AI агент: это конвейер из 12 ролей на Claude, заменивший команду одному директору

В конце декабря 2024 года Игорь, директор компании «Эрегион» и пользователь российского таск-трекера «Кайтен», задался вопросом: можно ли заменить целую команду ИИ-агентами? К июню 2025 года эксперимент вырос в управляемый конвейер, где больше десяти агентов на базе Claude закрывают разработку, маркетинг и продуктовые исследования. Об этом рассказали в блоге «Кайтена».

Зачем это вообще понадобилось?

Первые попытки использовать языковую модель (LLM, large language model, программа, которая генерирует текст и код по запросу) выглядели стандартно: чат, запрос, результат, список ошибок, исправления. Формально ИИ работал, но весь контроль оставался на человеке.

Каждый цикл заканчивался одинаково: агент делал работу и возвращался со словами «проверь». Когда проектов стало много, внутри чатов росли огромные списки задач, часть идей уходила в бэклог (очередь отложенных задач), часть терялась. Проблема сместилась: не «может ли ИИ выполнять работу», а «как ей управлять, когда агентов и задач сотни».

Что понадобится

• Модель Claude с доступом к API (платная подписка Anthropic, Claude Pro или Team)
• Таск-трекер с открытым API: в кейсе использован «Кайтен», но подойдёт любой с возможностью создавать карточки через API
• MCP-сервер (Model Context Protocol, протокол, через который ИИ-агент напрямую работает с внешними сервисами): можно собрать свой или взять готовый Kaiten CLI Community Edition
• Набор стандартов: текстовые инструкции, по которым агенты действуют
• Реестр агентов: библиотека ролей с шаблонами навыков
• Время на настройку: первая рабочая версия заняла у автора кейса несколько месяцев итераций, но базовый конвейер из двух-трёх агентов можно запустить за выходные

Пошаговая инструкция

1. Подключите модель к таск-трекеру через MCP. Игорь сначала рассматривал Linear (зарубежный трекер задач), но столкнулся с лимитом на количество карточек и жёсткой структурой процессов. В «Кайтене» лимита не было, зато был открытый API. Он собрал собственный MCP-сервер, через который агенты получили доступ ко всем функциям: создание карточек, подзадач, комментариев, смена статусов, назначение участников, простановка тегов. Сейчас для этого можно использовать готовый Kaiten CLI Community Edition без написания своего сервера.

2. Напишите стандарты. Стандарт, это жёсткая инструкция, которая говорит агенту, как жить и работать. Примеры из кейса:

- Стандарт работы команды агентов с карточками Кайтена (как двигать карточки по IT-потоку)
- Стандарт создания новых агентов (как собрать агента под задачу)
- Стандарт обсуждения задач перед реализацией
- Стандарт ведения бизнес-проектов
- Стандарт по созданию стандартов (чтобы система развивалась по единым правилам)

Стандарты Игорь писал совместно с Claude: формулировал правило, агент дополнял и проверял на непротиворечивость.

1. Соберите реестр агентов. Реестр (agent registry), это библиотека ролей. В кейсе их около 12-13: аналитик, бэкендер, фронтендер, тестировщик, маркетолог, DevOps-инженер, критик, прототипер и даже агент для подготовки презентаций. AI агент, это по сути набор инструкций и навыков, упакованный в шаблон, который модель подгружает под конкретную задачу.

2. Создайте карточку с задачей и запустите сборку команды. Процесс выглядит так:

3. Вы создаёте в трекере карточку с описанием задачи
4. Просите ведущего агента прочитать нужный стандарт и собрать команду

5. Агент по типу задачи (продуктовая или разработческая) идёт в реестр, берёт шаблоны ролей и достраивает их под контекст

6. Дайте агентам спорить между собой. Критически важный момент из кейса: агенты не просто выполняют и сдают. Они обсуждают задачи перед началом, критикуют решения друг друга и возвращают карточки на доработку. Этот механизм заложен в стандартах и снижает количество ошибок без участия человека.

7. Подключайтесь только на контрольных точках. Игорь входит в проект три раза: на старте (постановка задачи), на приёмке прототипа и в конце. Всё между этими точками агенты закрывают сами.

Что делать с этим прямо сейчас, по ролям

Автору Дзена. AI агент, это не просто чат, куда вы кидаете запросы. Это автономная программа с ролью и правилами. Попробуйте собрать хотя бы двух агентов: «писатель» и «редактор-критик». Второй будет проверять первого по вашему стандарту качества. Даже без трекера это уже шаг от ручного контроля.

Маркетологу. Схема из кейса прямо переносится на маркетинг: агент-аналитик собирает данные, агент-маркетолог формулирует гипотезы, агент-критик проверяет логику. Всё фиксируется в карточках, а не в бесконечных чатах, которые теряют контекст.

Предпринимателю в РФ. Кейс собран целиком на российской инфраструктуре: «Кайтен» работает в РФ, API открыт, Kaiten CLI доступен как открытая разработка сообщества. Claude API доступен через VPN или прокси, но основная обвязка, трекер и стандарты, полностью локальна. Из российских аналогов Claude для агентных задач можно пробовать YandexGPT и GigaChat, хотя по моим наблюдениям, для сложных цепочек агентов они пока уступают.

Главный вывод из кейса «Эрегиона»: узкое место в масштабировании ИИ-работ, это не возможности модели, а отсутствие структуры вокруг неё. Стандарты, реестр, трекер с открытым API, и десять агентов начинают работать как команда, а не как десять чатов, в которых вы тонете.