Давайте вспомним, какие улучшения мы внесли в нашего почтового ассистента.
  • Научился читать: он умеет искать в базе знаний
  • Научился выбирать: он использует условия для принятия решений
  • Научился многозадачности: он обрабатывает несколько вопросов через итерацию
  • Научился пользоваться инструментами: он может выходить в интернет через веб-поиск
Возможно, вы заметили, что наш рабочий процесс больше не похож на прямую линию (шаг 1 → шаг 2 → шаг 3). Он превращается в систему, которая анализирует, оценивает и задействует разные способности для решения задач. Этот продвинутый паттерн мы называем агентным рабочим процессом (Agentic Workflow).

​
Агентный рабочий процесс

Агентный рабочий процесс — это не просто «ввод > обработка > вывод». Он включает размышление, планирование, использование инструментов и корректировку на основе результатов. Он превращает ИИ из простого исполнителя (который лишь выполняет приказы) в интеллектуального Агента (который решает задачи самостоятельно).

​
Стратегии Агента

Чтобы Агенты работали умнее, исследователи разработали стратегии — воспринимайте их как разные режимы мышления, которые направляют Агента.
  • ReAct (Reason + Act) Подход «сначала подумай, потом сделай». Агент думает (Что мне делать?), действует (вызывает инструмент), наблюдает за результатом, а затем думает снова. Он повторяет цикл, пока задача не будет выполнена.
  • Plan-and-Execute Сначала составить полный план, а затем выполнять его шаг за шагом.
  • Chain of Thought (CoT) Описание шагов рассуждения перед выдачей ответа для повышения точности.
  • Self-Correction Проверка собственной работы и исправление ошибок.
  • Память (Memory) Наделение Агента краткосрочной или долгосрочной памятью позволяет ему вспоминать предыдущие разговоры или ключевые детали, что обеспечивает более связные и персонализированные ответы.
В уроке 7 мы вручную построили «мозг» с помощью цепочки «Поиск знаний -> LLM для принятия решения -> ЕСЛИ/ИНАЧЕ -> Поиск». Это работало, но было сложно собирать. Есть ли способ проще? Да, и вот он.

​
Узел Агент

Узел Агент — это высокоупакованный интеллектуальный блок. Вам нужно лишь задать ему цель через инструкции и предоставить инструменты, которые ему могут понадобиться. После этого он сможет самостоятельно думать, планировать, выбирать и вызывать инструменты внутри себя (используя выбранную стратегию Агента, например ReAct, и способность модели к Function Calling), пока не выполнит поставленную вами цель. В Интеллос это значительно упрощает процесс построения сложных агентных рабочих процессов.

​
Практика 1: построение с узлом Агент

Наша цель — заменить ту сложную ручную логику внутри цикла итерации одним умным узлом Агент.
1

Очистите итерацию

Перейдите в подпроцесс итерации. Оставьте узел поиска по базе знаний и удалите остальные узлы внутри.
Итерация
2

Добавьте узел Агент

Добавьте узел Агент сразу после узла Поиск знаний.
Добавление узла Агент
3

Откройте стратегии агента

Нажмите на узел Агент. На правой панели откройте список Агентная стратегия — в нём перечислены стратегии, доступные в рабочем пространстве.
Поиск стратегии Агента
4

Выберите стратегию Агента

Раскройте группу Agent — в ней две стратегии: FunctionCalling и ReAct.
Выбор стратегии Агента
5

Выберите ReAct

Выберите ReAct.
Выбор ReAct
Почему здесь ReAct?ReAct (Reason + Act) — это стратегия, которая имитирует решение задач человеком, используя цикл «Подумай → Сделай → Проверь».
  1. Reason: Агент думает: «Что мне делать дальше?» (например, проверить базу знаний).
  2. Act: он выполняет действие.
  3. Observe: он проверяет результат. Если ответ не найден, он повторяет цикл (например: «Хорошо, нужно поискать в интернете»).
Такой подход «думать в процессе действия» идеально подходит для сложных задач, где следующий шаг зависит от предыдущего результата.
6

Выберите модель

ReAct — это стратегия мышления, но чтобы реально выполнить часть «действие», ИИ нужны подходящие «физические» навыки, которые называются Function Calling. Выберите модель, поддерживающую Function Calling. Здесь мы выбираем DeepSeek V4.1 Flash.Почему Function Calling?Одна из ключевых возможностей узла Агент — самостоятельный вызов инструментов. Function Calling — это та самая технология, которая позволяет модели понимать, когда и как использовать предоставленные вами инструменты (например, DuckDuckGo Search).Если модель не поддерживает эту функцию, Агент не сможет эффективно взаимодействовать с инструментами и теряет большую часть своих возможностей самостоятельного принятия решений.
Выбор модели
7

Добавьте инструмент

Нажмите на узел Агент. Нажмите значок плюса (+) в списке инструментов, раскройте DuckDuckGo и выберите DuckDuckGo Search.
Добавление инструмента
8

Добавьте инструкции

Нам нужно конкретно сказать Агенту, что делать с инструментами и контекстом, которые мы ему даём. Скопируйте и вставьте инструкции в поле «Инструкция»:
Добавление инструкций
9

Контекст и запрос

Настройка здесь критически важна, чтобы Агент увидел данные.
  • Контекст: выберите Knowledge Retrieval / (x) result Array[Object] из узла Поиск знаний (так содержимое базы знаний передаётся Агенту).
  • Запрос: выберите Iteration/{x} item из узла итерации.
Почему item, а не исходный email_content?Мы использовали Экстрактор параметров, чтобы извлечь список вопросов (question_list) из email_content. Узел итерации обрабатывает этот список по одному, где item представляет конкретный вопрос, обрабатываемый в данный момент.Использование item в качестве входного запроса позволяет Агенту сосредоточиться на текущей задаче, повышая точность принятия решений и действий.
Контекст и запрос
10

Задайте вывод итерации

Нажмите Agent/{x}text String в качестве выходных переменных.
Настройка вывода итерации
🎉 Узел итерации теперь обновлён.
Поскольку узел итерации генерирует список ответов, нам нужно собрать их обратно в одно письмо.

​
Практика 2: финальная сборка

1

Финальный редактор (LLM)

  1. Добавьте узел LLM после узла итерации.
  2. Нажмите на него и добавьте промпт в системное поле. Можете использовать промпт ниже или написать свой.
  3. Добавьте сообщение пользователя, заменив ответы, содержимое письма и имя клиента соответствующими переменными. Вот как сейчас выглядит узел LLM.
    Финальный LLM
2

Добавьте узел вывода

Задайте выходной переменной значение text узла LLM и назовите её email_reply.
Добавление узла вывода
Вот и итоговый рабочий процесс.
Итоговый рабочий процесс
Нажмите Тестовый запуск. Задайте смешанные вопросы. Понаблюдайте, как узел Агент самостоятельно решает, когда использовать контекст, а когда — поиск в интернете.

​
Мини-задание

  1. Можно ли использовать узел Агент, чтобы заменить весь цикл итерации? Как бы вы спроектировали промпт, чтобы обработать список вопросов сразу целиком?
  2. Какую ещё информацию вы могли бы передать в поле «Контекст» Агента, чтобы помочь ему принимать более качественные решения?