Как создать ИИ-агента: курсы и пошаговый путь на русском
ИИ-агент — это нейросеть, которая получает цель и сама доводит задачу до конца: планирует шаги, вызывает инструменты (поиск, файлы, API, браузер), смотрит на результат и продолжает, пока задача не решена. Чтобы создать своего агента, нужно освоить три вещи: как дать модели инструменты (tool use и MCP), как устроен цикл агента и как ограничить его права. Научиться этому можно по официальным курсам Anthropic на русском: от навыков и субагентов в Claude Code без программирования до агентов на Claude API, первые уроки бесплатны.
Этот гид для тех, кто хочет разобраться в ИИ-агентах на практике, а не по презентациям. Ниже: чем агент отличается от чат-бота, из чего он состоит, какой путь выбрать без кода и с кодом, как собрать первого агента по шагам, какие курсы проходить в каком порядке и на чём обычно ошибаются новички.
Что такое ИИ-агент простыми словами
Представьте стажёра, которому вы говорите не «напиши письмо», а «разберись, почему клиенты жалуются на доставку, и принеси выводы». Он сам открывает таблицы, читает переписку, что-то пересчитывает и возвращается с отчётом. ИИ-агент работает так же: это языковая модель, у которой есть цель, набор «рук» (инструментов) и право решать, какой шаг сделать следующим.
Если совсем коротко, агент = модель + инструменты + цикл. Модель думает, инструменты дают ей доступ к миру (файлы, поиск, почта, база данных), а цикл позволяет пробовать, смотреть на результат и исправляться. Обычный чат умеет только первое. Примеры агентов, которыми уже пользуются каждый день: Claude Code, который сам правит код и запускает тесты; режимы глубокого исследования в чат-ботах, которые десятки раз ищут и читают источники; боты поддержки, которые проверяют статус заказа в CRM, прежде чем ответить.
Чем ИИ-агент отличается от чат-бота
Чат-бот отвечает на сообщение и ждёт следующего. Агент получает задачу и сам решает, какие действия выполнить, в каком порядке и когда остановиться. Разница не в модели, а в том, что вокруг неё: у агента есть инструменты и цикл, в котором он их применяет.
| Чат-бот | Workflow (цепочка) | Агент | |
|---|---|---|---|
| Кто решает, что делать | человек в каждом сообщении | разработчик заранее задаёт шаги | модель сама выбирает шаги |
| Инструменты | обычно нет | вызываются в заданном порядке | модель комбинирует их как нужно |
| Предсказуемость | высокая | высокая, легко тестировать | ниже, сложнее тестировать |
| Когда подходит | вопрос-ответ, тексты | шаги известны заранее: извлечь, проверить, сохранить | шаги заранее неизвестны: исследовать, отладить, разобраться |
Важный вывод из курса Anthropic «Разработка с Claude API»: если шаги задачи известны заранее, надёжнее сделать workflow, а агента оставить для задач, где без гибкости не обойтись. Пользователю важен результат, который работает каждый раз, а не то, что внутри «настоящий агент».
Из чего состоит агент: цикл, инструменты, память, планирование
Любой агент, от Claude Code до самописного бота поддержки, устроен одинаково. В центре цикл:
- Модель получает цель, инструкции и список доступных инструментов.
- Модель решает: ответить сразу или вызвать инструмент с определёнными аргументами.
- Программа вокруг модели выполняет инструмент и возвращает результат.
- Модель смотрит на результат и решает, что дальше: ещё один вызов, другой инструмент или финальный ответ.
- Цикл повторяется, пока задача не решена или не сработал лимит шагов.
- Инструменты (tools). Функции с описанием и схемой аргументов: поиск, чтение файлов, запросы к API, браузер. Модель не выполняет их сама, а просит программу вызвать. Сила агента в том, что даже простые инструменты он комбинирует неожиданными способами: из «текущей даты», «прибавить дни» и «поставить напоминание» получается «напомни в следующую среду».
- Подключение инструментов через MCP. Чтобы не писать каждую интеграцию заново, готовые наборы инструментов подключают через MCP-серверы. Подробно в гиде MCP-сервер: что это.
- Память. Краткосрочная — это контекстное окно: история разговора и результаты инструментов. Долговременная — файлы, заметки, база знаний, которые агент читает и обновляет между сессиями.
- Планирование. Модель сама разбивает задачу на шаги. Качество плана растёт, если попросить сначала составить план, а потом выполнять, и если дать чёткие критерии готовности.
- Навыки и субагенты. Навык (Agent Skill) — папка с инструкциями и скриптами, которую агент подгружает, когда задача подходит. Субагент — отдельный агент со своим контекстом, которому главный поручает подзадачу и получает от него короткий итог.
Путь без кода и путь с кодом
Создать агента можно, не написав ни строчки кода, но возможности будут ограничены готовой платформой. С кодом вы управляете всем: инструментами, циклом, логированием и правами.
| Без кода | С кодом | |
|---|---|---|
| Инструменты | Claude Code и Cowork с навыками, субагентами и MCP; конструкторы автоматизаций вроде n8n | Claude API, OpenAI Agents SDK, Gemini API, собственный цикл на Python или TypeScript |
| Что нужно знать | как ставить задачу, писать инструкции и описания | плюс Python или TypeScript, работа с API, JSON |
| Порог входа | часы | недели |
| Для чего хорошо | личные и командные рабочие процессы, прототипы | агент внутри продукта, поддержка клиентов, обработка данных на потоке |
| Ограничения | что умеет платформа | ваше время на разработку и тестирование |
Совет: начните без кода, даже если вы программист. На Claude Code проще всего увидеть, как агент планирует, вызывает инструменты и ошибается, а навыки и субагенты там настраиваются обычными текстовыми файлами.
Первый агент: пошаговый путь
Вариант 1. Без кода: агент на Claude Code
- Выберите повторяющуюся задачу с понятным результатом: разбор входящих файлов, еженедельный отчёт из таблиц, ревью кода по чек-листу. Задача «сделай мне бизнес» для первого агента не подходит.
- Опишите процедуру навыком. Навык — это папка с файлом SKILL.md: в заголовке имя и описание (по описанию агент решает, когда навык нужен), ниже инструкции. Личные навыки лежат в ~/.claude/skills, навыки проекта в .claude/skills в корне репозитория и достаются всем, кто его клонирует. Агент подгружает только имя и описание, а полный текст читает, когда навык подходит к запросу.
- Вынесите тяжёлые подзадачи в субагентов. Командой /agents создаётся субагент со своим системным промптом, набором разрешённых инструментов и моделью. Например, «ревьюер» без права редактировать файлы. Он работает в отдельном контексте и возвращает главному агенту только итог, поэтому основной разговор не засоряется.
- Подключите нужные сервисы через MCP: файлы, GitHub, браузер, трекер. Только те, что нужны задаче.
- Прогоните задачу 5-10 раз на разных входных данных и правьте инструкции там, где агент ошибается.
Вариант 2. С кодом: агент на Claude API
- Разберитесь с API: ключ, запрос, роли сообщений, выбор модели. Всё это есть в первых уроках курса «Разработка с Claude API».
- Сделайте один инструмент. Опишите функцию JSON-схемой, передайте её в запросе, обработайте ответ модели с запросом на вызов (tool_use) и верните результат (tool_result).
- Оберните это в цикл: пока модель просит инструменты, выполняйте их и отправляйте результаты обратно. Добавьте лимит шагов.
- Добавьте ещё 2-3 инструмента и посмотрите, как модель их комбинирует.
- Подключите MCP-сервер вместо самописной интеграции там, где он уже есть.
- Логируйте каждый шаг и соберите набор тестовых задач, чтобы проверять агента после каждого изменения промпта.
Упрощённый каркас цикла на Python, чтобы было видно, насколько он небольшой:
messages = [{"role": "user", "content": task}]
for step in range(10): # лимит шагов
reply = client.messages.create(model=MODEL, max_tokens=2000,
tools=TOOLS, messages=messages)
messages.append({"role": "assistant", "content": reply.content})
if reply.stop_reason != "tool_use":
break # модель дала финальный ответ
results = []
for block in reply.content:
if block.type == "tool_use":
output = run_tool(block.name, block.input)
results.append({"type": "tool_result",
"tool_use_id": block.id, "content": output})
messages.append({"role": "user", "content": results})Всё остальное в реальном агенте — это качество инструментов, инструкций, проверок и ограничений вокруг этого цикла.
Как создать ИИ-агента бесплатно
Собрать первого агента можно, не заплатив ни рубля, но у каждого бесплатного пути есть свой потолок.
| Способ | Что бесплатно | Ограничение |
|---|---|---|
| Открытая модель на своём компьютере (Ollama, LM Studio) | модель, запуск, любое число запросов | качество ниже топовых моделей, нужна видеокарта или много памяти |
| Бесплатный уровень облачного API (например, Gemini API) | запросы к быстрым моделям в пределах дневных лимитов | жёсткие лимиты запросов в минуту и в день, данные могут использоваться для улучшения сервиса; подробнее в гиде Gemini API key |
| Конструктор автоматизаций на своём сервере (например, n8n в self-hosted версии) | сам конструктор и узлы-агенты | модель всё равно нужно подключить: локальную или по API |
Claude Code и Claude API бесплатного уровня не имеют, а сам Claude официально недоступен в России. Поэтому для бесплатного старта разумная связка такая: учитесь принципам на курсах (первые уроки бесплатны), а первого агента собирайте на локальной открытой модели. Цикл, инструменты и MCP устроены одинаково, и навыки переносятся на любую платформу.
ИИ-агент локально на ПК
Локальный агент работает целиком на вашем компьютере: модель не отправляет данные в облако, нет абонентской платы и лимитов. Два самых простых способа запустить открытую модель:
- Ollama — программа для Windows, macOS и Linux, запускает модели одной командой и поднимает локальный API. У неё есть библиотеки для Python и JavaScript и поддержка вызова инструментов (tools) для моделей, которые это умеют.
- LM Studio — то же с графическим интерфейсом: каталог моделей, чат, локальный сервер, совместимый с форматом OpenAI API. Удобно, если не хочется работать в терминале.
Для агента нужна модель, обученная вызывать инструменты. Среди открытых это, например, семейства Qwen, Llama, Mistral, Gemma и дистиллированные версии DeepSeek. В каталогах Ollama и LM Studio у таких моделей обычно стоит пометка tools.
Ограничения по железу. Главное — объём памяти видеокарты (или общей памяти на Mac с Apple Silicon). Примерные ориентиры для моделей в сжатом 4-битном формате:
| Размер модели | Нужно памяти | Что ожидать |
|---|---|---|
| 3-4 млрд параметров | 4-6 ГБ | работает почти на любом ноутбуке, но в цепочке из нескольких инструментов часто путается |
| 7-9 млрд | 6-10 ГБ | минимум для простого агента с 2-3 инструментами |
| 14 млрд | 10-14 ГБ | заметно надёжнее выбирает инструменты и аргументы |
| 30-32 млрд | 20-24 ГБ | уровень, на котором локальный агент становится по-настоящему полезным |
Без видеокарты модели тоже запускаются на процессоре, но медленно: агенту нужно много шагов, и каждый будет занимать десятки секунд. Учтите и честное ограничение: даже лучшие локальные модели пока уступают топовым облачным в длинных многошаговых задачах. Для учёбы, приватных данных и простых процессов этого хватает, для сложной разработки обычно нет.
ИИ-агент своими руками: пример
Соберём минимального агента на локальной модели через Ollama. Задача: агент получает вопрос вроде «в каких договорах в папке срок действия заканчивается в ноябре?», сам смотрит список файлов, открывает нужные и отвечает. Два инструмента — обычные функции Python, библиотека ollama сама превращает их описания (docstring) в схему для модели.
# pip install ollama; заранее: ollama pull qwen3:8b
import os
from ollama import chat
FOLDER = "contracts"
def list_files() -> str:
"""Список текстовых файлов в папке с договорами."""
return "\n".join(os.listdir(FOLDER))
def read_file(name: str) -> str:
"""Прочитать файл договора по имени."""
with open(os.path.join(FOLDER, os.path.basename(name)), encoding="utf-8") as f:
return f.read()[:4000]
TOOLS = {"list_files": list_files, "read_file": read_file}
messages = [{"role": "user", "content": input("Задача: ")}]
for step in range(8): # лимит шагов
reply = chat(model="qwen3:8b", messages=messages,
tools=list(TOOLS.values()))
messages.append(reply.message)
if not reply.message.tool_calls:
print(reply.message.content) # финальный ответ
break
for call in reply.message.tool_calls:
result = TOOLS[call.function.name](**call.function.arguments)
messages.append({"role": "tool", "content": result,
"tool_name": call.function.name})Что здесь стоит заметить:
- Цикл тот же, что у агента на Claude API выше: модель просит инструмент, программа его выполняет, результат возвращается в историю.
- Инструменты только читают: агент не может ничего удалить или отправить. Первый агент лучше всегда делать таким.
os.path.basenameне даёт модели выйти за пределы папки, а обрезка до 4000 символов бережёт контекст маленькой модели.- Лимит шагов защищает от зацикливания, которое у небольших моделей случается чаще.
Дальше этот пример растёт так же, как любой агент: добавьте инструмент поиска по тексту, подключите готовый MCP-сервер вместо самописных функций, соберите 10 тестовых вопросов и проверяйте ответы после каждой правки. Как правильно описывать инструменты, разобрано в уроках «Ваш первый простой инструмент» и «Полный цикл работы с инструментами», а как вынести инструменты в MCP-сервер — в уроке «Определение инструментов в MCP». Когда агент в Claude Code начнёт повторять одни и те же процедуры, оформите их навыком («Создание первого навыка») или отдельным субагентом («Создание субагента»).
Если одного агента перестаёт хватать, следующий шаг — несколько агентов с разделением ролей, это разобрано в гиде Мультиагентные системы. Какие задачи компании уже отдают агентам и как запустить пилот, смотрите в гиде ИИ-агенты для бизнеса.
Курсы по ИИ-агентам: что проходить и в каком порядке
Все курсы ниже — официальные программы Anthropic, OpenAI и Google в переводе на русском. Уровень указан по каталогу AI University.
| Курс | Уроков | Уровень | Чему учит |
|---|---|---|---|
| Навыки агентов | 7 | Средний | SKILL.md, навыки из нескольких файлов, отличие от CLAUDE.md и слеш-команд, как делиться навыками |
| Введение в субагенты | 5 | Средний | встроенные и свои субагенты, как проектировать и когда применять |
| Claude Code в действии | 22 | Средний | агент в работе: контекст, MCP-серверы, GitHub, хуки, Claude Code SDK |
| Введение в MCP | 16 | Средний | подключение инструментов и данных, свой MCP-сервер на Python |
| Работа с инструментами Claude | 6 | Продвинутый | tool use: первый инструмент, JSON через инструменты, несколько инструментов |
| Разработка с Claude API | 92 | Продвинутый | API, tool use, RAG, MCP, workflows и агенты, сравнение подходов |
| OpenAI Cookbook | 299 | Средний | разделы про Agents SDK, мультиагентные системы, память, оценку агентов |
| Gemini API: примеры использования | 80 | Продвинутый | агенты с автоматическим вызовом функций, браузер как инструмент, SQL-агент |
Маршрут без кода: «Навыки агентов» → «Введение в субагенты» → «Claude Code в действии» → «Введение в MCP» по верхам. Для рабочих задач вне программирования добавьте курс «Введение в Claude Cowork» (12 уроков, базовый уровень).
Маршрут разработчика: «Работа с инструментами Claude» → «Разработка с Claude API» (блоки про tool use, MCP, workflows и агенты) → «Введение в MCP» → разделы OpenAI Cookbook и Gemini, чтобы увидеть те же идеи на других платформах.
Типичные ошибки при создании агентов
- Агент там, где хватит цепочки. Если шаги известны, workflow будет точнее, дешевле и проще в тестировании.
- Слишком много инструментов. Тридцать похожих инструментов путают модель. Лучше несколько понятных с чёткими описаниями.
- Плохие описания инструментов. Модель выбирает инструмент по описанию. Пишите, когда его использовать, какие аргументы и что он вернёт.
- Нет лимита шагов и бюджета. Агент без ограничений может ходить по кругу и тратить токены.
- Нет проверки результата. Добавьте тесты, линтер, сверку с источником или второго агента-ревьюера. Агент, который не может проверить себя, уверенно сдаёт ошибки.
- Весь контекст в одном окне. Длинные исследования забивают контекст. Выносите их в субагентов, которые возвращают короткий итог.
- Нет набора тестовых задач. Без него невозможно понять, стало ли лучше после правки промпта.
Сколько стоит агент и какие риски
Стоимость. Агент тратит заметно больше токенов, чем чат: каждый шаг цикла заново отправляет модели историю, описания инструментов и результаты вызовов. Длинные задачи и многоагентные схемы умножают расход. Снижают его лимит шагов, короткие результаты инструментов, кеширование промптов и более быстрые модели для простых подзадач. Цены моделей меняются, актуальные смотрите на сайте провайдера.
Риски.
- Права. Агент может сделать всё, что позволяют его инструменты. Давайте минимум: чтение вместо записи, отдельный токен, песочница.
- Prompt injection. Страница, письмо или документ могут содержать инструкцию для агента. Не сочетайте в одном агенте чтение недоверенного контента и отправку данных наружу без подтверждения человека.
- Необратимые действия. Удаление, оплата, отправка писем клиентам — только с подтверждением человека. В Claude Code для этого есть система разрешений и хуки.
- Ошибки в фактах. Агент уверенно пишет отчёт и там, где ошибся на третьем шаге. Проверяйте важные выводы по источнику.
Доступность из России и цена обучения
Claude официально недоступен в России, инструкций по обходу ограничений мы не даём. Курсы при этом открываются из России без VPN, а принципы агентов (цикл, инструменты, MCP, проверка) одинаковы для разных моделей. Первые уроки каждого курса бесплатны без регистрации. Полный доступ к курсам Anthropic стоит 1490 ₽ разово, ко всем курсам платформы 4900 ₽, без подписки.
Что дальше: бесплатные уроки по агентам
- Основы работы с инструментами — как модель вызывает функции, основа любого агента.
- Что такое навыки — как один раз научить агента процедуре.
- Что такое субагенты — отдельный контекст для подзадач и встроенные субагенты Claude Code.
- Что такое ассистент для программирования — как агент в Claude Code работает с инструментами.
- Кодирующий агент на GPT-5.1 и OpenAI Agents SDK — тот же подход на платформе OpenAI, с инструментами shell, web_search и MCP.
Ещё один бесплатный урок для тех, кто работает с Google: Агенты и автоматический вызов функций на примере Barista Bot. Подборка бесплатных курсов от разных компаний — в гиде Бесплатные курсы по ИИ на русском.
Начните с бесплатных уроков по агентам
Официальные курсы Anthropic по навыкам, субагентам и инструментам на русском, без VPN. Первые уроки без регистрации.
Открыть курс «Навыки агентов»Частые вопросы
Что такое ИИ-агент простыми словами?
Это нейросеть, которая получает цель и сама выполняет несколько шагов: выбирает и вызывает инструменты (поиск, файлы, API, браузер), смотрит на результат и продолжает, пока задача не решена.
Как создать ИИ-агента без программирования?
Проще всего начать с Claude Code: опишите процедуру навыком (файл SKILL.md), вынесите подзадачи в субагентов командой /agents и подключите нужные сервисы через MCP. Всё это настраивается текстовыми файлами и разобрано в курсах «Навыки агентов» и «Введение в субагенты».
Какой язык программирования нужен для разработки агентов?
Чаще всего Python или TypeScript: у Claude API, OpenAI Agents SDK, Gemini API и MCP есть официальные SDK для обоих. Достаточно базового уровня и умения работать с JSON.
Чем агент отличается от чат-бота?
Чат-бот отвечает на сообщение и ждёт следующего. Агент получает задачу и сам решает, какие действия выполнить и в каком порядке, пользуясь инструментами.
Есть ли бесплатный курс по ИИ-агентам?
Первые уроки каждого курса на AI University бесплатны без регистрации. Полный доступ к курсам Anthropic стоит 1490 ₽ разово, ко всем курсам платформы 4900 ₽, без подписки.
С какого курса начать обучение ИИ-агентам?
Без кода — с «Навыков агентов» и «Введения в субагенты». Разработчикам — с «Работы с инструментами Claude», затем «Разработка с Claude API» и «Введение в MCP».
Сколько стоит работа ИИ-агента?
Агент тратит больше токенов, чем чат, потому что на каждом шаге модель заново получает историю и результаты инструментов. Расход снижают лимит шагов, короткие ответы инструментов и более дешёвые модели для простых подзадач.
Как создать ИИ-агента бесплатно?
Запустите открытую модель с поддержкой инструментов (Qwen, Llama, Mistral и другие) на своём компьютере через Ollama или LM Studio и напишите короткий цикл на Python, как в примере выше. Второй вариант — бесплатный уровень облачного API, например Gemini, но там жёсткие лимиты запросов.
Можно ли запустить ИИ-агента локально на ПК?
Да. Для простого агента с 2-3 инструментами хватает модели на 7-9 млрд параметров и 8-10 ГБ видеопамяти; модели на 30 млрд и больше работают надёжнее, но требуют около 24 ГБ. Данные при этом не покидают компьютер, но в сложных многошаговых задачах локальные модели пока уступают облачным.
Нужен ли VPN для курсов по агентам?
Нет. Курсы переведены на русский и размещены на AI University, они открываются из России без VPN.
Владислав Попов
PhD (University of York), основатель Стадики и AI University. Отбирает и переводит на русский официальные курсы Anthropic, OpenAI и Google.