Агентный харнесс (agent harness)
Программная обвязка вокруг ИИ-модели (цикл вызова инструментов, память, права доступа, обработка ошибок, оркестрация), которая превращает генератор текста в агента, способного выполнять задачи.
Языковая модель сама по себе только генерирует текст. Агентный харнесс - это слой вокруг неё, который даёт модели возможность действовать: вызывать инструменты в цикле (tool-calling), работать с внешними системами, управлять контекстом и памятью, соблюдать права доступа, обрабатывать сбои и разбивать крупную задачу на подзадачи. Если модель - это двигатель, то харнесс - это вся остальная машина.
Готовые харнессы, например Claude Code, Codex, OpenAI Agents SDK, LangGraph. Именно харнесс отличает ИИ-агента от чат-бота и от low-code сценария (n8n, Make): агент сам решает, какие шаги предпринять для достижения цели, а не идёт по заранее нарисованному воркфлоу. За счёт этого харнесс закрывает бизнес-задачи, где нужны суждение и работа с инструментами, а не простое ветвление по условиям. Подробный разбор - в статье Что такое агентный харнесс и зачем он бизнесу.
См. также: ИИ-агент , Оркестрация , MCP (Model Context Protocol)
Мультиагентная ИИ-система
Команда специализированных ИИ-агентов, которые решают одну сложную задачу совместно - каждый со своей зоной ответственности, памятью и инструментами.
Если обычный ИИ-чат-бот - это «один процесс „вопрос → ответ”», то мультиагентная система - это команда из 3-10 агентов. Один ищет информацию, другой анализирует, третий проверяет качество, четвёртый исполняет. Между ними - чёткие контракты на формат данных, мониторинг и стратегии fallback. Архитектура нужна там, где задача требует разных типов рассуждения или работы с разными источниками.
См. также: ИИ-агент , Оркестрация , RAG (Retrieval-Augmented Generation)
ИИ-агент
Программа на базе LLM, которая автономно решает задачу: понимает запрос, использует инструменты (поиск, базы данных, API), помнит контекст, эскалирует сложное человеку.
ИИ-агент - это не «обёртка над ChatGPT». Это система с долгосрочной памятью (vector DB), набором инструментов (function calling / MCP), системным промптом, ограничениями и логикой принятия решений. Single-agent решает одну задачу (ассистент, классификатор, генератор). Мульти - несколько связанных задач.
См. также: Мультиагентная ИИ-система , MCP (Model Context Protocol) , RAG (Retrieval-Augmented Generation)
RAG (Retrieval-Augmented Generation)
Технология, при которой LLM перед ответом ищет релевантные документы в базе знаний и использует их как контекст. Так модель отвечает фактами вашей компании, а не «в среднем».
Без RAG модель опирается на свои обучающие данные - это «средний интернет» без учёта вашей специфики. С RAG: вы индексируете свою базу (документация, FAQ, регламенты) в vector DB (Chroma, pgvector), при запросе извлекаете top-N релевантных кусков и подмешиваете их в промпт. Модель отвечает с цитатой источника. Стоит RAG-внедрение от 100К ₽.
См. также: ИИ-агент , Fine-tuning
MCP (Model Context Protocol)
Открытый стандарт от Anthropic для подключения внешних инструментов и данных к LLM. Аналог USB-C для ИИ.
До MCP каждая интеграция «LLM ↔ инструмент» делалась с нуля. С MCP инструменты предоставляют унифицированный интерфейс - модель может работать с любым MCP-сервером без кастомного кода. Это снижает стоимость интеграций и упрощает переключение моделей. Поддерживают: Claude, ChatGPT (через адаптеры), все агентные фреймворки.
См. также: ИИ-агент , Оркестрация
n8n
Open-source платформа для оркестрации рабочих процессов. «Нервная система» автоматизации - соединяет CRM, мессенджеры, LLM, базы данных через визуальный редактор.
n8n позволяет описать процесс из 10-50 шагов без программирования: «получили заявку → классифицировали LLM → передали в CRM → отправили уведомление в Telegram». Self-hosted, бесплатный для коммерческого использования. Альтернативы: Make (Integromat), Zapier - но они проприетарные и дороже на больших объёмах.
См. также: Оркестрация
Оркестрация
Связывание нескольких систем (LLM, CRM, мессенджер, БД, API) в один автоматизированный поток с понятной логикой и обработкой ошибок.
Без оркестрации каждый шаг процесса делает человек или отдельный скрипт. С оркестрацией - один поток, который описан декларативно (n8n, Temporal, AirFlow) или императивно (TypeScript / Python), с retry, fallback и мониторингом. Без хорошей оркестрации мультиагентные системы превращаются в неуправляемый клубок.
См. также: n8n , Мультиагентная ИИ-система
Vendor lock-in
Зависимость от поставщика, при которой смена подрядчика или платформы становится невозможной без переписывания решения с нуля.
В ИИ vendor lock-in возникает когда: (1) код проекта не передан клиенту, (2) инфраструктура только в облаке поставщика, (3) нет документации, (4) промпты и логика спрятаны в проприетарной платформе. Защита: self-hosting, передача исходного кода и доступов клиенту, документация в формате runbook, открытые стандарты (MCP, OpenAPI).
См. также: MCP (Model Context Protocol)
Fine-tuning
Дообучение готовой LLM на ваших данных. Нужен, когда RAG и промпт-инжиниринг не справляются - например, для очень специфичного tone-of-voice или редких форматов.
Fine-tuning делается реже, чем кажется. Большинство задач закрываются комбинацией RAG + хороший системный промпт + few-shot. Fine-tuning оправдан когда: (1) объём данных большой и стабильный, (2) формат ответа нестандартный, (3) задача воспроизводится постоянно. Стоит от 500К ₽, требует выделенного датасета и регулярного переобучения при обновлении модели.
См. также: RAG (Retrieval-Augmented Generation) , ИИ-агент
Vector database
База данных для хранения embedding-векторов и быстрого поиска похожих. Основа RAG и долгосрочной памяти агентов.
Vector DB хранит документы как численные векторы (embedding) и умеет находить топ-N похожих по cosine similarity за миллисекунды. Популярные: Chroma (легковесная), pgvector (расширение PostgreSQL - если уже есть Postgres), Weaviate, Pinecone (managed). Для проекта на 10К-1М документов хватит Chroma или pgvector - это бесплатно и self-hosted.
См. также: RAG (Retrieval-Augmented Generation)
Tone-of-voice (TOV)
Стиль и характер коммуникации компании. Чтобы ИИ-агент отвечал «как мы», а не «как ChatGPT в среднем», TOV кодируется в системном промпте.
Tone-of-voice - это не про дружелюбие или формальность вообще. Это про конкретные правила: какие слова мы НЕ используем, на «ты» или «вы», эмодзи или нет, длина предложений, типичные обороты, обращения. У хорошего TOV должны быть антипримеры - «как НЕ должно звучать». Кодируется в systeme prompt + few-shot-примеры + регрессионные тесты.
