Как настроить AI-агентов для малого бизнеса: без программиста

В январе 2025 года я запустил первого AI-агента в своей компании — он обрабатывал входящие заявки из Telegram. За 3 недели тот же агент научился классифицировать 90% обращений без моего участия: без дополнительного найма, без переработок, без ручного разбора каждого сообщения. У меня нет технического диплома. Сейчас в проде работает система из 14 агентов, которые ведут SEO, контент, финансы и мониторинг каждый день.

Малый бизнес чаще всего ошибается при старте AI-автоматизации двумя способами: начинают с инструмента («поставим ChatGPT») или пытаются автоматизировать всё сразу. Оба пути ведут к потраченному времени и к выводу «это не для нас». Правильный старт выглядит иначе: 1 задача, 1 агент, 2 недели калибровки — и через 14 дней в руках работающий инструмент, а не красивая презентация.

Что такое AI-агент: не чат-бот и не CRM

Чат-бот работает по скрипту: «нажми 1 — получи ответ А, нажми 2 — получи ответ Б». Он знает ровно то, что вы в него вписали. AI-агент — другая архитектура: он принимает произвольный текст, рассуждает по контексту всего диалога и выбирает действие из набора доступных инструментов.

Конкретный пример. Гость пишет: «можно привезти кровать в апартаменты в субботу поздно вечером?». Чат-бот не знает, что ответить — такого варианта в сценарии нет. AI-агент отвечает за 4 секунды: у него есть системный промпт с правилами заезда, доступ к расписанию через инструмент и инструкция «если вопрос нестандартный — уточни детали и передай оператору».

Ключевое различие: AI-агент не следует жёсткому дереву решений. Он понимает смысл запроса и выбирает действие из набора правил. Именно поэтому он устойчив к нестандартным формулировкам — там, где чат-бот пишет «Не понял вопрос», агент отрабатывает корректно.

Любой AI-агент состоит из трёх обязательных компонентов: языковая модель (LLM), оркестратор и набор инструментов. Разберём каждый.

Языковая модель (LLM)

Мозг агента. Claude Sonnet 4.6, GPT-4o, Gemini — принимает текст, рассуждает, генерирует ответ или принимает решение о следующем действии. Сам по себе не делает ничего — нужен оркестратор. Стоимость вызова Claude Sonnet через API — около $3 за 1 млн input-токенов. При потоке 500 обращений в день с промптом по 800 токенов — порядка 3 000–5 000 рублей в месяц. При оптимизации промптов (кеширование контекста, краткие ответы) эту цифру можно снизить на 30–50%.

Оркестратор (workflow-движок)

Логика агента: что является триггером, какие проверки выполнять, какой инструмент вызывать, куда передавать результат. Это n8n, Make.com, Zapier или кастомный Python-скрипт. Без оркестратора языковая модель — просто открытое окно браузера, в которое вы копируете текст вручную. Оркестратор превращает LLM в рабочий процесс: триггер срабатывает автоматически, агент обрабатывает и выполняет действие — без вашего участия.

Инструменты (tools)

Действия, которые агент умеет выполнять: записать данные в базу, отправить сообщение, создать задачу в трекере, прочитать файл, запросить внешний API. Именно инструменты определяют, что агент может сделать, а не только сказать. Для старта малому бизнесу достаточно 2–3 инструментов: ответить пользователю, записать данные в таблицу, передать задачу оператору с кратким резюме контекста.

Аудит задач: что автоматизировать первым

Не «что AI может сделать», а «что у меня повторяется больше 10 раз в неделю и имеет чёткий алгоритм». Именно такой аудит я провёл в декабре 2024 — записал всё, что делаю за рабочую неделю, и поставил рядом два вопроса:

• Повторяется ли это действие без существенных изменений?
• Есть ли у этого действия правило, которое можно записать текстом?

Если ответы «да» на оба вопроса — кандидат на автоматизацию. Что вошло в топ моего списка: первичный ответ на входящий Telegram-запрос (40+ раз в неделю), классификация типа обращения (вопрос / жалоба / заявка / FAQ), ежедневный сбор дайджеста по ключевым метрикам, уведомления при аномалиях в базе данных.

Что не попало в список: переговоры с крупными клиентами (слишком много контекста и нюансов), принятие решений по ценообразованию (требует понимания рынка в моменте), кризисные ситуации (каждая нестандартна). Эти задачи остались за людьми.

Критичный принцип: автоматизируйте только процессы, которые уже работают с человеком. Если чёткого алгоритма нет — сначала опишите его на бумаге и убедитесь, что он работает вручную. Агент сделает хаотичный процесс быстрее, но не точнее.

Полезный формат для документирования: таблица с колонками «триггер — проверка — действие — результат». Заполните её для кандидатной задачи. Если не можете заполнить — процесс ещё не готов к автоматизации. Возможно, дело не в инструменте, а в неформализованных правилах внутри вашей компании.

Как написать системный промпт, который работает

Системный промпт — инструкция агенту: кто он, что делает, как принимает решения. От качества промпта зависит 80% результата. Большинство первых попыток проваливается именно здесь.

Типичная ошибка: «Ты — умный помощник компании X, отвечай на вопросы клиентов вежливо». Такой промпт даёт агенту слишком широкий мандат — он будет генерировать ответы на всё подряд, часто неточные, иногда выдумывая информацию которой нет. Узкий специализированный промпт работает в 2–3 раза точнее широкого.

Структура эффективного промпта для входящих обращений

Роль и контекст. Кто агент, какая компания, что делает конкретно. «Ты — оператор входящих обращений компании [название]. Твоя единственная задача — классифицировать входящее сообщение и либо ответить из базы знаний ниже, либо передать оператору с кратким резюме.»

База знаний. Конкретные факты: часы работы, адрес, тарифы, правила, ответы на частые вопросы. Чем конкретнее — тем меньше галлюцинаций. Не «мы работаем с понедельника по пятницу», а «пн–пт 9:00–18:00 МСК, сб–вс выходной, экстренная связь только по номеру X».

Алгоритм решений. Дерево действий: если вопрос из FAQ — ответь. Если нестандартный — уточни одним вопросом и передай оператору с тегом [ЭСКАЛАЦИЯ]. Если жалоба — немедленно передай без попытки ответить самостоятельно. Явный алгоритм снижает число ошибок в 3–5 раз по сравнению с агентом без инструкций.

Формат ответа. Длина, тон, структура. «Ответ — не более 3 предложений. Тон деловой, без лишних вступлений. Не начинать ответ с "Конечно!" или похожих вводных.» Без явного формата агент генерирует длинные ответы с ненужными вводными конструкциями.

Хороший промпт — это 200–600 слов конкретных инструкций. Первая версия не будет идеальной. Ожидайте 5–10 итераций правок за первые 2 недели реального трафика. Каждая правка занимает 10–20 минут — обновили промпт в настройках workflow, сохранили, тестируете дальше.

Пошаговый запуск первого агента за 2 недели

Конкретный маршрут — не концепция, а то, что я делал сам.

Неделя 1: настройка и интеграция

День 1–2. Выберите одну задачу из аудита. Напишите её алгоритм: триггер, проверки, действия, результат. Это черновик системного промпта. Не нужно идеально — нужен рабочий черновик для первого теста. Многие застревают здесь, пытаясь написать идеальный промпт с первого раза. Не надо — пишите достаточно хороший.

День 3–4. Настройте оркестратор. Для большинства малых бизнесов: n8n self-hosted на VPS (бесплатно, VPS 500–800 рублей в месяц) или Make.com ($9 в месяц в облаке). Docker-контейнер n8n поднимается за 30 минут по официальному guide. Базовый workflow: webhook от Telegram → передача текста в Claude API → парсинг ответа → действие по результату (ответ пользователю или запись в таблицу).

День 5–7. Интегрируйте канал. Для Telegram: создайте бота через BotFather (10 минут), подключите webhook в n8n, настройте передачу входящих сообщений в workflow. Сделайте 30–50 тестовых запросов с разными формулировками — включая нестандартные и провокационные. Это выявит дыры в промпте ещё до того, как их увидят клиенты.

Неделя 2: калибровка на реальном трафике

Запустите агента на реальный трафик. Читайте каждый диалог — не потому что не доверяете, а потому что первые 50–100 диалогов — это обучающий набор для вас. Вы увидите: где агент слишком широко отвечает, где слишком осторожен, где неправильно классифицирует тип запроса.

Ожидайте 4–8 правок промпта за первую неделю реального трафика. Это нормально. После 100 диалогов с точностью выше 80% снижайте мониторинг и переходите к следующему агенту. Критерий успеха: агент закрывает задачу без участия человека в 70–80% случаев.

Инструментарий: что реально стоит в проде

Не обзор рынка — конкретный стек, который работает у меня в 2025–2026 году.

Claude (Anthropic) — языковая модель

Claude Sonnet 4.6 — основная LLM во всех моих агентах. Лучший русский язык среди западных моделей при сопоставимой цене с GPT-4o, держит контекст до 200 000 токенов, предсказуемо следует инструкциям. API доступен напрямую через api.anthropic.com. Для бизнеса в РФ: оплата через иностранную карту или криптой, что нужно учесть заранее.

n8n — оркестратор процессов

Self-hosted в Docker на VPS, Community Edition бесплатный. Визуальный редактор workflow — соединяете блоки без кода. Из коробки: Telegram, WhatsApp Business, Google Sheets, PostgreSQL, HTTP-запросы к любому API. Для 80% задач малого бизнеса — достаточно. Альтернатива: Make.com за $9 в месяц для тех, кто не хочет администрировать собственный сервер.

Paperclip — координация нескольких агентов

Когда агентов больше 3–4, появляется задача координации: как агент A знает, что агент B занят? Как приоритизировать очередь задач? Paperclip — control plane для мультиагентных систем: routing, очереди задач, статусы, координация и мониторинг. Инструмент для следующего уровня — когда базовая автоматизация уже отлажена и работает стабильно не менее 2–3 месяцев.

PostgreSQL — хранение состояния

Агент без памяти — одноразовый: каждый диалог начинается с нуля. Реальная автоматизация требует хранить историю обращений, статусы задач, контексты клиентов. PostgreSQL в Docker на том же VPS — стандартное решение. Размер базы для малого бизнеса с потоком 500 операций в день — порядка 1–5 ГБ за год. Бэкап раз в сутки на S3-совместимое хранилище — обязателен.

Telegram — основной канал

В РФ большинство операционных коммуникаций проходит через Telegram — и от клиентов, и внутри команды. Telegram Bot API + webhook: стабильно, без лимитов на количество сообщений, бесплатно. Для первого агента — лучший выбор: аудитория уже там, интеграция с n8n занимает полдня, API хорошо документирован с примерами кода на Python и JavaScript.

Как измерить работу агента: три ключевые метрики

Без измерений невозможно понять, работает ли агент лучше человека и в каком направлении его калибровать. Три метрики, которые нужно отслеживать с первого дня.

Self-service rate (SSR) — доля обращений, которые агент закрыл без участия человека. Считается как (закрытых агентом) / (всего обращений) × 100%. Целевой показатель для первого агента на FAQ — 60–75%. Если ниже 50% — промпт требует серьёзной доработки или задача выбрана слишком сложная для первого запуска.

Escalation accuracy — насколько точно агент определяет, когда нужен человек. Считать первые 2 недели вручную: из всех переданных оператору случаев — сколько процентов действительно требовали вмешательства. Цель: выше 85%. Ложные эскалации тратят время операторов, пропущенные — ведут к недовольным клиентам.

Время первого ответа — от получения сообщения до первого ответа агента. Для Telegram-агента норма — под 10 секунд. Если выше — проблема в оркестраторе, API latency или размере промпта. В сервисных бизнесах каждые 5 минут задержки снижают конверсию на 3–7%.

Данные для расчёта: логировать каждый диалог в PostgreSQL с полями timestamp, тип запроса, закрыл агент или эскалировал, оценка оператора (если была). Первые 2 недели — смотреть каждый день. После стабилизации — раз в неделю.

«Юрий Солар, Solar Automation: хороший агент виден не по тому, что отвечает быстро. А по тому, что через месяц работы команда перестаёт замечать рутинные вопросы — они просто решаются. Это и есть признак, что автоматизация встроилась в процесс.»

Первый месяц в проде: что реально происходит

Честный сценарий первого месяца — без оптимистичного глянца.

Первая неделя. Агент работает, но часть ответов неточная. Клиенты иногда получают ответы, которые требуют уточнения. Вы мониторите каждый диалог и правите промпт — в среднем 1–2 итерации в день. Это нормально и запланировано. Не паниковать, не отключать.

Вторая неделя. Промпт стабилизировался после 5–7 итераций. SSR вырос с 30–40% до 60–70%. Появились паттерны запросов, которые вы не предусмотрели, — добавляете их в базу знаний промпта. Мониторинг снижается с «каждый диалог» до «выборка 20–30% диалогов».

Третья-четвёртая неделя. Агент работает стабильно. SSR держится 65–80%. Правки промпта — раз в 3–5 дней. Вы начинаете думать о втором агенте. Не торопитесь: дайте первому ещё 2 недели в полностью автономном режиме, прежде чем переключать внимание.

Одна частая ловушка: увидев хорошие результаты на второй неделе, владельцы сразу начинают добавлять второго агента. Первый при этом остаётся недокалиброванным — накапливает ошибки, которые замечают клиенты. Лучший ориентир: 30 дней стабильной работы первого агента с SSR выше 70% — потом следующий.

Что делать с запросами, которые агент не умеет обрабатывать: не пытайтесь закрыть всё сразу. Ведите список «необработанных паттернов» — пополняйте его первые 2 недели, затем одним блоком добавляйте в промпт. Это эффективнее, чем точечные правки каждый день.

Пять ошибок, которые тормозят запуск

За 2 года внедрений у клиентов одни и те же паттерны. Лучше знать заранее.

Начать с веб-интерфейса ChatGPT. Веб-интерфейс — инструмент для ручной работы. Автоматизация = API + оркестратор + логика. Копировать текст в браузер и копировать ответ обратно — это ручной труд, только с дополнительным шагом.

Один мегапромпт на всё. «Ты — помощник компании X, отвечай на все вопросы» — агент работает одинаково плохо для всего. Один агент = одна задача = один конкретный промпт. Узкий специализированный промпт даёт точность в 2–3 раза выше широкого.

Запустить и не мониторить. Первые 2 недели — обязательный мониторинг каждого диалога. Без этого накапливаются ошибки, которые видят клиенты. Агент не самообучается из диалогов — его калибруете вы через правки промпта.

Игнорировать стоимость API. Claude API и OpenAI API — платные по токенам. При потоке 1 000 обращений в день и промпте 1 500 токенов — около $50–150 в месяц. Посчитайте до запуска: запросов_в_день × токенов_на_запрос × $0.003 / 1000 = дневной бюджет на API.

Масштабировать до стабилизации. Добавить второго агента, пока первый ещё не откалиброван — путь к запутанной системе, где непонятно, кто ошибается. Следующий агент — только после 30 дней стабильной работы текущего с SSR выше 70%.

От первого агента к системе: путь масштабирования

Первый агент — точка входа, не конечная цель. После стабилизации логика масштабирования простая: посмотреть, какие задачи он генерирует, и автоматизировать их тоже.

Типичная цепочка для бизнеса с входящим трафиком:

1. Агент приёма и классификации — обрабатывает 100% входящих, разбивает по типам запросов.
2. Агент ответов на FAQ — закрывает 60–80% стандартных вопросов без участия человека.
3. Агент эскалации — нестандартные кейсы передаёт оператору с контекстом всего диалога.
4. Агент дайджеста — каждое утро сводка: что было за сутки, что закрыто, что требует внимания.

Это работающая мини-система: клиент пишет → запрос квалифицируется → получает ответ или передаётся оператору с контекстом → владелец утром видит сводку. Люди подключаются только там, где нужен человек.

В моём случае эволюция от 1 агента до 14 заняла около года — по 1–2 агента в месяц. Постепенное наращивание с проверкой каждого нового звена. Про то, как описывать инструкцию для каждого агента в мультиагентной системе, — читайте в статье «AGENTS.md: инструкция для AI-агента».

Важный момент, который часто упускают: документируйте решения, которые принимает агент. Не только ответы, но и логику выбора. Когда система вырастет до 5–7 агентов, без документации становится непонятно, почему тот или иной процесс устроен именно так. Это та же дисциплина, что ведение README в коде — только для операционной логики. Агент не объясняет себя сам: объяснение — ваша работа при его настройке.

Отдельный вопрос, который возникает при масштабировании: безопасность и персональные данные. Всё, что проходит через агента — сообщения клиентов, данные заявок — хранится в вашей базе и передаётся в API языковой модели. Правила: не передавайте в промпт номера карт, паспортные данные, медицинские сведения. Настройте политику хранения логов (30 или 90 дней — в зависимости от требований). При работе с клиентами из РФ учитывайте 152-ФЗ и требование локализации персональных данных граждан РФ на российских серверах.

Самая сложная часть масштабирования — не техническая, а организационная. Команда привыкает к тому, что рутина автоматизирована, и начинает относиться к агенту как к сотруднику: ждёт от него того, чего в промпте нет, расстраивается, когда он «не понимает». Регулярные разборы «вот что агент сделал не так и почему» — это не критика инструмента, а рабочая часть поддержки системы. Закладывайте на это 1–2 часа в неделю в первые 2 месяца.

Реальные системные промпты, n8n workflow и архитектурные решения из этой системы публикую в клубе «Solar — внутрянка». Промпты, AGENTS.md, скрипты, разбор кейсов — бери и адаптируй: https://4bos.ru/inside/

— Solar OS.