Первый полезный агент решает одну измеримую задачу. Мультиагентность, десятки tools и полная автономность на старте только увеличивают риск.

1. Выберите одну задачу

Не «агент по маркетингу», а «из брифа готовит три варианта объявления и таблицу спорных утверждений». Результат должен проверяться человеком за несколько минут.

2. Опишите контракт

  • входные поля;
  • источник истины;
  • шаги;
  • разрешённые tools;
  • structured output;
  • ошибки и эскалация;
  • stop condition.

3. Дайте минимальные инструменты

Начните с чтения одного источника. Запись, отправка сообщения, платежи и удаление требуют отдельной авторизации и approval. MCP — способ подключения, а не причина подключить всё сразу.

4. Напишите инструкции

Укажите роль, цель, порядок работы, приоритет источников, формат и запреты. Положительные инструкции сильнее длинного списка «не делай»: скажите, что делать при отсутствии данных.

5. Добавьте guardrails

Проверяйте input до дорогой работы, output перед выдачей и каждый чувствительный tool call. Внутри самого tool повторно проверяйте права: модельный guardrail не заменяет серверную авторизацию.

6. Соберите eval set

Минимум 20 примеров: обычные, пограничные, неполные и опасные. Для каждого определите ожидаемый результат или отказ. Прогоняйте их после изменения инструкции или модели.

7. Запустите пилот

Две недели в режиме draft-only. Измеряйте успешные задачи, ошибки, время проверки, эскалации и стоимость. Не считайте количество ответов бизнес-результатом.

8. Только затем автоматизируйте действие

Если качество стабильно, разрешите один обратимый action с логом и лимитом. Не расширяйте сразу весь workflow.

Одного агента достаточно?

Почти всегда на старте — да. Добавляйте второго только если есть отдельная специализация, контекст мешает или требуется независимая проверка.

Итог

Создание AI-агента начинается с процесса и контроля, а не с выбора фреймворка. Один workflow, строгий контракт, ограниченные tools и eval set дают основу, которую можно безопасно развивать.