Как создать ИИ-агента: руководство по OpenAI Agents SDK

Что на самом деле представляет собой ИИ-агент

ИИ-агент — это языковая модель, работающая внутри исполнительного цикла. Она принимает цель, решает, какой шаг сделать следующим, использует разрешенный инструмент при необходимости, считывает результат и либо продолжает работу, либо останавливается.

Представьте, что вы нанимаете младшего оператора. Инструкции — это его должностной регламент. Модель отвечает за логику и суждения. Инструменты — это доступы к вашей CRM, системе заказов, календарю, базе знаний, браузеру или файловому хранилищу. Память служит рабочим блокнотом, а гарды (guardrails) и ручные подтверждения выполняют роль бдительного супервайзера.

В этом принципиальное отличие от базового чат-бота. Чат-бот может лишь сгенерировать текст ответа. Агент способен проверить статус заказа по API, сопоставить его с внутренним регламентом компании, запросить недостающие данные у клиента и при необходимости перевести диалог на живого оператора. Ключевая разница кроется именно в цикле автономных действий.

Официальный обзор агентов от OpenAI определяет агентов как приложения, которые самостоятельно планируют шаги, вызывают инструменты, сохраняют состояние и при необходимости взаимодействуют с узкоспециализированными ассистентами. В Agents SDK базовый объект намеренно лаконичен: модель с инструкциями, набором инструментов и опциональными механизмами контроля вроде guardrails и handoffs.

Agents SDK или Responses API?

Используйте Agents SDK, если вам нужно, чтобы среда выполнения сама управляла повторными вызовами инструментов, состоянием, ограничениями, передачей контекста и аппрувами. Используйте Responses API напрямую, если хотите полностью контролировать и писать этот цикл вручную. OpenAI рекомендует Responses API для прямого управления моделью, а SDK — для структурированных диалоговых или транзакционных задач с постоянной оркестрацией.

Если вы предпочитаете no-code платформы, архитектура остается точно такой же. Убедитесь, что выбранный инструмент дает вам явное управление тулами, этап подтверждения человеком, подробные логи и надежный способ принудительной остановки цикла. Визуальный интерфейс не отменяет потребности в этих мерах контроля.

Пошаговый план: как создать ИИ-агента в первой рабочей версии

Самый быстрый путь к результату — максимально сузить задачу до того, как наращивать стек технологий.

1. Сформулируйте задачу в одном предложении

Четко зафиксируйте пользователя, триггер, конкретное действие и финальную точку. Формулировка «помогать клиентской поддержке» слишком размыта. «Отвечать на вопросы о статусе доставки через Orders API и переводить на человека любые запросы на возврат средств или смену адреса» — это понятная инженерная задача.

Обязательно пропишите запрещенные действия. Это превращает абстрактную «автономию» в понятные продуктовые рамки.

2. Проверьте, нужен ли здесь агент вообще

Агенты оправдывают свою сложность там, где требуются гибкие рассуждения, работа с неструктурированным текстом или документами, а также обработка исключений, ломающих жесткие алгоритмы. Практическое руководство OpenAI прямо рекомендует использовать детерминированный код, если эти факторы отсутствуют.

Расчет налогов, валидация полей веб-формы или регулярная синхронизация таблиц должны оставаться обычным софтом. А вот разбор претензии на возврат, требующий прочесть контекст диалога, свериться с регламентом, проверить статус заказа и решить, нужна ли ручная проверка юристом — идеальная задача для агента.

3. Выбирайте модель под рабочую задачу, а не ради красивого демо

По умолчанию SDK использует модель gpt-5.4-mini без reasoning effort и с минимальной многословностью для сценариев, чувствительных к задержкам. Руководство по моделям советует переходить на gpt-5.6-sol, когда критически важно качество сложных суждений и есть доступ к этой модели.

Начинайте с более доступного по цене варианта, который успешно проходит ваши тестовые сценарии. Повышайте класс модели только тогда, когда ошибки вызваны качеством логических выводов нейросети, а не отсутствием нужного инструмента, невнятным промптом или «грязными» входными данными. Самая мощная модель не спасет ситуацию, если API заказов отдает устаревший статус.

4. Подключите один инструмент только для чтения

Ваш первый инструмент должен только извлекать информацию, но не изменять ее. Запрос статуса посылки, поиск по базе знаний, проверка остатков на складе или просмотр свободных слотов в календаре гораздо проще тестировать и безопаснее повторять при сбоях, чем списание денег, отмену бронирования или отправку внешних писем.

SDK умеет преобразовывать типизированную функцию Python в инструмент и автоматически генерировать схему входных данных. Также из коробки доступны веб-поиск, поиск по файлам (file search), интерпретатор кода, поддержка MCP и генерация изображений. Инструменты для работы с локальной системой, терминалом и правкой файлов требуют контролируемой среды выполнения.

Вот минимальный рабочий паттерн:

from agents import Agent, Runner, function_tool

@function_tool
def lookup_order(order_id: str) -> str:
    """Возвращает текущий статус заказа из внутренней базы."""
    return "Заказ 123 упакован и ожидает передачи курьеру."

agent = Agent(
    name="Агент проверки заказов",
    instructions=(
        "Отвечай на вопросы о статусе заказов с помощью lookup_order. "
        "Никогда не изменяй и не отменяй заказы. В остальных случаях эскалируй на оператора."
    ),
    tools=[lookup_order],
)

result = Runner.run_sync(agent, "Где находится заказ 123?")
print(result.final_output)

Установите библиотеку командой pip install openai-agents и сохраните API-ключ в переменной окружения OPENAI_API_KEY. Аналогичная структура доступна и в официальном TypeScript SDK, если ваш проект пишется на JS-стеке.

5. Предусмотрите условия остановки цикла

Класс Runner отправляет запрос модели, запускает вызванный инструмент, передает полученный результат обратно в модель и повторяет процесс. Цикл завершается, когда модель выдает финальный ответ без запроса новых тулов. Также выполнение может прерваться по лимиту шагов с ошибкой MaxTurnsExceeded.

Каждому боевому агенту необходим жесткий лимит шагов (turns), тайм-аут и сценарий корректной обработки ошибки. «Не удалось подтвердить информацию, перевожу диалог на оператора» — это нормальный результат работы. Бесконечные повторные попытки — это не упорство системы, это продакшн-инцидент.

6. Определитесь со стратегией памяти

Память означает передачу релевантного контекста в следующий шаг диалога. SDK позволяет хранить историю на стороне клиента в объекте сессии, либо использовать серверное сохранение состояния от OpenAI через параметры conversation_id или previous_response_id.

Используйте ровно один подход для каждого диалога. SDK намеренно блокирует одновременное совмещение локальной сессии и серверного управления контекстом в рамках одного запуска, иначе наложение историй продублирует токены. Также решите, какой объем истории действительно необходим агенту. Поддержке нужен текущий кейс, а не вся многолетняя переписка клиента.

7. Расставьте ограничения на всех критических этапах

Используйте input guardrail для отсечения запросов не по теме. Настройте tool guardrail на каждую кастомную функцию, читающую или меняющую бизнес-данные. Подключите output guardrail для валидации итогового ответа перед отправкой пользователю. Любые необратимые или дорогостоящие действия должны требовать подтверждения живым человеком (human-in-the-loop).

Важный нюанс: входные проверки (input guardrails) по умолчанию запускаются параллельно. Это снижает задержку ответа, но модель может успеть потратить токены или инициировать запуск тула до того, как проверка упадет с ошибкой. Включайте блокирующий режим (blocking mode), если запрос потенциально может вызвать сайд-эффект или раскрыть приватные данные.

Подробные архитектурные шаблоны описаны в руководстве по радиусу поражения гардов для ИИ-агентов. Ключевой принцип прост: пропускайте каждое платное, изменяющее состояние или требующее специальных прав действие через единый контролируемый периметр.

8. Логируйте, оценивайте и подключайте песочницы только при необходимости

Трейсинг (tracing) включен в Agents SDK по умолчанию. Он фиксирует генерации модели, вызовы функций, срабатывания гардов и переключения контекста, позволяя детально видеть причины успеха или сбоя каждого запуска. Прогоняйте трейсы по фиксированному набору реальных запросов и эталонных ответов перед добавлением новых функций.

Логи могут содержать пользовательские данные и аргументы вызовов, поэтому обязательно отключайте логирование конфиденциальных полей в соответствии с требованиями безопасности. Учтите, что трейсинг OpenAI недоступен при активированном режиме Zero Data Retention.

Используйте изолированные песочницы (sandbox) только тогда, когда задаче реально требуется выполнение консольных команд, установка библиотек, чтение локальных файлов или длительное сохранение состояния рабочего пространства. В обновлении SDK за апрель 2026 года OpenAI добавила нативную поддержку изолированных окружений, переносимые манифесты пространств, снапшоты и интеграции с рядом sandbox-провайдеров. Агенту службы поддержки контейнер не нужен. Агенту-аналитику документов или ассистенту по написанию кода он необходим.

Сколько стоит эксплуатация

Сам SDK и Responses API не требуют отдельной абонентской платы за платформу. Вы платите исключительно за токены выбранной модели и использование встроенных инструментов.

По стандартным тарифам для короткого контекста модель gpt-5.6-sol стоит $5 за миллион входных токенов и $30 за миллион выходных. Модель gpt-5.6-terra обходится в $2 и $12 соответственно, а gpt-5.6-luna — в $0.20 и $1.20. Веб-поиск тарифицируется по $10 за 1,000 запросов плюс токены прочитанного веб-контента. Запросы к инструменту file search стоят $2.50 за 1,000 вызовов, а хранение файлов — $0.10 за 1 ГБ в день (после первого бесплатного гигабайта). Аренда 1 ГБ облачного контейнера для bash или code interpreter стартует от $0.03 за 20-минутную сессию.

Эти базовые тарифы не отражают реальную себестоимость закрытия одной задачи. Ее показывает только ваш трейсинг. Замеряйте число шагов модели, вызовов тулов, повторов и передач человеку на каждый успешный результат. На основе этих цифр выбирайте баланс модели и инструментов, не жертвуя качеством.

7 задач для ИИ-агентов, которые действительно стоит автоматизировать

Лучшие сценарии применения имеют понятного заказчика, строго очерченный рабочий процесс и результат, поддающийся четкой проверке.

1. Агент первой линии клиентской поддержки

Команда поддержки интернет-магазина подключает агента к проверенной базе знаний и API заказов в режиме «только чтение». Агент идентифицирует клиента, запрашивает статус отправления, объясняет регламент и переводит запросы на возврат денег или смену адреса на оператора. Ценность здесь — в мгновенном первом ответе и структурированных заметках для человека, а не в попытке полностью заменить службу поддержки.

2. Исследовательский агент с опорой на факты

Аналитический отдел загружает пачку отчетов в защищенное рабочее пространство и поручает агенту составить сравнительный анализ с привязкой каждого тезиса к конкретному файлу и странице источника. Агент ищет, извлекает, сопоставляет данные и формирует структурированную сводку. Выгода — аналитики тратят время на принятие решений, а не на ручной поиск цитат в документах.

3. Агент квалификации лидов и подготовки к встречам

В B2B-продажах агент может обрабатывать входящую заявку, обогащать профиль компании по открытым реестрам, сопоставлять данные с критериями ICP и готовить бриф для менеджера. Бронирование слота в календаре предлагается только тем, кто прошел квалификацию. Ценность — системная подготовка к звонкам и избавление сейлзов от рутины в CRM.

4. Агент диспетчеризации заявок в операционных процессах

Управляющая компания направляет поток писем жильцов агенту, который автоматически определяет адрес дома, номер квартиры, характер поломки, срочность и удобное время визита мастера. Он сверяет данные с базой жильцов, создает черновик заявки и немедленно эскалирует аварийные ситуации. Итог — минимум ручного ввода и отсутствие потерянных заявок.

5. Агент экспресс-аудита договоров и регламентов

Юридический отдел или служба закупок поручает агенту сопоставить договор контрагента со стандартной формой компании, подсветить расхождения и дать ссылки на соответствующие пункты. Агент формирует протокол разногласий, не принимая юридических решений самостоятельно. Это ускоряет первичный скрининг, оставляя итоговое решение за юристом.

6. Агент внутренней техподдержки сотрудников (IT Helpdesk)

IT-департамент интегрирует агента со списком корпоративных устройств, мониторингом статуса сервисов и утвержденными инструкциями по устранению сбоев. Ассистент собирает диагностические данные, предлагает сотруднику безопасные базовые шаги и открывает подробный тикет инженеру, если проблема не решилась. Это исключает долгие переписки с базовыми вопросами перед началом реального ремонта.

7. Контролируемый агент для работы с кодом и файлами

Команда разработки или финотдел помещает рабочие файлы или репозиторий в изолированную песочницу, открывает доступ к узкому набору shell-команд и задает целевую папку для результатов. Агент анализирует файлы, выполняет расчеты, вносит правки в черновик и отдает готовые артефакты на ревью человеку. Именно здесь критически важна встроенная песочница, гарантирующая изолированную среду и прозрачный аудит действий.

3 готовых продукта, которые можно создать на этой базе

Само по себе абстрактное понятие «ИИ-агент» не является продуктом. Эти три направления показывают подтвержденный коммерческий спрос.

Самое сильное направление: вертикальный агент клиентского сервиса

Создайте узкоспециализированного агента поддержки для конкретной экосистемы: например, для интернет-магазинов на Shopify, агентств недвижимости или сервисных выездных служб. Клиенты платят за успешно решенные проблемы и качественную передачу контекста операторам, а не за окно чата с нейросетью.

Спрос здесь предельно конкретный. Запрос «AI customer service agent» генерирует около 720 поисков в Google ежемесячно с высокой коммерческой направленностью и CPC в $264.61. Через интерфейсы ИИ-помощников эту же задачу ищут около 69 раз в месяц. Текущий отраслевой ориентир платформы Intercom составляет $0.99 за каждый успешно закрытый тикет, перевод на процедуру или квалифицированную дисквалификацию.

Минимально жизнеспособный продукт требует: один канал связи, одну проверенную базу знаний, один инструмент чтения данных из профиля клиента, сценарий эскалации на человека и дашборд с метриками. Ваше конкурентное преимущество — не сам вызов API, а готовые отраслевые интеграции, выверенный датасет для оценки, сценарии эскалации и гарантия того, что «решенная» агентом проблема действительно помогла клиенту.

Это наиболее привлекательная ниша: задача узкая, заказчик понятен, а экономический эффект легко посчитать. Рекордно высокий CPC подтверждает, что вендоры ожесточенно борются за этих покупателей.

Исследовательский ассистент с валидацией источников для узкой профессии

Постройте рабочее пространство для профессионалов с жесткими требованиями к фактчекингу: специалистов по комплаенсу, грантрайтеров, медицинских аналитиков или аудиторов M&A. Продукт должен работать только по загруженному корпусу документов, прикреплять первоисточники к каждому тезису, сопоставлять противоречащие факты и экспортировать стандартизированные аналитические отчеты.

Запрос «AI powered research assistant» собирает около 18,100 запросов в Google ежемесячно с коммерческим намерением. Более общий вариант «AI research assistant» добавляет еще 2,400 поисков. Сервис Elicit тарифицирует свой тариф Pro по $49 за пользователя в месяц, а Scale — по $169, что доказывает готовность рынка платить за автоматизацию структурированных исследований.

MVP включает: поддержку одного формата документов, один шаблон итогового отчета, таблицу извлеченных фактов с точными ссылками и интерфейс ручной проверки. Главный риск — размывание фокуса. Обобщенный ассистент неизбежно проиграет универсальным моделям. Устойчивый бизнес возможен только за счет работы со специализированными источниками данных и отраслевыми стандартами качества, которых нет в базовых чатах.

Агент квалификации входящих лидов

Создайте агента для сайта и почты, который отвечает на технические вопросы о продукте, проверяет соответствие критериям целевого клиента, заводит лид в CRM, формирует саммари встречи и открывает календарь бронирования только при выполнении всех условий. Фокусируйтесь именно на входящем потоке: неконтролируемые холодные рассылки несут огромные риски для репутации домена и юридической чистоты.

Запрос «AI sales agent» привлекает около 1,000 поисков в месяц при стоимости клика CPC в $74.89. Тариф Intercom за один квалифицированный лид сейчас составляет $9.99, что задает понятный ценовой ориентир для рынка.

MVP требует: интеграцию с чатом на сайте или корпоративной почтой, подключение к CRM в режиме чтения, жесткие правила квалификации, интеграцию с календарем и обязательное ревью человеком перед отправкой важных писем. Главная ловушка — низкое качество исходных данных. Если в CRM царит хаос, агент будет с непоколебимой уверенностью передавать в работу абсолютно нецелевых клиентов.

Принципиальные ограничения, о которых нужно помнить

Агент не делает вероятностный софт гарантированно надежным. Он лишь переносит неопределенность внутрь цикла, за которым вы можете наблюдать и которым можете управлять.

• Не используйте агента там, где задача надежно решается традиционным детерминированным кодом.
• Не давайте агенту права на запись и изменение данных, пока версия в режиме «только чтение» не покажет стабильный результат на реальных тестах.
• Не полагайтесь на единственный общий гард. Гарды уровня агента не контролируют встроенные или сторонние hosted-инструменты автоматически — проверка прав должна дублироваться внутри самого бэкенда и слоя инструментов.
• Не смешивайте механизмы памяти без необходимости. Наложение клиентской и серверной истории приводит к задвоению контекста и перерасходу токенов.
• Не пытайтесь сразу строить сложные мультиагентные системы. OpenAI прямо рекомендует выжать максимум из одного агента с инструментами перед тем, как переходить к оркестрации команд.
• Не делегируйте модели окончательное одобрение необратимых действий. Высокорисковые шаги обязаны проходить через подтверждение человеком, пока метрики не докажут возможность перехода на автоматические правила.

Специализированные утилиты безопасности полезны, но ключевую роль играет архитектура. Наш обзор инструментов безопасности ИИ поможет сориентироваться, когда вы четко поймете профиль рисков своего решения.

Главный вывод: вызов модели — это простейшая часть проекта. Основной инженерный труд уходит на проектирование инструментов, разграничение прав, валидацию данных, настройку эскалаций и юнит-экономику. Сделайте эту базу качественно — и агент принесет реальную пользу бизнесу. Проигнорируйте ее — и эффектное демо превратится в ненадежного сотрудника с прямым доступом к вашим боевым базам данных.

Если вам требуется разработка надежного ИИ-агента под инфраструктуру вашей компании с жесткими правилами безопасности, изучите наше направление AI agent development.