AI-агенты на практике: 80% работы уходит не в ядро, а в обвязку

Спокойная экспертная подача ИИ-агентов через реальные архитектурные разборы для широкой аудитории: авторы, маркетологи, предприниматели.

---

Разговоры про ИИ-агентов (программы, которые сами выполняют цепочку действий, а не просто отвечают на вопрос) в 2025 году звучат из каждого утюга, но почти никто не объясняет, из чего такая система состоит на практике и почему «написать цикл за вечер» превращается в месяцы инженерной работы.

В чём суть спора?

Статья Игоря Цупко, опубликованная на Хабре, выросла из доклада о внутреннем устройстве агентных систем. Автор разделяет любую агентную систему на три части:

• Агент (ядро) организует работу с моделью, обрабатывает её ответы, вызывает инструменты и решает, продолжать ли цикл.
• Harness (обвязка) включает всё, что окружает ядро: интерфейс, настройки, данные, инструменты, MCP-подключения (протокол связи агента с внешними сервисами), навыки, память и интеграции.
• Модель выполняет инференс (генерацию ответа) и возвращает токены (единицы текста). Она не становится ИИ-агентом только потому, что умеет отвечать на вопросы.

Главный тезис звучит резко: не начинайте с разработки собственного ядра агента. Большинство усилий уходит именно в harness, и именно там скрыта основная сложность продукта.

Аргументы за: harness важнее ядра

Цупко приводит конкретную аргументацию через разбор так называемого agent loop, цикла работы ИИ-агента. На слайде он укладывается в четыре шага:

1. Агент отправляет модели запрос вместе с инструкциями и историей разговора.
2. Модель возвращает поток событий: текст, вызов инструмента, служебные данные.
3. Агент выполняет запрошенные действия: запускает локальную логику, обращается к хранилищу или API, ждёт результата.
4. Если есть причина продолжать, результат снова уходит модели. Нет причины, цикл завершается.

В рабочем продукте каждый из этих пунктов обрастает условиями и ошибками. Набор инструментов зависит от конкретной модели и её версии. Инструмент может вернуть ошибку, неожиданные данные или не ответить вовсе. Вызовы иногда можно исполнять параллельно, а иногда результат одного нужен для запуска другого.

Всё это работает по сети, а значит, нужно решить, когда повторять запрос после обрыва, сколько раз повторять и не вызовет ли повтор побочный эффект дважды. По словам автора, «сделать retry звучит легко, пока tool call не списывает деньги или не меняет данные пользователя».

К harness также относятся:

• Хранилище разговоров, файлов и настроек пользователя (процесс агента можно перезапустить, но история должна остаться).
• LLM proxy (промежуточный слой между агентом и моделью) для авторизации, защиты секретов, учёта лимитов и стоимости запросов.
• Телеметрия, конфигурация провайдеров, персонализация и способ показывать состояние пользователю.

Аргументы против: зачем тогда писать своё ядро?

Цупко честно показывает, что готовых ИИ-агентов уже много. Codex встроен в стек OpenAI. OpenCode работает с разными провайдерами. Claude Code выстроен вокруг моделей Claude. Hermes развивает память и навыки по мере работы с пользователем. Ouroboros способен менять собственный код.

Автор прямо говорит: универсального победителя нет, есть разные наборы компромиссов. Если ваша задача совпадает с тем, что уже решает один из существующих агентов, писать своё ядро нет смысла. Усилия рациональнее вложить в harness: в интерфейс, память, интеграции, обработку ошибок, то, что делает продукт продуктом.

Исключение, по Цупко, оправдано, когда ни один готовый агент не покрывает вашу задачу архитектурно. Но даже тогда полезно сначала изучить, как устроены существующие решения, и не повторять чужих ошибок.

Агент — это не просто цикл while. Это основа жизненного цикла продукта. Каждый компонент живёт по своим правилам: процесс можно перезапустить, но разговор должен остаться; модель можно заменить, но не должны исчезнуть права доступа и история действий. : Игорь Цупко, автор доклада и статьи на Хабре

Что с этим делать прямо сейчас, по ролям?

Авторам Дзена и копирайтерам. Если вы пользуетесь любым ИИ-агентом для генерации контента, публикации или исследования тем, полезно понимать: сбой агента чаще всего происходит не в «мозге» (модели), а в обвязке: подключение к сервису упало, контекст потерялся, инструмент вернул ошибку. Зная это, проще диагностировать, почему агент «завис» или выдал мусор, и не списывать проблему на «глупую нейросеть».

Маркетологам. Когда вам предлагают «агентное решение» под задачи автоматизации, задайте вопрос: что именно входит в harness? Если в ответ говорят только про модель, это красный флаг. Надёжность ИИ-агента определяется обвязкой: как хранится история, как обрабатываются ошибки инструментов, как учитываются лимиты и стоимость.

Предпринимателям и разработчикам в РФ. Архитектура, описанная Цупко, не привязана к конкретному провайдеру. Из доступных в РФ моделей, YandexGPT и GigaChat, можно строить аналогичную схему: ядро агента, обвязка, модель как отдельный участник. Ключевой вывод для планирования: закладывайте бюджет и сроки не на «написать агента», а на построение harness вокруг него, это минимум в три раза больше работы, чем кажется по демо.

Реалистичный прогноз: в ближайший год количество фреймворков для ИИ-агентов продолжит расти, но выживут те, которые дадут зрелый harness из коробки, а не только красивый agent loop на демо, и именно на качество обвязки стоит смотреть при выборе платформы для своего продукта.