Личные ИИ-агенты: от фильтра статей до инвест-офиса без автономии

Разбор новинки простыми словами: что это, кому нужно и брать ли.

Готовая схема «атомарный агент на каждый шаг + человек на точках решения» — практический шаблон автоматизации для SMB, где полная автономия пока проигрывает.

Связанные услуги: каталог, AI Boost Team, стать клиентом.

Человек собрал себе инвестиционный офис. Ресёрчер, разработчик, ревьюер, риск-аналитик. Каждый занят своим делом, каждый выдаёт результат в понятной форме. И ни один не переходит к следующему шагу без его подписи.

Автор под ником grepan56 выложил на Хабре разбор собственных экспериментов с ИИ-агентами: четыре кейса, от фильтра длинных статей до конвейера для торговых стратегий. Материал собрал 739 читателей и 10 минут чтения по счётчику площадки. Интересно тут другое. Формально это история про личное хобби, а по факту — готовый шаблон автоматизации для небольшой компании. Только шаблон этот устроен не так, как обещают продавцы «автономных сотрудников».

Конечно, я никогда не отпущу такую систему в автономку. На ключевых этапах пайплайна решение принимаю я, а не агенты.

Что это и почему вокруг столько шума

Агент в 2026-м — слово-резинка. Им называют и чат-бота с базой знаний, и скрипт, который дёргает API. В разборе на Хабре агент определён иначе: у него есть узкий навык, есть доступ к данным и есть результат, который можно проверить. Всё остальное — обвязка.

Автор прошёл путь от суммаризации до мультиагентной системы и на каждом шаге добавлял ровно одну новую возможность. Это главная ценность материала: видно, как усложнение работает на практике, а не в презентации.

Первый кейс — агент-фильтр. Ему на вход дают ссылку на длинный аналитический текст, на выходе — три вещи: реконструкция тезисов (что автор хотел сказать, а не пересказ абзацев), перечень логических ошибок вроде подмены тезиса или ложной дилеммы, и по три утверждения, с которыми агент согласен и не согласен, с аргументацией. За минуту становится ясно, тратить ли час на чтение. Логика взята из учебника Челпанова — то есть у агента есть формальная рамка, а не свободное творчество.

Второй кейс — медицинский. Сначала это была разовая задача: распознать кириллические PDF с анализами и таблицами. После первой удачной попытки автор попросил агента оформить работу как навык — и разовая операция стала переиспользуемым инструментом. Дальше появилось структурированное хранилище личной медкарты, построение гипотезы по совокупности заключений разных врачей, сверка с назначениями, подсказки, какие анализы досдать. Отдельно — интеграция через MCP с аккаунтом Xiaomi: умные весы с биоимпедансом, часы с активностью, плюс распознавание Excel, куда руками заносятся домашние наблюдения.

Ключевая деталь: агент показывает динамику показателей, а не срез на сегодня, и фиксирует, когда начали и прекратили принимать препараты. Врача он не заменяет — даёт материал для разговора на приёме.

Третий кейс — прототип прогноза валютного курса перед отпуском. Агенты разбиты на состязательные пары по факторам: фундаментальные, технические, новостные. В каждой паре оптимист ищет аргументы за рост, пессимист — за падение. Судья вызывает субагентов, взвешивает аргументы и выдаёт заключение с вероятностным коридором по команде «прогноз на 5 дней». Факторы у пары намеренно не зеркальные — иначе конструкция просто удваивала бы один и тот же взгляд.

Четвёртый кейс — тот самый офис. Пайплайн research-стадии: ресёрчер ищет свежие идеи в заданных источниках, разработчик собирает по ним Python-ноутбуки и оптимизирует, ревьюер проверяет корректность расчётов, риск-аналитик смотрит на устойчивость. Дальше — только с человеческим решением.

Четыре кейса в одной таблице

Чем это отличается от того, что было раньше

Три года назад типовой корпоративный сценарий выглядел так: один универсальный ассистент, длинный промпт, вера в то, что он «сам разберётся». На выходе получали красивое резюме и ноль проверяемости.

Здесь подход перевёрнут. Сначала формулируется образ результата, потом под него нарезается узкий навык. Медицинский агент не «занимается здоровьем» — он распознаёт PDF, кладёт данные в заданную структуру и считает динамику. Границы жёсткие, поэтому и результат можно принимать или отклонять.

Второе отличие — переиспользование. Навык распознавания появился один раз и дальше применяется к каждому новому файлу. В SMB это самая недооценённая часть: компании покупают «агента под задачу», а надо покупать механику, которая переживёт эту задачу.

Третье — состязательность. Идея не нова: в августе 2025 года исследователи BlackRock опубликовали AlphaAgents, мультиагентную систему отбора акций и сборки портфеля. Там три специализированных агента — фундаментальный, сентимент и оценщик — выдают независимые мнения, затем спорят и приходят к консенсусу с учётом риск-профиля. Автор узнал об этой работе уже после того, как собрал свой прототип. Совпадение принципа показательно: рынок упёрся в одну и ту же схему с разных сторон.

Кому это нужно и как применить в SMB

Схема «атомарный агент на каждый шаг плюс человек на точках решения» ложится на любой процесс, где есть повторяемые операции и дорогая ошибка. Продажи: агент собирает досье на лида, агент готовит черновик письма, менеджер отправляет. Закупки: агент сводит коммерческие предложения в таблицу, агент проверяет аномалии в ценах, закупщик выбирает. Найм: агент разбирает резюме по формальным критериям, агент готовит вопросы, нанимающий проводит собеседование.

Общее правило простое. Агент делает шаг, результат шага проверяем, переход дальше — руками. В инвестиционном пайплайне из разбора это буквально зашито в конструкцию: без человеческого решения следующая стадия не начинается.

Почему не отдавать весь процесс? Потому что цена ошибки на стыке стадий выше, чем экономия времени внутри стадии. Агент, который ошибся в одном ноутбуке, — это минус час. Агент, который протащил ошибку через пять стадий, — это сожжённый бюджет и потерянная неделя.

Где подвох

Главную сложность автор называет честно: дело не в коде и не в оркестрации. Дело в формулировке образа результата — том самом Spec в Spec-Driven Development. Расплывчатая постановка ведёт к тому, что агенты работают в холостую. Много движения, ноль продукта.

Чем чётче сформулировано намерение, тем меньше циклов с доработками после ревью итогов и тем предсказуемее результат.

Второй подвох — проверяемость. Прототип прогноза курса системно протестировать не удалось: нет исторического набора данных по всем факторам и новостям, нет способа подтвердить прогнозы, построенные на техническом анализе. Позитивный отзыв от жены автора (закупки валюты оказались удачнее обычного) — это не валидация, это приятный сигнал. Для бизнеса разница принципиальная: если результат нельзя проверить на истории, вы не автоматизируете процесс, а играете в него.

Третий подвох — эффект тамагочи. Агент, которому нужно регулярно скармливать данные, мотивирует их собирать. С одной стороны приятно, с другой — часть выигрыша съедается дисциплиной. Не всякая команда готова к новой привычке.

Брать или подождать: вердикт за 30 секунд

Брать, если у вас есть процесс с повторяемыми шагами и понятным критерием «сделано правильно». Начните с одного атомарного агента и одного ревьюера рядом.

Подождать, если вы хотите отдать агенту решение целиком и не готовы описать результат в проверяемых терминах. Автономная организация из агентов пока проигрывает схеме с человеком в контуре — даже у автора, который собрал её для себя.

Что сделать на этой неделе

1. Выпишите один процесс, где ошибка стоит дорого, а шаги повторяются. Один, не пять.
2. Опишите образ результата так, чтобы его можно было принять или отклонить без объяснений. Если не получается — процесс ещё не готов к автоматизации.
3. Нарежьте процесс на атомарные шаги. Каждый шаг — один навык, одна проверка.
4. Определите точки решения, где обязателен человек. Их не должно быть много, но они должны быть.
5. Сделайте один шаг руками и зафиксируйте, сколько он занимает. Это ваш baseline для сравнения.
6. Соберите первого агента на этом шаге, без оркестрации и мультиагентности.
7. Поставьте рядом ревьюера: отдельного агента или сотрудника. Пусть проверяет результат по формальным критериям.
8. Прогоните десять реальных случаев, а не один демонстрационный. Считайте долю принятых результатов без правок.
9. Только после стабильного результата добавляйте следующий шаг. Не наоборот.

Вердикт

Это не история про технологический прорыв. Это история про дисциплину. Четыре кейса, разные домены, одна логика: узкий навык, проверяемый выход, человек на развилке. Скучно? Да. Работает.

Полная автономия в 2026-м остаётся демо-режимом для большинства SMB. Покупать «агента-сотрудника» целиком — значит покупать файл, а не решение. Собирать конвейер из маленьких агентов с человеческими шлюзами — медленнее на старте и заметно надёжнее на дистанции.

FAQ

Нужна ли команда разработки?

Для уровня «фильтр статей» и «разбор резюме» — нет, хватает настройки готовых инструментов. Для пайплайна с несколькими стадиями и ревьюером понадобится человек, который умеет описать спеку и собрать оркестрацию.

Сколько ждать эффекта?

Первый шаг даёт отдачу почти сразу, потому что сравнивать есть с чем. Мультиагентные конструкции требуют накопленной статистики. В разборе на Хабре прогноз курса так и остался прототипом без исторической валидации — это честный пример границы.

Что важнее: модель или постановка задачи?

Постановка. Автор прямо называет формулировку образа результата главной сложностью, а не код и не оркестрацию. Слабая спека даёт работу в холостую на любой модели.

Можно ли обойтись одним универсальным ассистентом?

Для черновиков — да. Для процесса, где результат нужно принимать или отклонять, — нет. Универсальный ассистент не даёт границ, а без границ нечего проверять.

Дальше

Возьмите свой самый раздражающий повторяющийся шаг и опишите его так, чтобы приёмку мог провести другой человек. Если описание получилось — у вас есть кандидат на первого агента. Если нет — у вас есть кандидат на первое описание процесса, и это тоже результат.