Что такое ИИ-агенты и чем они отличаются от чат-ботов на основе LLM
В 2026 году только и разговоров, что об агентах. В новостях регулярно рассказывают о том, как очередной агент оказался полезен в новой области человеческой деятельности. Например, OpenAI заявила, что достигла цели по созданию автоматизированного исследователя-стажёра: системы, способной под руководством человека выполнять хорошо определённые исследовательские задачи, на которые у специалиста ушло бы несколько дней.
Казалось бы, ещё пару лет назад все говорили о больших языковых моделях (Large Language Models, LLM) — о том, как они хороши и какое замечательное будущее нас ждёт. Два года — миг по сравнению с физикой или биологией, но почти вечность по меркам науки об ИИ. Поэтому человек, далёкий от темы, легко может перепутать чат-бота, агента и языковую модель. Чтобы этого не случилось, разберёмся в базовых понятиях.
Что такое языковая модель
Языковая модель — это алгоритм, который вычисляет наиболее вероятное продолжение последовательности текста. Точнее, модель предсказывает не слова, а токены — фрагменты текста, которыми система разбивает исходную строку. Последовательно выбирая токен за токеном, она формирует ответ на запрос пользователя.
В первых языковых моделях вероятностные связи между токенами задавались вручную. Сегодня эту задачу решают инструментами машинного обучения, наиболее мощным из которых оказались нейросети. Само обучение заключается в том, что на первом этапе модель видит большое количество текстов, написанных человеком, и алгоритм самостоятельно улавливает их закономерности. В этот момент меняются веса нейросети — числовые параметры, в которых и закрепляется приобретённая моделью способность продолжать текст. Наибольшую эффективность показали нейросетевые модели на базе архитектуры трансформер
Трансформеры обеспечили масштабируемость: качество моделей росло вместе с размером нейросети, объёмом обучающей выборки и вычислительными ресурсами. В результате появились модели, которые стали называть большими языковыми. Формальная граница в миллиард параметров условна: важнее не само число, а способности, которыми модель обладает.
К примерам LLM относятся линейки GPT от OpenAI, Claude от Anthropic, Gemini от Google, Qwen от Alibaba и многие другие. Рост версий моделей сопровождается не только увеличением размера, но и появлением новых возможностей: распознаванием изображений, работой с аудио, написанием кода и пошаговым решением задач.
Иногда можно услышать фразу «ChatGPT — это LLM», но она не совсем корректна. ChatGPT — это ИИ-сервис с пользовательским интерфейсом, чаще всего в виде чата. Он предоставляет доступ к одной или нескольким языковым моделям и дополняет их системными инструкциями, историей диалога, фильтрами и другими компонентами. По тому же принципу устроены многие сервисы вроде Perplexity и Gemini.
Что происходит внутри LLM
LLM — это, хоть и большая, но всё ещё «предсказывалка» следующего токена. Пользователь подаёт на вход запрос, модель обрабатывает его и генерирует текст токен за токеном, после чего останавливается в ожидании следующего запроса.
Это не означает, что языковая модель примитивна. В процессе предсказания она использует сложные статистические представления, благодаря которым может переводить, обобщать, писать программы и поддерживать содержательный диалог. Однако сама модель обычно не выполняет действия во внешнем мире. Если попросить её отправить письмо, она может составить хороший текст письма, но без подключения к почтовому сервису не сможет нажать кнопку «Отправить».
Получается, что LLM отвечает прежде всего на вопрос: «Какой текст должен появиться следующим?» ИИ-агент же решает более сложную задачу: «Какие действия нужно выполнить, чтобы достичь поставленной цели?»
Что такое ИИ-агент
ИИ-агент — это система, которая получает цель и автономно, в цикле, выбирает действия для её достижения: воздействует на среду (как правило, через внешние инструменты), наблюдает результаты и с их учётом определяет следующий шаг. LLM обычно выступает ядром, принимающим решения, но агента отличает наличие цикла управления, инструментов, памяти и ограничений.
Вокруг языковой модели строится так называемый harness — программная оснастка, которая обеспечивает длительный замкнутый цикл действий. Агент получает задачу, предлагает шаг, вызывает инструмент, получает результат, оценивает его и решает, что делать дальше. Именно этот цикл «рассуждение — действие — наблюдение» создаёт ощущение автономности.
Граница, после которой систему начинают называть агентом, условна: агентность — не бинарное свойство, а скорее шкала. Полезно различать два полюса. В типичном рабочем потоке LLM (workflow) шаги и переходы между ними заранее прописаны разработчиком, а модель выполняет свою часть работы на каждом шаге. В агенте ходом выполнения управляет сама модель: решает, какой инструмент вызвать, что делать с результатом и когда задача решена.
Критерий здесь — не сложность системы, а то, кто определяет траекторию: разработчик или модель. Workflow стабильнее и предсказуемее: траектория задана заранее, поэтому сбой легко локализовать, а отладка существенно проще. Но не каждый сценарий укладывается в жёсткую логику: если порядок шагов зависит от того, что выяснится по ходу работы, нужен агент.
На практике большинство систем находятся между этими полюсами. Тот же ChatGPT — это, по сути, уже ИИ-агент с пользовательским интерфейсом в виде чата. Ведь сама LLM не способна искать в интернете «из коробки», в ChatGPT же эта возможность спрятана за панелью чата.
Планировщик, память и инструменты
Состав агентной системы меняется в зависимости от задачи, но чаще всего в неё входят планировщик, память и инструменты.
Планировщик
Планировщик (Planner) разбивает глобальную цель на последовательные шаги, выбирает стратегию и при необходимости меняет план после сбоя. Например, если агенту нужно подготовить обзор научной темы, он может сначала найти статьи, затем отобрать наиболее релевантные, извлечь из них данные и только после этого написать текст.
Один из распространённых подходов — ReAct. Агент чередует выбор шага и действие: запрашивает данные, видит результат, уточняет гипотезу и вызывает следующий инструмент. Альтернатива — Plan-and-execute: сначала система строит общий план, а затем последовательно исполняет его. На практике часто используют гибридную схему: сильная модель формирует крупный план, а внутри каждого пункта работает небольшой цикл ReAct.
Память
У большой языковой модели нет памяти в привычном смысле. Всё, что она узнала во время обучения, закреплено в весах, которые не меняются от запроса к запросу. Поэтому память агента — это свойство системы вокруг модели, и в ней удобно различать два уровня.
Кратковременная память — это контекстное окно: история диалога, результаты вызовов инструментов, промежуточные выводы по текущей задаче. Модель «помнит» только то, что передано ей в текущем запросе. Такая память ограничена размером окна и живёт в пределах одной сессии: когда задача завершена или контекст переполнен, её содержимое теряется.
Долговременная память — это внешнее хранилище, которое сохраняется между сессиями: документы, результаты прошлых действий, предпочтения пользователя, важные факты. Напрямую модель его не видит: нужные сведения извлекаются поиском и подставляются в контекст. Иначе говоря, долговременная память работает только через кратковременную. Современные исследования описывают этот процесс как цикл «записать — организовать — прочитать», связанный с восприятием и действиями системы.
Инструменты
Инструменты связывают агента с внешним миром. Это могут быть поисковик, браузер, калькулятор, интерпретатор кода, база данных, календарь, почта или API другого сервиса. Модель выбирает инструмент и формирует запрос к нему, а программная оболочка возвращает результат в контекст.
Например, обычная LLM способна объяснить принцип работы телескопа. Агент дополнительно может найти свежие публикации, проверить даты, сравнить характеристики приборов и занести сведения в таблицу. Но это не отменяет человеческой проверки: агент может выбрать неподходящий источник, неправильно интерпретировать данные или уверенно продолжить работу после ошибки.
Чем агент отличается от чат-бота
Классический чат-бот ждёт сообщения пользователя и отвечает на него: вопрос — ответ, затем следующий вопрос — новый ответ. Каждый шаг модели инициирует человек.
Агент получает более общую цель и может самостоятельно выполнить несколько шагов между постановкой задачи и итоговым результатом: запрашивать информацию, запускать код, обращаться к базам данных, исправлять план и сообщать о возникших ограничениях.
При этом «чат-бот» и «агент» — не два класса продуктов, а две разные характеристики. Первая описывает интерфейс — диалог с пользователем, вторая — то, как система работает между запросом и ответом. Поэтому современные ассистенты вроде ChatGPT совмещают оба свойства: это чат-интерфейс, за которым работает агент. Получив вопрос, система может несколько раз обратиться к поиску, выполнить код, свериться с памятью и только потом ответить. Чат-бота в чистом виде — модели, которая лишь отвечает текстом на текст, — в массовых продуктах почти не осталось.
Различие можно выразить коротко:
- LLM генерирует текст на основе контекста.
- Чат-бот предоставляет удобный интерфейс для общения с моделью и дополнительными сервисами.
- ИИ-агент использует модель, инструменты, память и цикл обратной связи, чтобы достигать цели.
Однако агентный режим нужен не всегда. Если требуется короткий ответ или одно преобразование текста, многошаговый цикл лишь добавит задержку, расходы и новые источники ошибок. Он полезен там, где задача состоит из нескольких шагов, требует внешних данных и допускает изменение плана по ходу работы. Современные ассистенты делают этот выбор сами: на простой вопрос отвечают сразу, на сложный — запускают цикл с инструментами.
Ограничения ИИ-агентов
Агентская оболочка не превращает языковую модель в безошибочного специалиста. Модель может предложить неверный шаг, неправильно понять результат инструмента или принять правдоподобное утверждение за факт. Чем больше действий разрешено агенту, тем серьёзнее последствия такой ошибки.
Поэтому в реальных системах ограничивают доступ к инструментам, задают число шагов, ведут журнал действий и требуют подтверждения человека перед отправкой писем, удалением файлов, публикацией материалов или финансовыми операциями. Агент должен уметь не только действовать, но и останавливаться, если задача неоднозначна или результата нельзя надёжно проверить.
Итог
ИИ-агент — это не особый вид нейросети и не обязательно самостоятельная цифровая личность. Это архитектура программной системы, в которой языковая модель получает цель, инструменты, память и возможность действовать в цикле обратной связи.
LLM можно считать интеллектуальным ядром, а агента — полноценной системой, соединяющей это ядро с внешней средой. Поэтому хороший чат-бот просто отвечает на вопросы, а агент способен сам определить, какие шаги нужны для решения задачи. Но автономность не равна надёжности: чем сложнее агент, тем важнее проверка его действий и ясные границы ответственности.
