Как обучать интеллектуальных агентов. Этапы создания ИИ-помощников для бизнеса

Так появляется ИИ-агент – программная система, в которой большая языковая модель работает вместе с инструкциями, данными и внешними инструментами. OpenAI описывает агентов как системы, которые самостоятельно выполняют задачи от имени пользователя, а Anthropic разделяет заранее заданные рабочие сценарии и более автономных агентов, способных самостоятельно выбирать дальнейшие шаги.

Но как обучить ИИ агента работе именно в вашей компании? Загрузить несколько PDF-файлов недостаточно. Нужно определить роль помощника, подготовить знания, описать правила, подключить инструменты, собрать тестовые сценарии и выстроить постоянный цикл улучшения.

Что такое ИИ-агент на базе большой языковой модели?

Большая языковая модель умеет анализировать запрос, создавать текст, извлекать смысл, классифицировать информацию и рассуждать над задачей. Но сама по себе модель еще не является корпоративным агентом.

Упрощенно агент состоит из нескольких слоев:

• языковая модель – анализирует ситуацию и выбирает следующий шаг

• инструкции – задают роль, цель и ограничения

• контекст и знания – дают сведения о задаче и внутренних правилах компании

• инструменты – позволяют обращаться к поиску, CRM, ERP, календарю, почте и внутренним системам

• память – сохраняет важный контекст

• контроль – ограничивает опасные действия и подключает человека

В документации LangChain агент описывается как система, в которой модель может последовательно обращаться к внешним инструментам, пока задача не будет выполнена или не сработает условие остановки. То есть агент может сначала запросить данные, проверить результат, выполнить дополнительный шаг и только затем выдать итог.

Например, на вопрос «Почему клиенту не отправили счет?» ИИ-агент может проверить карточку сделки, найти статус договора, сопоставить ситуацию с регламентом и предложить следующий шаг. После подтверждения менеджера – создать задачу ответственному.

Способность переходить от ответа к действию делает агента полезным для бизнеса.

Не стоит путать обучение агента с обучением фундаментальной модели с нуля. На практике чаще настраивают готовую большую языковую модель: проектируют инструкции, дают доступ к корпоративным данным, добавляют примеры, поиск по внутренним знаниям, инструменты и систему оценки. Дообучение самой модели используют только там, где оно действительно необходимо.

В каких сферах бизнеса нужен ИИ-помощник: примеры

Лучший кандидат для внедрения – процесс с повторяющимися решениями, разрозненной информацией и ручными переходами между системами.

Поддержка клиентов

Агент может классифицировать обращение, найти ответ в базе знаний, проверить данные по заказу, предложить решение оператору и создать задачу для второй линии поддержки.

Например, клиент пишет: «Оплатил заказ вчера, но статус не изменился». Агент определяет тему, проверяет платеж и статус заказа, находит нужный сценарий. Если заказ завис, создает обращение технической команде. Если действие затрагивает возврат денег, передает решение сотруднику.

Продажи

ИИ-помощник способен готовить менеджера к звонку: собирать историю клиента, анализировать переписку, искать открытые задачи и формировать краткую выжимку. После встречи – подготовить письмо по итогам разговора, выделить договоренности и предложить обновления для CRM.

HR и адаптация сотрудников

Новичок обычно задает десятки вопросов: как оформить отпуск, где найти шаблон, кто согласует доступ. Если ответы разбросаны по документам и чатам, HR и руководители повторяют одно и то же вручную.

ИИ-помощник может работать поверх корпоративной базы знаний. В TEAMLY, например, AI-ассистент отвечает на основе знаний компании, ищет по файлам и документам и учитывает права доступа сотрудников.

Производство

На производстве агент может искать регламенты, технологические процессы, инструкции по оборудованию и решения по типовым отклонениям. Критические действия нельзя строить на свободной генерации: ответ должен опираться на утвержденные источники, а опасные операции – требовать подтверждения специалиста.

Работа с документами и данными

Агент способен извлекать реквизиты, сравнивать версии, проверять наличие обязательных разделов, собирать документы по шаблону. В аналитике – обращаться к доступным данным, выполнять расчеты и готовить понятное объяснение результатов.

Как проходит обучение агента – этапы

Обучение ИИ агента лучше рассматривать как проектирование рабочей системы. Здесь нет одной кнопки «научить». Есть последовательность итераций.

Этап 1. Выберите конкретную бизнес-задачу

Ошибка – начинать с формулировки «нам нужен ИИ для отдела продаж». Это слишком широко.

Лучше описать один процесс:

«После встречи с клиентом агент должен получить расшифровку звонка, выделить договоренности, подготовить письмо по итогам встречи, предложить обновления для CRM и создать задачи только после подтверждения менеджера».

Чем конкретнее задача, тем проще проверить качество. OpenAI рекомендует начинать со сценариев, где есть сложные решения, неудобные правила или большой объем неструктурированных данных, а затем постепенно наращивать сложность.

Сразу задайте показатели эффективности: долю корректных решений, время обработки, частоту ошибок, долю передач человеку или стоимость завершенного сценария.

Этап 2. Опишите роль и границы

Агент должен понимать не только что делать, но и чего делать нельзя.

Для помощника поддержки правила могут звучать так:

• отвечай только по продуктам компании

• используй утвержденную базу знаний

• не обещай возврат средств без подтверждения

• не меняй данные клиента самостоятельно

• если надежного ответа нет, сообщи об этом

• при конфликте источников используй документ с более высоким приоритетом

Это тоже часть обучения: компания превращает неявные ожидания в формальные правила.

Этап 3. Подготовьте корпоративные знания

Если в базе лежат три версии одной инструкции, устаревший прайс и противоречивые регламенты, модель не исправит проблему автоматически.

До подключения данных нужно удалить дубли, пометить устаревшие материалы, определить владельцев документов, настроить версии, добавить сведения о типе, дате и статусе материалов, а также права доступа.

Здесь особенно важна база знаний как управляемая среда, а не просто папка с файлами. В TEAMLY корпоративные документы, регламенты и знания можно объединить с AI-ассистентом, который формирует ответы по доступному пользователю содержимому.

Этап 4. Подключите поиск по корпоративным знаниям

Один из основных подходов к работе с внутренними данными – поиск релевантной информации перед формированием ответа. В технической литературе этот метод часто называют RAG, но по сути речь идет о генерации ответа с использованием найденного внешнего контекста.

Система получает запрос, находит подходящие фрагменты в корпоративных источниках и передает их модели. После этого модель формирует ответ не только на основе общих знаний, но и с учетом внутренних документов компании.

Например, сотрудник спрашивает: «Можно ли перенести неиспользованный отпуск на следующий год?» Система ищет положение об отпусках, находит нужный раздел и передает его модели. ИИ-помощник формирует ответ с опорой на конкретный документ.

Знания можно обновлять без переобучения всей модели: изменился регламент – обновили документ. Кроме того, ответ можно связать с источником.

Но просто загрузить документы в систему недостаточно. Нужно настроить:

• разбиение больших материалов на смысловые части

• качество поиска

• фильтры по типу, дате и статусу документа

• права доступа

• обработку таблиц и сложных файлов

• приоритет официальных источников

Этап 5. Добавьте примеры правильного поведения

Инструкции объясняют правила, а примеры показывают, как применять их на практике.

Для агента поддержки полезны тестовые пары:

• запрос клиента

• релевантные данные

• правильная классификация

• ожидаемое действие

• допустимый ответ

• условие передачи человеку

Например, запрос: «Хочу отменить заказ, его уже передали курьеру». Ожидаемое поведение: проверить статус, найти правило отмены для текущего этапа, не обещать возврат до проверки, при необходимости передать оператору.

Такие наборы пригодятся и как примеры для модели, и для последующей оценки качества.

Этап 6. Подключите инструменты

Без инструментов агент в основном анализирует и генерирует. С инструментами он может действовать.

Типовые подключения:

• база знаний

• CRM

• ERP

• система обработки заявок

• почта

• календарь

• базы данных

• внутренние программные интерфейсы

• система управления задачами

Каждый инструмент должен иметь понятное описание: что он делает, какие данные принимает, что возвращает и когда его нельзя использовать. Anthropic отмечает, что качество описания инструментов существенно влияет на эффективность агента: неясные формулировки усложняют выбор правильного действия.

Хороший принцип – давать агенту минимально необходимый набор возможностей. Если помощнику нужно только читать статус заказа, не стоит выдавать ему право менять платежные данные.

Этап 7. Настройте память

Память нужна не каждому агенту. Для одноразового расчета она может быть лишней. Для длительных процессов помогает сохранять контекст.

Можно выделить:

• краткосрочную память – данные текущего диалога

• долгосрочную память – устойчивые факты и предпочтения

• состояние процесса – сведения о незавершенной работе

Например, агент может помнить, что сотрудник уже начал оформление командировки, загрузил билеты, но еще не добавил приказ. При следующем обращении помощник продолжит процесс с нужного шага.

LangGraph поддерживает работу с сохранением состояния, памятью и продолжением выполнения после пауз и сбоев.

Но нельзя без разбора сохранять все сообщения. Нужно определить, что хранится, на какой срок, кто имеет доступ и как устаревшие сведения обновляются.

Этап 8. Добавьте контроль человека

Полная автономия подходит не везде. Чем выше цена ошибки, тем важнее участие человека в процессе принятия решения.

Подтверждение сотрудника особенно оправдано перед:

• переводом денег

• удалением данных

• отправкой юридически значимого сообщения

• изменением прав доступа

• подписанием документов

• другими необратимыми действиями

Например, агент может подготовить возврат средств и собрать все необходимые данные, но само действие выполнит только после подтверждения ответственного сотрудника.

LangChain поддерживает сценарии, в которых выполнение приостанавливается перед чувствительным действием и продолжается после решения человека.

Этап 9. Соберите тестовый набор

Нельзя оценивать агента по принципу «задали десять вопросов – вроде отвечает хорошо».

Нужен набор реалистичных случаев:

• обычные запросы

• редкие ситуации

• неполные данные

• конфликтующие документы

• попытки получить закрытую информацию

• ошибки внешних систем

• длинные многошаговые задачи

Для каждого случая фиксируют ожидаемый результат. Проверяют не только финальный текст, но и весь путь: выбор инструмента, соблюдение доступов, лишние действия и своевременную передачу человеку.

Например, если агент правильно ответил клиенту, но перед этим получил доступ к данным, которые не должен был видеть, тест нельзя считать успешным.

Этап 10. Запустите пилот и учите на ошибках

После тестов агент должен пройти ограниченный пилот: на одном отделе, процессе или группе пользователей.

Каждый сбой превращается в материал для новой итерации:

1. агент ошибся

2. команда определила причину

3. исправила инструкцию, данные, инструмент или маршрут

4. добавила случай в тестовый набор

5. повторно запустила оценку

Это и есть постоянное обучение ИИ агента в прикладном смысле. Система развивается не потому, что «сама становится умнее», а потому, что компания улучшает контекст, знания, правила и проверки.

Основные инструменты для обучения ИИ-агента

Выбор набора технологий зависит от сложности проекта. Универсального решения нет.

Большие языковые модели

Это базовый интеллектуальный слой. Модель получает инструкции, контекст и описания доступных инструментов, а затем формирует ответ или выбирает действие.

При выборе учитывают:

• качество на конкретных задачах

• стоимость использования

• скорость ответа

• возможность обращаться к внешним инструментам

• требования к данным

• особенности инфраструктуры компании

Практичный подход – сначала достигнуть нужного качества, а затем оптимизировать стоимость и скорость работы.

Средства управления логикой агента

Они помогают строить многошаговые процессы, сохранять состояние и управлять последовательностью действий.

OpenAI Agents SDK подходит для агентных приложений в экосистеме OpenAI. LangGraph используют там, где важны длительное выполнение, память, ветвления и участие человека.

Но для простого помощника иногда достаточно одного обращения к модели, поиска по базе знаний и двух внешних инструментов. Anthropic рекомендует начинать с максимально простого решения и добавлять автономность только тогда, когда она действительно улучшает результат.

Поиск по корпоративным данным

Здесь нужны:

• хранилище документов

• индексация материалов

• механизмы смыслового поиска

• векторные представления текста

• обычный и комбинированный поиск

• фильтры по дополнительным признакам

• контроль прав доступа

Для сложных вопросов используют многошаговый интеллектуальный поиск: система разбивает один запрос на несколько подзадач и собирает контекст поэтапно.

Например, вопрос «Почему продажи продукта снизились в северо-западном регионе?», может потребовать нескольких шагов:

1. получить данные о продажах

2. сравнить периоды

3. проверить изменение цен

4. найти маркетинговые активности

5. сопоставить результаты

6. сформировать объяснение

Обычного поиска по одному запросу здесь недостаточно.

Корпоративная база знаний

Если задача агента – отвечать сотрудникам по внутренним правилам, качество базы критично. Нужны актуальные документы, понятная структура, версии и доступы.

TEAMLY объединяет корпоративную базу знаний и AI-ассистента: система отвечает по знаниям компании, работает с файлами и документами и учитывает права доступа. Такой вариант подходит, когда нужен помощник, встроенный в управляемую среду корпоративных знаний.

Системы наблюдения и оценки

После запуска важно видеть:

• какие инструменты использовал агент

• где возникли ошибки

• сколько длился сценарий

• на каком шаге пользователь отказался

• какие случаи чаще всего передаются человеку

• сколько стоит выполнение задачи

• где агент совершает лишние действия

Без этого улучшение превращается в догадки. Агентная система должна быть наблюдаемой так же, как любой другой бизнес-сервис.

Чем выгодно внедрение ИИ-помощника для бизнеса

Ценность появляется, когда помощник сокращает путь от запроса до результата.

Меньше ручной рутины

Сотруднику не нужно каждый раз искать документ, копировать сведения между системами, пересказывать встречу или вручную создавать типовую задачу. Агент собирает эти действия в один процесс.

Например, после звонка с клиентом помощник может расшифровать разговор, выделить договоренности, подготовить письмо, предложить изменения в CRM и создать список задач.

Быстрее доступ к знаниям

Обычный поиск требует угадать название документа или ключевое слово. ИИ-помощник позволяет задать вопрос естественным языком и получить собранный ответ с опорой на доступные источники.

Вместо поиска документа «Регламент согласования командировок версия 4.2» сотрудник спрашивает: «Кто должен согласовать мою поездку в Казань на три дня?» Помощник находит нужное правило и объясняет порядок действий.

Меньше зависимости от отдельных экспертов

Когда правила работы существуют только в головах опытных сотрудников, компания уязвима. Агент не заменяет эксперта, но помогает сделать накопленные знания доступнее для команды.

Особенно это важно при:

• увольнении ключевого сотрудника

• быстром росте команды

• открытии новых подразделений

• массовом найме

• передаче процессов между отделами

Более стабильные процессы

Человек может забыть шаг или использовать старый шаблон. Агент способен следовать заданной последовательности, проверять обязательные условия и напоминать о следующем действии.

Например, перед отправкой коммерческого предложения помощник может проверить наличие обязательных реквизитов, актуальность цены и согласование скидки.

Масштабирование повторяющихся операций

Если объем типовых запросов растет, часть повторяющихся действий можно передать помощнику, оставив людям сложные и нестандартные случаи.

Это особенно заметно в поддержке, HR, внутренних сервисных подразделениях и работе с документами.

Быстрее адаптация новых сотрудников

Новому сотруднику проще задавать конкретные вопросы в рабочем контексте, чем изучать десятки папок. Особенно полезен помощник, который ведет к нужной инструкции, шаблону или следующему действию.

Например, новичок спрашивает: «Как оформить доступ к тестовой среде?» Агент не просто находит документ, а объясняет последовательность: заполнить заявку, выбрать роль, указать руководителя и отправить запрос ответственному сотруднику.

Что важно запомнить

Чтобы понять, как обучить ИИ агента, нужно отказаться от идеи «загрузим документы в нейросеть – и она сама разберется».

Рабочий проект строится иначе:

1. Выбирается конкретная бизнес-задача.

2. Описываются роль и ограничения.

3. Приводятся в порядок корпоративные знания.

4. Подключается поиск по внутренним источникам.

5. Добавляются примеры правильного поведения.

6. Настраиваются инструменты и интеграции.

7. При необходимости создается память.

8. Опасные действия ставятся под контроль человека.

9. Собирается тестовый набор.

10. Ошибки пилота превращаются в новые проверки

В результате компания получает цифрового помощника с понятной зоной ответственности.

Качество агента ограничено качеством среды. Если регламенты устарели, источники противоречат друг другу, а доступы настроены хаотично, большая языковая модель лишь ускорит существующий беспорядок.

Поэтому обучение ИИ агента начинается не с модели. Оно начинается с ответа на три вопроса: какую задачу должен решать помощник, каким знаниям он может доверять и где обязан остановиться и позвать человека.

Используйте инструменты TEAMLY, чтобы управлять рабочими процессами

Записывайтесь на онлайн-презентацию! Продемонстрируем интерфейс и все возможности платформы

Получить демо