Как создать ИИ-агента — вопрос, который в 2026 году задают владельцы бизнеса и руководители отделов, а не одни разработчики. Порог входа упал: собрать работающего агента реально за вечер, местами бесплатно и почти без кода. Проблема в другом. Почти все инструкции заканчиваются на кадре «агент ответил в тестовом чате», а настоящая работа начинается после него. Здесь мы разбираем полный цикл: как сделать ИИ-агента с нуля самому, сколько он стоит в рублях на втором месяце, что доступно в российском контуре без зарубежной карты и на каком объеме самоделка перестает справляться.
Мы в eq.team собираем и внедряем агентов на заказ, поэтому регулярно видим и удачные самоделки, и те, что пришлось переписывать. Ниже — обе стороны без прикрас.
Чем ИИ-агент отличается от чат-бота
Разница в одном слове: бот отвечает, агент действует.
Чат-бот принимает сообщение и возвращает текст. Его сценарий задан заранее: дерево кнопок, набор шаблонов, в лучшем случае подстановка ответа из базы знаний. Он не может изменить состояние внешних систем.
ИИ-агент получает цель, а не сценарий. Дальше он сам решает, какие шаги нужны: сходить в базу, вызвать API, сформировать документ, задать уточняющий вопрос, повторить попытку при ошибке. У него есть три вещи, которых нет у бота: набор инструментов, память между шагами и цикл — возможность посмотреть на результат своего действия и продолжить работу.
Практический критерий: если для задачи достаточно текстового ответа — вам нужен бот, и не надо усложнять. Если по итогу должна поменяться запись в CRM, уйти письмо, создаться заявка или обновиться таблица — это агент.
Четыре пути создания: что выбрать под задачу
Способов собрать агента ровно четыре, и они отличаются не «качеством», а потолком — тем объемом и сложностью, после которых решение перестает держать нагрузку.
Готовая платформа с визуальным редактором. Регистрируетесь, описываете роль текстом, загружаете базу знаний, подключаете канал. Первый результат — за 20-40 минут. Ограничение: вы работаете внутри чужой логики, нестандартный шаг обычно не собрать. Подробный разбор вариантов есть в нашем обзоре платформ для ИИ-агентов.
n8n. Визуальный конструктор сценариев с открытым кодом. Есть узлы AI Agent, память, вызов инструментов, сотни готовых интеграций. Self-hosted версия на своем сервере бесплатна, облачная стоит примерно от 20 евро в месяц. Хороший компромисс между скоростью и контролем — и понятный способ сделать ИИ-агента в n8n без единой строки кода. Ограничение: сложная ветвистая логика в визуальном редакторе быстро превращается в полотно, которое тяжело поддерживать.
Прямая работа с API модели. Пишете код на Python или JavaScript, сами описываете инструменты, сами управляете контекстом. Требует навыка, зато потолка практически нет.
Кастомная разработка. То же самое, но с архитектурой под нагрузку: очереди, ретраи, изоляция окружений, логирование каждого вызова, откаты, тесты на краевых случаях.
| Путь | Нужны навыки | Срок до первой версии | Стартовая цена | Потолок |
|---|---|---|---|---|
| Готовая платформа | Нет | Час | От 0 руб на тарифе для пробы | FAQ, квалификация лида, типовые ответы |
| n8n | Логика, работа с API на уровне пользователя | 1-3 дня | 0 руб self-hosted плюс VPS, либо от 20 евро в месяц в облаке | Десятки сценариев, интеграции, обработка почты и заявок |
| API модели напрямую | Python или JS, понимание HTTP | 3-10 дней | Только токены плюс хостинг | Практически не ограничен, упирается в инженерную дисциплину |
| Кастомная разработка | Команда | 2-8 недель | От 2500 руб/ч по факту работ | Продакшн-нагрузка, юридически значимые операции, SLA |
Правило простое: начинайте с самого дешевого пути, который закрывает задачу. Переходить выше стоит по факту упора в потолок, а не заранее.
Пошаговая инструкция: 6 шагов
Порядок одинаков для любого из четырех путей. Меняется только инструментарий.
Шаг 1. Выберите один узкий сценарий. Не «помощник по всем вопросам», а «принимает заявку с почты, вытаскивает контакт и предмет запроса, создает сделку в CRM, отвечает отправителю». Узкий сценарий можно измерить и починить. Широкий — нельзя. Хороший критерий отбора: задача повторяется от 20 раз в неделю, у нее есть письменный регламент, и ошибка не стоит дороже 30 минут работы человека.
Шаг 2. Напишите инструкцию агента. Это главный артефакт, и он текстовый. Опишите роль, границы («если запрос про возврат денег — передай человеку»), формат ответа, тон, список запрещенных действий. Рабочий объем для первой версии — 1-2 страницы. Отдельно вынесите примеры: три-пять пар «вход — правильный выход» дают больше, чем страница абстрактных требований.
Шаг 3. Подключите инструменты. Инструмент — это функция, которую агент может вызвать: поиск по базе, чтение почты, запись в CRM, отправка сообщения. У каждого должно быть человеческое описание, потому что модель выбирает инструмент именно по нему. Начните с двух-трех. Пятнадцать инструментов на старте гарантированно дадут путаницу с выбором.
Шаг 4. Настройте память. Минимум — история текущего диалога. Дальше — долгая память: база знаний с векторным поиском, куда складываются документы, регламенты, прошлые обращения. В n8n за это отвечают отдельные узлы, в своем коде — векторная база вроде pgvector поверх PostgreSQL. Без памяти агент каждый раз начинает с нуля и стоит дороже: вы платите за повторную отправку одного и того же контекста.
Шаг 5. Протестируйте краевые случаи. Этот шаг пропускают чаще всего, и именно он отделяет демо от рабочей системы. Соберите 30-50 реальных запросов из почты или чата, включая кривые: опечатки, два вопроса в одном сообщении, пустое письмо, попытку выманить у агента скидку, запрос вне его компетенции. Зафиксируйте, где он ошибся. Правьте инструкцию, повторяйте прогон. Ошибки повторно, а не наугад.
Шаг 6. Запустите с логами и стоп-краном. Логируйте каждый вызов: вход, выбранный инструмент, ответ модели, результат, количество токенов. Первые две недели держите режим подтверждения — агент готовит действие, человек нажимает «выполнить». Заодно нужен способ отключить агента одной кнопкой. Без логов вы не сможете ответить на вопрос «почему он так решил», а это первый вопрос, который зададут после первого же инцидента.
Сколько это стоит на самом деле
Первый месяц почти всегда дешевый: пробные тарифы, бесплатные лимиты, энтузиазм. Реальные цифры видны на втором. Складываются они из трех частей: токены, хостинг и ваше время.
Расчет ниже — оценка. Мы исходим из среднего диалога в 5-7 тысяч токенов с учетом системной инструкции и найденных фрагментов базы знаний, и из тарифов российских провайдеров порядка 0,2-2 руб за 1000 токенов в зависимости от того, берете вы облегченную или старшую модель. Точный прайс всегда смотрите у провайдера, он меняется.
| Нагрузка в месяц | Токенов, оценка | Модель, руб | Хостинг, руб | Поддержка, часов | Итого с учетом времени |
|---|---|---|---|---|---|
| 100 обращений | около 0,6 млн | 150-1200 | 0-1000 (VPS под n8n) | 1-2 | 3-8 тыс |
| 1000 обращений | около 6 млн | 1500-12 000 | 1000-3000 | 4-8 | 15-35 тыс |
| 10 000 обращений | около 60 млн | 15 000-120 000 | 3000-10 000 | 15-30 | 70-200 тыс |
Час поддержки считаем по нашей ставке 2500 руб. Если агента ведет сотрудник компании — подставьте его стоимость часа, порядок величины не изменится.
Два вывода из таблицы. Первый: на малых объемах агент почти бесплатен по железу, и вся стоимость — это ваше время. Второй: на объеме от нескольких тысяч обращений главной статьей становятся токены, и тут начинает окупаться инженерия — кэширование, укорачивание системной инструкции, маршрутизация простых запросов на дешевую модель. Экономия на этих трех приемах измеряется десятками процентов входных токенов.
Российский контур: что доступно без зарубежной карты
Отдельная головная боль самостоятельной сборки — оплата. Ниже варианты, которые работают с российским юрлицом и рублями.
GigaChat. API от Сбера, оплата в рублях, тарификация по токенам, есть бесплатный лимит для знакомства. Подключается по обычному HTTP, поддерживает вызов функций — значит, годится на роль мозга агента: модель сама решает, какой инструмент вызвать. Это самый короткий путь, если вопрос стоит как «сделать ИИ-агента в GigaChat без VPN».
YandexGPT. Живет в Yandex Cloud, оплата в рублях, тарификация тоже потокенная. Плюс в том, что рядом лежат остальные сервисы облака: очереди, объектное хранилище, функции, база данных. Если агент должен быть частью инфраструктуры, а не отдельным скриптом, это удобно.
Локальные модели. Открытые семейства вроде Qwen и Llama запускаются на своем железе через Ollama или vLLM. Плата за токены исчезает совсем, остается стоимость сервера с видеокартой — на рынке аренды это порядок десятков тысяч рублей в месяц за конфигурацию, на которой модель среднего размера отвечает приемлемо быстро. Так собирают локального ИИ-агента, когда важна предсказуемость расходов или требуется работать с данными, которые не хочется отправлять во внешний сервис. Честная оговорка: качество рассуждений у открытых моделей среднего размера ниже, чем у старших коммерческих, и это заметно как раз на сложных многошаговых сценариях.
Практичная комбинация для старта — n8n на российском VPS плюс GigaChat или YandexGPT по API. Все в рублях, все без VPN, ничего не блокируется.
На чем ломается самоделка
Самодельный агент — нормальное инженерное решение. Просто у него есть измеримые пороги, за которыми он перестает окупаться. Вот они.
Больше 200 обращений в сутки. На этом объеме случайные сбои перестают быть случайными. Один процент ошибок — это два инцидента в день, каждый со звонком от недовольного клиента. Нужны очереди, ретраи с выдержкой, обработка таймаутов провайдера и лимитов частоты запросов. Визуальный сценарий такое переживает плохо.
Интеграция с 1С или боевой CRM. Пока агент читает Google Таблицу, риск нулевой. Как только он пишет в учетную систему, любая его ошибка становится документом, который кто-то потом руками сторнирует. Нужны идемпотентность (повтор запроса не создает второй документ), права доступа с минимальными полномочиями и режим предварительного просмотра. Это уже полноценная задача интеграции систем, а не настройка узла в конструкторе.
Юридически значимые действия. Цена, скидка, срок поставки, подтверждение заказа, любые обещания клиенту. Модель по природе вероятностна: она может выдать красивый и неверный ответ. Такие шаги должны проходить через детерминированную проверку в коде или через подтверждение человеком — без вариантов.
Краевые случаи. Демо собирается на пяти удобных примерах. Реальный поток на 15-25 процентов состоит из неудобных: обрывки текста, два вопроса в одном сообщении, вложения вместо текста, клиент со старым договором. Каждый такой случай в самоделке чинится добавлением абзаца в инструкцию, инструкция разрастается, поведение агента начинает плавать. Это классическая точка, где проект замирает — мы разбирали ее подробнее в материале про то, как не провалить внедрение ИИ-агентов.
Нет логов и откатов. Самый недооцененный порог. Пока агент работает — логи не нужны. В день, когда он ошибся на важном клиенте, вопрос «что именно он сделал и почему» становится единственным. Если ответа нет, доверие к системе заканчивается за один разговор, и агента выключают целиком.
Единственный носитель знания. Агента собрал один человек, держит в голове всю логику и ушел в отпуск. Формально система работает, фактически ее нельзя изменить. Проверяется просто: попросите коллегу внести правку по документации. Если не выходит — документации нет.
Когда пора звать разработчика
Чек-лист. Три и более совпадения — самостоятельная сборка дальше будет дороже готовой разработки.
- Агент должен писать в 1С, CRM или биллинг, а не ограничиваться чтением.
- Нагрузка выше 200 обращений в сутки или заметны пики.
- Ошибка агента стоит денег или репутации: цены, сроки, обязательства перед клиентом.
- Сценарий уже не помещается в одну инструкцию и требует ветвлений с разными ролями.
- Вы не можете за пять минут ответить, почему агент неделю назад принял конкретное решение.
- Правки в агента вносит только один человек, и на них уходит больше 4 часов в неделю.
Что меняется при переходе к разработке: появляется тестовый контур с реальными данными, набор регрессионных сценариев, логирование каждого вызова, разграничение прав, режим подтверждения для рискованных действий и понятная процедура отката. Мы делаем разработку ИИ-агентов именно в такой сборке, а порядок работ и то, из чего складывается смета, описали в отдельном материале про этапы и стоимость разработки.
И честная рекомендация напоследок: если вы уже собрали агента сами — не выбрасывайте его. Рабочий прототип с полусотней разобранных краевых случаев экономит на старте проекта неделю аналитики. Он уже ответил на главный вопрос — что именно должно быть автоматизировано.
Частые вопросы
Можно ли создать ИИ-агента бесплатно?
Прототип — да. n8n в self-hosted версии бесплатен, у GigaChat есть стартовый лимит токенов, открытые модели вроде Qwen запускаются на своем компьютере без оплаты за запросы. Бесплатным остается прототип на небольшом объеме и с ручной проверкой результата. Как только появляется постоянный поток обращений, расходы возвращаются в двух местах: токены и время человека, который поддерживает агента. По нашей оценке, время обходится дороже токенов почти всегда.
Сколько времени занимает создание агента с нуля самому?
Первая рабочая версия на платформе или в n8n — от нескольких часов до трех дней, если сценарий узкий и данные уже собраны. Основное время уходит не на сборку, а на приведение агента в состояние, когда ему можно доверять: сбор реальных примеров, прогон краевых случаев, правка инструкции. Закладывайте на это две-три недели календарного времени при неполной занятости. Если пропустить этот этап, агента придется выключить через месяц после запуска.
Что выбрать для российского контура: GigaChat или YandexGPT?
Оба варианта тарифицируются по токенам, оплачиваются в рублях и не требуют зарубежной карты. GigaChat подключается быстрее, если нужен просто API для агента. YandexGPT удобнее, когда остальная инфраструктура уже живет в Yandex Cloud и нужны очереди, хранилище и база рядом. Практичный подход — собрать агента так, чтобы провайдер менялся в одном месте конфигурации, и протестировать оба на своих реальных запросах. Разница в качестве заметна на конкретных сценариях, а не в среднем.
Нужно ли уметь программировать, чтобы сделать ИИ-агента в n8n?
Базовый сценарий собирается мышью: узел триггера, узел AI Agent, память, инструменты, узел отправки ответа. Программирование не требуется. Но начиная примерно с десятого узла и первого нетривиального ветвления вам понадобится понимание JSON, HTTP-запросов и того, как устроены API ваших систем. Без этого сценарий получится хрупким: он будет работать на удобных данных и падать на реальных. Это не про код, а про инженерное мышление.
Чем локальный ИИ-агент лучше облачного
Локальный запуск дает предсказуемые расходы: вы платите за сервер, а не за каждый токен, и на больших объемах это выгоднее. Плюс данные не уходят к внешнему провайдеру модели, что важно для внутренних документов. Минусы тоже конкретные: нужна видеокарта или ее аренда, кто-то должен обслуживать сервер, а открытые модели среднего размера уступают старшим коммерческим на сложных многошаговых задачах. Разумный порядок — сначала облачный API для проверки сценария, затем перенос на локальную модель, если экономика сходится.
