Блог студии Раисыча AI-агенты · автоматизация
Обсудить задачу
ИИ-агенты для продаж 7 мин чтения 16 July 2026

6 слоёв стека AI-агентов: архитектура enterprise-решений 2026

Стек AI-агентов в 2026 году состоит из шести обязательных слоёв: LLM-модель, фреймворк оркестрации, инструменты (tools), память (memory), RAG-база знаний и…

Обсудить задачу Все статьи кластера
6 слоёв стека AI-агентов: архитектура enterprise-решений 2026

Стек AI-агентов в 2026 году состоит из шести обязательных слоёв: LLM-модель, фреймворк оркестрации, инструменты (tools), память (memory), RAG-база знаний и пользовательский интерфейс. Каждый слой решает свою задачу, и выбор компонентов на каждом уровне определяет стоимость, скорость и масштабируемость готового AI-агента для бизнеса. Разбор шести слоёв стека AI-агентов — это не академическая теория, а практическое руководство для предпринимателей и CTO, которые хотят внедрить AI-агентов в свой бизнес. Ниже — что делает каждый слой, какие решения на нём принимаются, где типичные ошибки и как это влияет на бюджет проекта.

Слой 1. LLM-модель: фундамент, который определяет всё остальное

Модель — это «мозг» агента, и её выбор задаёт потолок качества всего решения. На этом слое решается не «какая модель умнее», а какой компромисс между качеством, стоимостью токена, скоростью ответа и требованиями к данным вам подходит.

Практика рынка 2026 года — гибридный подход:

  • Флагманские модели (закрытые API) — для сложных рассуждений, планирования, работы с неоднозначными запросами. Дорого за токен, но предсказуемо по качеству.
  • Средние модели — для рутинных операций: классификация, извлечение данных, черновики ответов. В 5–20 раз дешевле флагманов при приемлемом качестве.
  • Открытые модели на своём железе — когда данные нельзя отдавать наружу (персональные данные, коммерческая тайна) или когда объёмы токенов делают API экономически бессмысленным.

Ключевое решение на этом слое — маршрутизация: не гонять каждый запрос через самую дорогую модель. Простой запрос — дешёвая модель, сложный — флагман. Это одна из главных статей экономии в проде.

Типичная ошибка: выбрать модель «на вырост» под самый сложный сценарий и платить за флагман на каждом запросе. Стоимость токенов при промышленной нагрузке — это не разовый расход, а постоянный операционный платёж.

Слой 2. Фреймворк оркестрации: как агент думает и действует

Оркестратор — это логика, которая превращает модель в агента: решает, какой шаг делать следующим, какие инструменты вызывать, когда остановиться и вернуть ответ. Без него у вас не агент, а просто чат с моделью.

Что выбирают на этом слое:

  • Готовые фреймворки (LangChain/LangGraph, LlamaIndex, AutoGen и аналоги) — быстрый старт, много готовых интеграций, но добавляют зависимость и «магию», которую сложно отлаживать.
  • Собственная оркестрация — код на Python/TS поверх API модели. Больше работы на старте, зато полный контроль, прозрачность и отсутствие привязки к чужому релизному циклу.
  • Платформенные решения (low-code конструкторы агентов) — для простых сценариев и быстрого пилота, но с ограничениями по кастомизации.

Практическое правило: для пилота берите готовый фреймворк, для продакшена оценивайте, не упрётесь ли вы в его ограничения. Оркестрация — тот слой, где закладывается управляемость: логирование шагов, лимиты на количество итераций, обработка ошибок инструментов.

Типичная ошибка: агент без ограничителя итераций. Без лимита на количество шагов и таймаута он может «зациклиться» и сжечь бюджет на токенах за один запрос.

Слой 3. Инструменты (tools): руки агента

Инструменты — это то, что позволяет агенту не просто говорить, а действовать: читать базу, создавать заявку в CRM, отправлять письмо, считать, обращаться к внутренним API. Именно инструменты превращают демо в рабочий бизнес-процесс.

Что важно на этом слое:

  • Каждый инструмент — это риск. Агент с правом записи в CRM или отправки писем может наделать дел. Права инструментов ограничиваются по принципу минимально необходимого доступа.
  • Описание инструмента — часть промпта. Модель выбирает инструмент по его текстовому описанию. Плохое описание = неправильный вызов. Это отдельная работа, а не побочный эффект.
  • Идемпотентность и подтверждения. Для необратимых действий (платёж, удаление, отправка клиенту) — либо подтверждение человеком, либо защита от повторного вызова.

Типичная ошибка: дать агенту «все инструменты сразу». Чем больше инструментов, тем выше шанс, что модель выберет не тот. Начинайте с 3–5 инструментов под конкретный сценарий.

Слой 4. Память (memory): что агент помнит между запросами

Память делится на два типа, и их путают:

  • Краткосрочная (в рамках диалога) — контекст текущей сессии: что пользователь сказал раньше. Решается управлением контекстным окном: суммаризация, обрезка, выборочное сохранение.
  • Долгосрочная (между сессиями) — факты о пользователе, история взаимодействий, накопленный контекст. Требует хранилища (БД, векторное или гибридное) и стратегии записи/чтения.

Практика: долгосрочную память стоит заводить только там, где она даёт бизнес-ценность — например, агент поддержки помнит историю обращений клиента. Для разовых задач память — лишняя сложность и лишний источник ошибок и утечек данных.

Отдельный вопрос — приватность памяти. Если агент хранит персональные данные, это попадает под требования к обработке ПД. Стратегию хранения и удаления нужно продумать до запуска, а не после.

Слой 5. RAG-база знаний: чем агент обосновывает ответы

RAG (Retrieval-Augmented Generation) — слой, который подтягивает релевантные фрагменты ваших документов и передаёт их модели как контекст. Это то, что снижает галлюцинации и позволяет агенту отвечать по вашим регламентам, а не по «общим знаниям» модели.

Что определяет качество RAG:

  • Качество и структура источников. Мусор на входе — мусор на выходе. Устаревшие регламенты, дубли, противоречия — главная причина плохих ответов, а не «слабая модель».
  • Чанкинг и индексация. Как нарезаны документы и как построен поиск (векторный, гибридный, с реранжированием) — влияет на релевантность сильнее, чем выбор модели эмбеддингов.
  • Актуальность. База знаний должна обновляться. Агент, отвечающий по прошлогоднему прайсу, хуже, чем его отсутствие.

Типичная ошибка: считать RAG «настроил и забыл». Это живой контур: источники меняются, качество поиска нужно измерять и подкручивать.

Слой 6. Пользовательский интерфейс: где агент встречается с человеком

Интерфейс — это точка контакта: чат на сайте, виджет в мессенджере, интеграция в CRM, голосовой канал, внутренний портал для сотрудников. От него зависит, будут ли агентом пользоваться вообще.

Что важно:

  • Прозрачность. Пользователь должен понимать, что общается с AI-агентом, и иметь путь к человеку. Это и вопрос доверия, и требование к качеству сервиса.
  • Канал под задачу. Клиентская поддержка — мессенджеры и виджет; внутренние процессы — интерфейс в привычной системе (CRM, портал), а не отдельный сайт.
  • Сбор обратной связи. Кнопки оценки, логи диалогов — топливо для улучшения всех предыдущих пяти слоёв.

Типичная ошибка: делать красивый чат, но не встраивать его в процесс. Если ответ агента не создаёт заявку в CRM и не передаётся человеку при эскалации — это демо, а не решение.

Как шесть слоёв складываются в бюджет и сроки

Стоимость проекта определяется не одним слоем, а их комбинацией. Ориентиры студии:

Что делаем Ориентир по стоимости Сроки
Пилот одного сценария 60–350 тыс ₽ прототип 10–14 дней
Базовый агент поддержки от 50 тыс ₽ —
Агент продаж от 200 тыс ₽ —
Сложный контур (несколько сценариев, интеграции) от 500 тыс ₽ полный контур 30–90 дней
Сопровождение 15–50 тыс ₽/мес —

Разброс внутри пилота объясняется именно слоями: простой сценарий на готовом фреймворке с одной моделью и без долгосрочной памяти — нижняя граница; несколько инструментов, серьёзная RAG-база и маршрутизация моделей — верхняя. Сложный контур — это когда слоёв много и они интегрированы с вашими системами.

Практический порядок внедрения: сначала один сценарий целиком по всем шести слоям (пилот), замер результата, потом расширение. Не начинайте со «сложного контура» — сначала докажите, что один сценарий работает и окупается.

Если коротко

  • Стек AI-агента — шесть слоёв: LLM, оркестрация, инструменты, память, RAG, интерфейс.
  • Модель выбирается под компромисс «качество/цена/скорость/данные», а не «самая умная». Маршрутизация моделей — главная экономия.
  • Оркестрация задаёт управляемость: лимиты итераций, логирование, обработка ошибок — обязательны.
  • Инструменты — это риски. Минимум прав, 3–5 инструментов на старте, подтверждение для необратимых действий.
  • Память нужна там, где даёт бизнес-ценность; иначе это лишняя сложность и риск по ПД.
  • RAG — живой контур: качество источников важнее выбора модели. Обновление и замер релевантности — постоянная работа.
  • Интерфейс должен встраиваться в процесс (CRM, эскалация), а не жить отдельным чатом.
  • Начинайте с пилота одного сценария, расширяйтесь после замера результата.

FAQ

Можно ли обойтись без какого-то слоя? Для простого сценария — да, частично. Можно не заводить долгосрочную память или обойтись без RAG, если агент работает по узкому регламенту. Но LLM, оркестрация, инструменты и интерфейс нужны всегда — без любого из них это не рабочий агент, а демо.

Что важнее — модель или RAG? Для ответов по вашим документам и регламентам качество RAG влияет сильнее. Слабая база знаний испортит ответ даже на флагманской модели, а хорошая база вытянет среднюю модель. Начинайте с источников.

Сколько стоит поддерживать агента в проде? Две статьи: токены (зависят от объёма запросов и маршрутизации моделей) и сопровождение — ориентир студии 15–50 тыс ₽/мес. Токены считаются отдельно и зависят от нагрузки.

Можно ли сделать всё на готовой платформе без разработки? Для простых сценариев — да, low-code конструкторы закрывают базовые задачи. Ограничения проявятся на инструментах, интеграциях и нестандартной логике — там, где нужен контроль над оркестрацией.

С чего начать, если хочу агента в бизнесе? С одного сценария с измеримой пользой: пилот 60–350 тыс ₽, прототип за 10–14 дней. По результатам пилота решайте про расширение до полного контура (30–90 дней).

Читайте также

Заявка

Обсудить задачу

Расскажите, что нужно автоматизировать. Александр Раисович ответит лично и предложит архитектуру решения.

Раисыч

Основатель Студии Раисыча. Проектирую ИИ-контуры для продаж, поддержки и документов — с критериями приёмки и журналом.

Написать в Telegram →
Обсудить задачу