ПРЕЗЕНТАЦИЯ · 2026

AI-агенты
Как это работает

Простым языком — что такое агентные системы,
из чего они состоят и как их создавать

ЛИСТАЙ ВНИЗ
01 / Ключевая разница

Чатбот vs Агент

💬

Чатбот

Отвечает на вопросы.
Только говорит.

  • Принимает текст → отдаёт текст
  • Не умеет ничего делать
  • Каждый вопрос — с нуля
  • Нет доступа к внешним данным
→
⚡

AI-агент

Получает задачу и выполняет.
Думает и действует.

  • Разбивает задачу на шаги
  • Вызывает инструменты (API, БД)
  • Помнит контекст и учится
  • Сам решает, что делать дальше
Аналогия: Чатбот — это справочная по телефону: задал вопрос, получил ответ, повесил трубку.
Агент — это личный ассистент: ты говоришь «забронируй ресторан на пятницу», а он сам ищет варианты, звонит, бронирует и присылает подтверждение.
02 / Из чего состоит

Анатомия агента

🧠

Мозг (LLM)

Языковая модель — GPT, Claude, Gemini. Думает, рассуждает, принимает решения. Это «движок» агента.

💾

Память (Memory)

Контекст разговора + долгосрочное хранилище. Агент помнит, что делал раньше, и учитывает это.

🔧

Инструменты (Tools)

API, базы данных, файлы, браузер, Bash. Всё, через что агент взаимодействует с внешним миром.

📋

Инструкции (System Prompt)

Правила поведения: кто ты, что умеешь, чего делать нельзя. «Должностная инструкция» для агента.

Мозг + Память + Инструменты + Инструкции = Агент
03 / Как работает

Цикл агента

Агент работает в бесконечном цикле, пока задача не выполнена

💭
Think
Анализирую задачу
⚡
Act
Вызываю инструмент
👁
Observe
Смотрю результат
🔄
Repeat
Нужно ещё? Повторяю
🤖
Agent
Loop
1. Think «Мне нужно найти данные в БД и сформировать отчёт»
2. Act Вызывает SQL-запрос через MCP-сервер PostgreSQL
3. Observe Получает 47 строк данных, анализирует
4. Repeat Данные получены → формирую отчёт → готово!
04 / Стандарт подключения

MCP — универсальный разъём

Model Context Protocol — как USB-C, только для AI

✗ До MCP

GitHub → свой код интеграции
Slack → свой код интеграции
PostgreSQL → свой код интеграции
Jira → свой код интеграции

Каждый инструмент = уникальный код 😩

✓ С MCP

GitHub → MCP
Slack → MCP
PostgreSQL → MCP
Jira → MCP

Один протокол для всех! 🔌

200+ готовых MCP-серверов — подключай и работай

GitHub Slack PostgreSQL Google Drive Notion Jira Salesforce Stripe Figma Linear Confluence Telegram и ещё 190+
05 / Командная работа

Мультиагентные системы

Не один супермен, а команда специалистов

🎯
Менеджер
Распределяет задачи
🔍
Аналитик
Ищет информацию
💻
Кодер
Пишет код
🧪
Тестер
Проверяет качество
📝
Писатель
Пишет документацию
Аналогия: Представь IT-компанию. Менеджер получает заказ, передаёт аналитику. Тот исследует, передаёт кодеру. Кодер пишет, передаёт тестеру. Каждый — специалист в своём деле. Мультиагентная система работает так же, но все «сотрудники» — AI-агенты.

MCP

Агент ↔ Инструмент

Anthropic · Стандарт

A2A

Агент ↔ Агент

Google · Новый

06 / Инструменты разработчика

Фреймворки 2026

Фреймворк Суперсила Для чего Популярность
LangGraph ЛИДЕР Граф состояний, time-travel debug Production, сложные workflow
CrewAI БЫСТРЫЙ Прототип за 2-4 часа Быстрый старт, ролевые агенты
OpenAI SDK 2025 Чистые handoffs, guardrails GPT-экосистема
Claude SDK 2025 MCP-native, tool use Claude-экосистема
Google ADK 2025 A2A протокол, Gemini Google Cloud
AutoGen (MS) Мультиагентные диалоги Исследования, Enterprise
07 / Начни сегодня

Как создать агента

1

Выбери модель

Claude, GPT, Gemini — любая с поддержкой tool use (function calling)

2

Определи инструменты

Что агент будет делать? Читать файлы, ходить в API, писать в БД?

3

Напиши System Prompt

Кто ты, что умеешь, какие правила. Чем точнее — тем лучше результат

4

Подключи MCP

200+ готовых серверов — подключай инструменты без написания кода

5

Запусти цикл

Think → Act → Observe → Repeat. Агент работает, пока задача не решена

minimal-agent.py — 30 строк 
import anthropic

client = anthropic.Anthropic()
tools = [{
    "name": "search_db",
    "description": "Поиск в базе данных",
    "input_schema": { "type": "object", "properties": {"query": {"type": "string"}} }
}]

# Агентный цикл: Think → Act → Observe → Repeat
messages = [{"role": "user", "content": "Найди все заказы за май"}]

while True:
    response = client.messages.create(
        model="claude-sonnet-4-6",
        system="Ты — помощник с доступом к БД",
        tools=tools,
        messages=messages
    )
    if response.stop_reason == "end_turn":
        break  # Задача выполнена!

    # Агент вызвал инструмент → выполняем → возвращаем результат
    tool_result = execute_tool(response.content)
    messages.append({"role": "tool", "content": tool_result})
08 / Цифры

Агенты — это сейчас

0%
enterprise-приложений будут использовать AI-агентов к концу 2026
Gartner
0+
готовых MCP-серверов для подключения инструментов
MCP Registry
0K
запросов в месяц — LangGraph, самый популярный фреймворк
Search Volume 2026

Будущее уже наступило

Агенты — не хайп. Это следующий этап после чатботов.
Кто освоит сейчас — будет на шаг впереди.