Что такое ИИ-агент на практике: как суперагент на MCP заменил ручную пересылку писем

Ниже разберём, как одна команда решила эту проблему, собрав профильного суперагента на MCP (Model Context Protocol, протокол, через который ИИ-агенты подключаются к внешним сервисам и данным), и покажем пошагово, как повторить этот путь.

Опыт описан администратором, который в одиночку обслуживает около 60 сотрудников. Компания прошла путь от штучных агентов под задачи до мультиагентной платформы Paperclip и Claude Code на терминальном сервере, прежде чем пришла к собственному суперагенту. Ни один из промежуточных вариантов не выжил: штучные агенты требовали бесконечного допиливания, Paperclip оказался непрозрачным (агенты зацикливались, тратили токены без результата), а Claude Code на виндовом терминале съел всю оперативную память за считанные сессии.

Почему штатные подходы не сработали?

Первая попытка: агенты под конкретные задачи. Каждый раз выяснялось, что не учтены нюансы, о которых знает только конкретный исполнитель. Допиливание растягивалось надолго.

Вторая попытка: сотрудники собирают агентов сами через Paperclip. Создание агента оказалось трудоёмким, сотрудники не понимали, как это делать. Платформа работала непрозрачно: агенты уходили решать задачи, не связанные с исходной.

Третья попытка: Claude Code с преднастроенными инструкциями на терминальном сервере. Два-три человека с несколькими сессиями быстро исчерпали оперативную память. После переезда агентов на домашние машины сотрудников через VPN пропало централизованное управление, и администратор стал вручную пересылать запросы между агентами.

Что понадобится

• Python 3.10+ и библиотека FastAPI для создания HTTP-сервиса
• SQLite в режиме WAL (Write-Ahead Logging, режим записи, при котором база данных не блокируется на время операций) для хранения данных и векторных фрагментов
• MCP-совместимый клиент: Claude Code, Cursor или любой другой, поддерживающий протокол MCP через HTTP
• VPN-доступ к внутреннему серверу (суперагент не должен быть открыт наружу)
• Два источника знаний: административный каталог серверов (файлы в Git-репозитории) и корпоративная база знаний (регламенты, инструкции)
• Время: прототип собирался несколько дней в паре с Claude Code, итого около 4 000 строк кода

Как собрать суперагента: пошаговая инструкция

1. Определите, что такое ИИ-агент в вашем контексте. Агент сотрудника, это Claude Code или другой MCP-клиент с доступом к инфраструктуре на чтение (аналитика, задачи, 1С, CRM, сайты, почта). Суперагент, это HTTP-сервис, к которому агенты сотрудников обращаются за знаниями и правами.

2. Поднимите MCP-сервер на FastAPI. Суперагент выглядит для агентов как MCP-сервер (streamable HTTP). Подключение со стороны сотрудника занимает одну команду:

claude mcp add --transport http superagent https://<внутренний-адрес>/superagent/mcp \
  --header "Authorization: Bearer <личный-токен>"

1. Создайте единый markdown-файл с правилами. Это решает проблему централизованного управления. MCP-сервер отдаёт правила в поле instructions при подключении и в каждом ответе. Поправили файл, перезапустили сервис, и поведение всех подключённых агентов изменилось, где бы они ни работали.

2. Добавьте в CLAUDE.md сотрудника минимальную инструкцию:

Факты по инфраструктуре — superagent.ask,
права на задачу — superagent.get_instructions.
Если нужно спросить администратора (нет данных, нужен доступ, решение) — superagent.consult.
Изменения в пределах прав выполняй сам.

1. Подключите два RAG-источника (Retrieval-Augmented Generation, генерация ответа с опорой на найденные документы, а не на память модели). Первый, административный каталог серверов. Структура: папка на сервер, внутри разделы meta, os, software, configs, network, changes, notes. Каталог синхронизируется через GitLab, суперагент держит зеркало и раскладывает его в отдельную векторную таблицу. В описанном прототипе это около 570 файлов и порядка 940 фрагментов. Полная индексация на CPU заняла около девяти минут, дальше работает инкрементально по хешам файлов раз в 10 минут. Второй источник, корпоративная база знаний на pgvector: регламенты, описания процессов, инструкции. Суперагент берёт из неё нужную область и добавляет к ответу вместе с источниками.

2. Настройте права до уровня фрагмента. Административные знания фильтруются по правам: сотрудник никогда не получит описание сервера, которого он не должен видеть. Общая корпоративная база доступна только ролям с широкой видимостью. Отдельная векторная таблица для админских знаний, не случайность: они меняются каждый день вместе с инфраструктурой.

3. Настройте эскалацию в мессенджер. Когда суперагент не может ответить (нет данных, нужно решение человека), он отправляет запрос администратору через мессенджер. Это заменяет цепочку «агент сотрудника пишет письмо, администратор пересылает своему агенту, получает ответ, пересылает обратно».

Что делать с этим прямо сейчас?

Разработчику и администратору. Прототип на Python/FastAPI/SQLite собирается за несколько дней. Начните с административного каталога серверов в Git и одного MCP-инструмента ask. Добавляйте consult и фильтрацию прав по мере роста.

Автору на Дзене и маркетологу. Понимание того, что такое ИИ-агент на практике, а не в теории, помогает писать о технологиях честно. Агент, это не волшебная кнопка: без базы знаний и прав он бесполезен, а с ними становится рабочим инструментом. Это хороший угол для контента.

Предпринимателю в РФ. Claude Code доступен через VPN, MCP, открытый протокол, который поддерживают и другие клиенты. Из российских инструментов стоит следить за YandexGPT и GigaChat: пока они не поддерживают MCP, но протокол открытый, и интеграция вопрос времени.

Суперагент не заменяет администратора, он убирает из его дня десятки одинаковых писем и превращает ручную пересылку между ИИ в автоматический запрос с проверкой прав. Если у вас больше десяти сотрудников с агентами, без такой прослойки вы и сами скоро станете «прокладкой между несколькими ИИ».