В последнее время практически каждый день использую AI-агентов в работе и параллельно изучаю, как они устроены. Чем глубже погружаешься в тему AI, тем больше появляется новых терминов: LLM, MCP, RAG, Memory, Subagents…

Но после десятка статей все равно остается вопрос: «А как это все работает вместе?»

Поэтому я собрал простую схему, которая помогает понять, как устроен современный AI-агент. Конечно, реальная архитектура может быть гораздо сложнее, но именно такую модель я считаю наиболее понятной для первого знакомства с темой.

Вывод, к которому я пришел, изучая AI-агентов AI-агент — это не новая языковая модель. Это система, которая использует LLM как один из своих компонентов. Если раньше мы общались с LLM как с умным собеседником, то теперь AI-агенты превращают этот интеллект в помощника, который способен не только отвечать на вопросы, но и выполнять работу.

Попробую объяснить на простой аналогии. 🔹LLM = Профессор* Он обладает огромными знаниями и опытом. Если задать правильный вопрос, найдет решение. Но сам по себе профессор не идет в библиотеку, не работает с лабораторией и не собирает материалы. Он анализирует информацию, которую знает или которую ему предоставили, и дает экспертные рекомендации.

🔹AI-агент — это научный сотрудник Именно он получает задачу, составляет план работы, ищет информацию, изучает документы, использует лабораторию, консультируется с профессором и приносит готовый результат.

Теперь поясню другие блоки схемы: 🔹Данные — это библиотека знаний. В разработке это документация, README, исходный код проекта, внутренняя база знаний и любые материалы, которые помогают агенту понять контекст задачи.

🔹Инструменты — это лаборатория. Сюда относятся MCP, RAG, Memory, Rules, Subagents и другие механизмы, которые позволяют агенту получать дополнительный контекст, запоминать информацию, делегировать задачи и взаимодействовать с внешними системами. Например, именно благодаря MCP агент может выполнять действия во внешних сервисах, работать с GitHub, Bitrix24 и другими.

🔹Среда работы — это место, где работает научный сотрудник. Для разработчика это IDE, CLI, браузер и другие рабочие инструменты.

Поэтому современный AI-агент — это уже не просто чат с искусственным интеллектом. Он способен взять на себя часть инженерной работы. Например:

— быстро разобраться в незнакомом проекте и объяснить архитектуру; — найти нужное место в кодовой базе; — предложить изменения или реализовать новый функционал; — запускать команды, тесты и работать с Git; — использовать документацию и внутреннюю базу знаний как контекст; — подключаться к внешним системам и выполнять действия в них.

На мой взгляд, главный прорыв последних лет — не сами LLM. Настоящий прорыв произошел тогда, когда языковые модели получили память, инструменты, доступ к данным и возможность выполнять действия. Именно поэтому AI постепенно становится полноценным цифровым помощником, который способен самостоятельно выполнять часть инженерной работы.

А как вам такая схема? Удалось ли, на ваш взгляд, понятно объяснить, как устроен современный AI-агент? Или вы бы что-то добавили? 👇