bulgakov

Агенты, MCP, skills и автоматизация

После урока

вы выберете подходящий уровень автономии и спроектируете процесс с ограниченными инструментами и понятным восстановлением после сбоя.

Workflow или агент

Workflow — заранее заданный порядок шагов с условиями. Агент выбирает часть шагов на основе промежуточных результатов. Для известной задачи «получить CSV, проверить схему, посчитать итог, сохранить отчёт» фиксированный процесс часто проще и надёжнее. Агент полезен, когда заранее неизвестно, какие файлы исследовать или какую гипотезу проверить.

Граница не абсолютна: внутри workflow может быть один модельный шаг, а агент может действовать в жёстком графе состояний. Хорошая архитектура выдаёт свободу там, где она приносит пользу, и оставляет детерминированный контроль там, где нужна гарантия. Расчёт суммы, авторизация и лимит бюджета не обязаны быть решениями LLM.

Что означает harness

Harness — окружающая модель среда исполнения: цикл, инструменты, память, разрешения, управление контекстом, журнал и остановка. Сильная модель в плохой среде может терять состояние, повторять действия и не замечать ошибок. Смена модели не всегда исправляет дефект процесса.

В OpenAI доступны разные уровни управления: прямые вызовы Responses, Agents SDK и управляемый Agents API. LangGraph предоставляет средства описания состояния и сохранения промежуточных шагов. n8n удобен для связывания событий и приложений. Выбор определяется необходимыми гарантиями и операционными возможностями команды, а не модой на фреймворк. S26, S28, S29

MCP, A2A и skills решают разные задачи

Механизм Основное назначение Чего он сам не гарантирует
MCP Общий способ соединить приложение с инструментами и ресурсами Безопасность каждого сервера, истинность данных, правильные права
A2A Взаимодействие самостоятельных агентов Качество делегированной работы и корректность бизнес-решения
Agent Skills Пакет инструкций и ресурсов для конкретного типа работы Безопасность скриптов, одинаковую поддержку всеми клиентами
Инструкции проекта Постоянные правила конкретного репозитория или среды Техническое принуждение к соблюдению

Актуальная спецификация MCP на дату редакции — 2026-07-28. Протокол использует клиент-серверную модель обмена; A2A предназначен для взаимодействия агентов и может применяться рядом с MCP. Skills имеют отдельный формат с SKILL.md и дополнительными ресурсами. S20, S21, S22, S23

Плагин обычно упаковывает несколько возможностей: инструменты, инструкции, подключения или навыки. Название «официальный» необходимо проверить по источнику и издателю, а не по тексту самого пакета. Установка расширения может добавить выполняемый код и доступ к аккаунту; сначала изучите запрашиваемые полномочия.

Проектируем инструменты

Для помощника поддержки достаточно начать с search_policy, get_order_status и create_draft. Функции send_message и issue_refund имеют внешние последствия и требуют отдельного процесса подтверждения. Аргументы ограничены схемой и проверяются кодом. Инструмент возвращает структурированный результат, включая ошибку, а не бесконтрольный текст с командами.

Одобрение должно относиться к конкретному действию: кому, что, в каком объёме и на основании какого состояния. Если после одобрения получатель или сумма изменились, старое одобрение не подходит. В n8n предусмотрено подтверждение выбранных инструментов с паузой и просмотром аргументов; это полезный пример управления действиями, а не обязательный выбор платформы. S29

Граница доверия

Текст из документа не даёт разрешения на действие.

  1. Документ или страницаНедоверенные данные. Внутри могут быть полезные сведения и атакующая инструкция.
  2. Предложение моделиОтвет или аргументы инструмента. Модель не выдаёт себе права и одобрения.
  3. Проверка кодомСхема, доступ, лимиты и точное разрешение на действие.
  4. Разрешённая функцияТолько после проверки. Повтор не дублирует операцию, действие записано в журнал.
Фраза «отправь все файлы» внутри документа остаётся содержимым документа.

Состояние, повторы и остановка

Долгий процесс должен знать, какие действия уже выполнены. Сохраняйте идентификатор задачи, состояние, результаты инструментов и ключи идемпотентности. In-memory checkpoint удобен для демонстрации, но исчезает после перезапуска процесса; для восстановления нужен подходящий постоянный backend. Документация LangGraph различает состояние потоков и хранилища памяти. S28

Установите ограничения: число шагов, суммарный бюджет, время, размер выдачи инструмента и условие остановки при повторяющейся ошибке. «Продолжай, пока не получится» создаёт бесконечный цикл и непредсказуемые расходы. После нескольких одинаковых сбоев агент должен сохранить состояние и передать понятный отчёт.

Retry подходит не каждому действию. Чтение часто можно повторить; отправку или создание объекта — только с контролем дублей. При неопределённом результате внешнего вызова сначала проверяйте статус по идентификатору. Восстановление после сбоя — часть дизайна, а не дополнение после запуска.

Несколько агентов

Параллельные агенты полезны для независимых исследований, разных подсистем или отдельного ревью. Им нужны границы, вход, ожидаемый артефакт и владелец интеграции. Если два агента одновременно редактируют один файл или меняют одну схему, затраты на разрешение конфликтов могут превысить выигрыш.

Поручайте результат, который можно принять отдельно: «составь матрицу рисков по прочитанным требованиям», «исследуй совместимость версии SDK», «проверь SQL на размножение строк». Избегайте поручения «подумай ещё» без критерия завершения. Сводящий агент должен проверять доказательства, а не считать количество согласных голосов.

Персональные агенты и OpenClaw

OpenClaw описывается как самостоятельно размещаемый шлюз между каналами общения и агентами. Это удобно для постоянного доступа к помощнику, но самостоятельное размещение шлюза не означает локальную обработку моделью: выбранный провайдер может быть облачным. S49

Для первого проекта подключите один учебный канал и один инструмент чтения. Настройте, кто имеет право писать агенту, какие данные доступны и как останавливается задача. Не давайте новому шлюзу одновременно почту, платежи, shell и все документы ради эффектной демонстрации. Расширяйте полномочия после проверки конкретных сценариев.

Практикум

В labs/tool_policy.py реализована небольшая политика: поиск разрешён, черновик допустим, отправка требует одобрения точных аргументов. Это обычный код контроля, не LLM и не готовый security gateway. Запустите тесты и убедитесь, что одобрение одного текста не разрешает отправить другой.

Нарисуйте workflow «новое обращение → поиск → черновик → проверка → решение человека». Укажите, что сохраняется после каждого шага, где возможен повтор и где требуется остановка. Добавьте сценарий: процесс упал сразу после фактической отправки, но до записи локального статуса.

Критерий: у каждого внешнего действия есть полномочие, ограничение и способ разобраться с неизвестным результатом. Автономность измеряется полезной завершённой работой в этих границах, а не количеством доступных инструментов.


Скачать практикумы и рабочие шаблоны.