• Модель под роль — классификация и извлечение идут на дешевых быстрых моделях; синтез исследования и стратегия — на frontier-моделях.
• Маршрутизация моделей — OpenRouter позволяет менять провайдеров под роль и ограничивать стоимость без изменения кода приложения.
• Структурированный вывод — агенты возвращают типизированный JSON с валидацией схемы, а не свободный текст: оркестратору можно доверять результату.
• Guardrails — валидаторы вывода, политики ретраев и обработка отказов держат агента в его границах.
• RAG для знаний — когда агенту нужен корпоративный контекст, мы подключаем retrieval-слой вместо загрузки документов в промпт.

Наши продукты — лучшая документация этого подхода:

• LeadForge AI — мультиагентная система для продаж: агент-исследователь сканирует 50+ источников по компании, агенты ICP и персон строят таргетинг-профили, агент-контент готовит персонализированный аутрич. Агент-проверяющий ревьюит каждое сообщение до попадания в пайплайн.
• AI Business Copilot — мультиагентная система диагностики: агенты анализируют процессы, данные и инструменты в поисках возможностей автоматизации, с RAG-базой знаний как общим контекстом.

Оба продукта в продакшене используют один и тот же паттерн: узкие роли, типизированный вывод, логируемые шаги и человеческий review всего, что покидает систему.