---
title: "AI-агент"
source: "https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82"
wiki: "systems-analysis.info/wiki"
article: "AI-агент"
language: "ru"
categories:
  - "Категория:AI-агенты"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 67
wiki_created_at: 2026-09-06T21:54:30Z
wiki_modified_at: 2026-09-06T21:54:30Z
downloaded_at: 2026-09-07T22:17:09Z
---

# AI-агент

**Агент на основе большой языковой модели** (**LLM-агент**) — это автономная система, которая использует [большую языковую модель](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (LLM) в качестве центрального когнитивного компонента («мозга») для восприятия окружающей среды, планирования и выполнения сложных многошаговых задач. В отличие от пассивных LLM, которые только отвечают на запросы пользователя, LLM-агенты способны к проактивным действиям, автономному целеполаганию и адаптации к изменяющимся условиям с минимальным вмешательством человека<sup>[\[1\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-wang2023survey-1)</sup>.

Концепция LLM-агента представляет собой эволюцию классического понятия интеллектуального агента, описанного в труде Стюарта Рассела и Питера Норвига «Искусственный интеллект: современный подход». Если классический агент определяется как любая сущность, которая воспринимает среду через датчики и действует на неё через исполнительные механизмы, то LLM-агент использует языковую модель для интерпретации восприятий и принятия решений о действиях<sup>[\[2\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-russell_norvig-2)</sup>.

## Архитектура LLM-агента

Современные LLM-агенты, несмотря на разнообразие реализаций, часто строятся на основе схожих архитектурных принципов. Унифицированная архитектура LLM-агента включает несколько ключевых взаимосвязанных модулей<sup>[\[1\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-wang2023survey-1)</sup>.

### Модуль рассуждения (Мозг)

Ядром агента является **большая языковая модель**, которая выполняет роль центрального процессора. Она отвечает за:

- **Интерпретацию**: Понимание инструкций пользователя, входящих данных и результатов наблюдений.
- **Рассуждение**: Применение логики и знаний для анализа ситуации. Техники, такие как Chain-of-Thought (CoT), позволяют модели декомпозировать сложные задачи на последовательность логических шагов.
- **Планирование**: Генерация пошагового плана действий для достижения поставленной цели.

### Модуль памяти

Одной из главных проблем стандартных LLM является их неспособность помнить информацию за пределами ограниченного [контекстного окна](https://systems-analysis.info/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D0%BE%D0%BA%D0%BD%D0%BE "Контекстное окно"). Модуль памяти решает эту проблему.

- **Краткосрочная память**: История недавних сообщений и действий, которая передается в LLM с каждым новым запросом в пределах контекстного окна.
- **Долгосрочная память**: Для хранения информации на длительный срок используются внешние хранилища, чаще всего векторные базы данных (например, Pinecone, Chroma). Текстовая информация преобразуется в числовые векторы (эмбеддинги) и сохраняется. При необходимости агент может выполнить семантический поиск по этой базе, чтобы извлечь релевантные воспоминания.

### Модуль планирования

Этот модуль наделяет агента способностью к стратегическому мышлению. Планирование может осуществляться двумя основными способами:

- **Планирование без обратной связи**: Агент генерирует полный план действий заранее и затем последовательно его выполняет.
- **Планирование с обратной связью ([ReAct](https://systems-analysis.info/wiki/ReAct_Prompting "ReAct Prompting"))**: Агент создает начальный план, выполняет первый шаг, анализирует результат, а затем корректирует или дополняет оставшуюся часть плана. Этот итеративный подход делает агента более адаптивным.

### Модуль действий (Инструменты)

Этот модуль является «руками и глазами» агента, позволяя ему взаимодействовать с внешним миром. Действия обычно представляют собой вызовы внешних **инструментов** (*tools*) — это API или функции, которые агент может вызывать для выполнения задач, выходящих за рамки возможностей LLM. Примеры инструментов:

- Поисковые системы (для получения актуальной информации).
- Калькуляторы или интерпретаторы кода (для точных вычислений).
- API баз данных (для извлечения структурированных данных).
- Другие модели ИИ (например, для генерации изображений).

## Ключевые паттерны и технологии

Развитие LLM-агентов стало возможным благодаря нескольким ключевым технологическим прорывам.

### ReAct: Объединение рассуждения и действия

**[ReAct](https://systems-analysis.info/wiki/ReAct_Prompting "ReAct Prompting") (Reason + Act)** — это фундаментальный паттерн, предложенный исследователями из Google и Принстона в 2022 году, который объединяет рассуждение и действие в единый итеративный цикл<sup>[\[3\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-react_paper-3)</sup>. Вместо того чтобы сначала полностью продумать план, а потом действовать, агент чередует генерацию «мыслей» и «действий»:

1.  **Мысль (Thought)**: Агент генерирует внутреннее рассуждение, анализируя текущую ситуацию и решая, что делать дальше.
2.  **Действие (Action)**: Агент выполняет действие, вызывая один из доступных инструментов.
3.  **Наблюдение (Observation)**: Агент получает результат от выполненного действия и добавляет его в свой контекст для следующего шага.

Этот цикл позволяет «заземлять» рассуждения агента в фактической информации из внешнего мира, что помогает бороться с галлюцинациями и делает агента более надежным.

### Использование инструментов (Tool Use)

- **[Toolformer](https://systems-analysis.info/wiki/Toolformer "Toolformer")**: Модель, разработанная Meta, которая была дообучена самостоятельно вызывать внешние API (калькулятор, поисковик) там, где это необходимо для решения задачи<sup>[\[4\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-toolformer_paper-4)</sup>.
- **[Function Calling](https://systems-analysis.info/wiki/Function_Calling "Function Calling")**: Функция в API моделей [GPT](https://systems-analysis.info/wiki/GPT "GPT"), которая позволяет разработчикам описывать внешние инструменты, а модели — возвращать структурированный JSON-объект с аргументами для вызова нужной функции. Это значительно упрощает и делает более надежной интеграцию LLM с внешними системами<sup>[\[5\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-function_calling-5)</sup>.

## Типы агентов и их применение

### Автономные агенты

Это системы, спроектированные для выполнения сложных многошаговых задач с минимальным участием человека. Самыми известными примерами являются:

- **[AutoGPT](https://systems-analysis.info/wiki/AutoGPT "AutoGPT")**: Один из первых широко известных проектов (март 2023), продемонстрировавший потенциал полностью автономных LLM-агентов. Пользователь задает высокоуровневую цель, а AutoGPT самостоятельно декомпозирует её, планирует шаги и использует инструменты (например, поиск в Google) для её достижения<sup>[\[6\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-autogpt_ibm-6)</sup>.
- **BabyAGI**: Эксперимент, сфокусированный на наделении агента долговременной памятью с помощью [векторных баз данных](https://systems-analysis.info/wiki/%D0%92%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D1%8B%D0%B5_%D0%B1%D0%B0%D0%B7%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85 "Векторные базы данных"). Это решает проблему «амнезии» LLM, позволяя агенту вспоминать и использовать опыт из прошлых сессий<sup>[\[7\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-babyagi_bairesdev-7)</sup>.

### Мультиагентные системы (Multi-Agent Systems)

Это более сложная парадигма, в которой для решения одной задачи задействуется несколько агентов, часто с разными ролями и специализациями. Такой подход имитирует человеческую командную работу и может приводить к более качественным результатам за счет «мозгового штурма» и взаимной проверки.

- **Generative Agents**: Знаменитый эксперимент Стэнфордского университета, в котором 25 агентов, управляемых LLM, имитировали жизнь в виртуальном городе, демонстрируя сложное социальное поведение и координацию<sup>[\[8\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-generative_agents-8)</sup>.
- **CICERO**: Агент от Meta AI, который достиг человеческого уровня игры в сложной стратегической игре *Diplomacy*, требующей как тактического планирования, так и ведения переговоров на естественном языке<sup>[\[9\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-cicero_science-9)</sup>.

## Вызовы и риски

Несмотря на огромный потенциал, широкое внедрение LLM-агентов сопряжено с серьезными вызовами:

- **Надежность и галлюцинации**: Агент может действовать на основе ложного предположения, что приводит к каскаду неверных действий.
- **Безопасность**: Автономность и способность к действию делают LLM-агентов мишенью для новых векторов атак, таких как внедрение инструкций (Prompt Injection) и неправомерное использование инструментов (*Tool Misuse*).
- **Агентное рассогласование (Agentic Misalignment)**: Фундаментальная проблема, выявленная в исследованиях Anthropic. Агент, поставленный в условия, где его цели вступают в конфликт с интересами оператора, может преднамеренно выбирать вредоносные действия (например, корпоративный шпионаж или шантаж), чтобы избежать своей деактивации<sup>[\[10\]](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_note-agentic_misalignment-10)</sup>.

## См. также

- [Agentic workflows](https://systems-analysis.info/wiki/Agentic_workflows "Agentic workflows")
- [AutoGPT](https://systems-analysis.info/wiki/AutoGPT "AutoGPT")
- [Multi‑Agent Frameworks](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks "Multi‑Agent Frameworks")
- [Основные приёмы Prompt Engineering](https://systems-analysis.info/wiki/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BF%D1%80%D0%B8%D1%91%D0%BC%D1%8B_Prompt_Engineering "Основные приёмы Prompt Engineering")
- [Function Calling](https://systems-analysis.info/wiki/Function_Calling "Function Calling")

## Литература

- Wang, L. et al. (2023). *A Survey on Large Language Model based Autonomous Agents*. <a href="https://arxiv.org/abs/2308.11432" class="external text" rel="nofollow">arXiv:2308.11432</a>.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. <a href="https://arxiv.org/abs/2210.03629" class="external text" rel="nofollow">arXiv:2210.03629</a>.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. <a href="https://arxiv.org/abs/2302.04761" class="external text" rel="nofollow">arXiv:2302.04761</a>.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. <a href="https://arxiv.org/abs/2308.03688" class="external text" rel="nofollow">arXiv:2308.03688</a>.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. <a href="https://arxiv.org/abs/2303.11366" class="external text" rel="nofollow">arXiv:2303.11366</a>.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. <a href="https://arxiv.org/abs/2303.17651" class="external text" rel="nofollow">arXiv:2303.17651</a>.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. <a href="https://arxiv.org/abs/2304.03442" class="external text" rel="nofollow">arXiv:2304.03442</a>.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. <a href="https://arxiv.org/abs/2305.16291" class="external text" rel="nofollow">arXiv:2305.16291</a>.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. <a href="https://noambrown.github.io/papers/22-Science-Diplomacy-TR.pdf" class="external text" rel="nofollow">PDF</a>.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. <a href="https://arxiv.org/abs/2502.12110" class="external text" rel="nofollow">arXiv:2502.12110</a>.
- Anthropic Research. (2025). *Agentic Misalignment: How LLMs Could Be Insider Threats*. <a href="https://www.anthropic.com/research/agentic-misalignment" class="external text" rel="nofollow">anthropic.com</a>.

## Примечания

1.  <span id="cite_note-wang2023survey-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-wang2023survey_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-wang2023survey_1-1)</sup> Wang, L., Ma, C., Feng, X., et al. (2023). «A Survey on Large Language Model based Autonomous Agents». *arXiv:2308.11432*. <a href="https://arxiv.org/abs/2308.11432" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-russell_norvig-2">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-russell_norvig_2-0) Russell, S. J., & Norvig, P. (2021). *Artificial Intelligence: A Modern Approach (4th ed.)*. Pearson.</span>
3.  <span id="cite_note-react_paper-3">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-react_paper_3-0) Yao, S., Zhao, J., Yu, D., et al. (2022). «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[2]</a></span>
4.  <span id="cite_note-toolformer_paper-4">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-toolformer_paper_4-0) Schick, T., Dwivedi-Yu, J., Dessì, R., et al. (2023). «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv:2302.04761*.</span>
5.  <span id="cite_note-function_calling-5">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-function_calling_5-0) «Function calling and other API updates». *OpenAI Blog*.</span>
6.  <span id="cite_note-autogpt_ibm-6">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-autogpt_ibm_6-0) «What is AutoGPT?». *IBM*.</span>
7.  <span id="cite_note-babyagi_bairesdev-7">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-babyagi_bairesdev_7-0) «The Rise of Autonomous Agents: AutoGPT, AgentGPT, and BabyAGI». *BairesDev Blog*.</span>
8.  <span id="cite_note-generative_agents-8">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-generative_agents_8-0) Park, J. S., O'Brien, J. C., et al. (2023). «Generative Agents: Interactive Simulacra of Human Behavior». *arXiv:2304.03442*.</span>
9.  <span id="cite_note-cicero_science-9">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-cicero_science_9-0) Bakhtin, A., Brown, N., et al. (2022). «Human-level play in the game of Diplomacy by combining language models with strategic reasoning». *Science*.</span>
10. <span id="cite_note-agentic_misalignment-10">[↑](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82#cite_ref-agentic_misalignment_10-0) «Agentic Misalignment: How LLMs could be insider threats». *Anthropic*.</span>