Не каждой задаче нужен ИИ-агент: что строить вместо него

Не каждой задаче нужен автономный ИИ-агент. Инженеры Anthropic советуют простое правило: если ты можешь заранее расписать шаги решения - собери воркфлоу, цепочку предсказуемых вызовов модели по жёсткому коду. Он получится точнее, дешевле и понятнее агента. Агент нужен только там, где путь заранее расписать нельзя.

Звучит буднично, но идёт против всего, что сейчас продают. Со всех сторон кричат «сделай агента», как будто это апгрейд на любую задачу. Я сам, когда собирал свой цифровой офис, сначала пытался на каждую мелочь посадить отдельного «умного» агента - и половину потом переписал в обычные скрипты. Разбираю, где проходит граница и что строить вместо агента, когда он не нужен.

Воркфлоу и агент - в чём вообще разница

У Anthropic есть инженерный разбор «Building Effective Agents», и там граница проведена чётко по одному признаку - кто держит руль.

Воркфлоу - это система, где модель и инструменты работают по заранее прописанным путям в коде. Ты сам решил: сначала классифицируем запрос, потом идём в нужную ветку, потом проверяем результат, потом отдаём. Модель тут делает отдельные шаги, но маршрут между шагами задал ты.

Агент - это система, где модель сама рулит своим процессом: сама решает, какой инструмент вызвать, сколько раз, в каком порядке и когда остановиться. Ты дал ей цель и набор инструментов, а дальше она крутится в цикле и находит путь по ходу дела.

В основе и того, и другого лежит один кирпичик, который Anthropic называет «augmented LLM» - модель с добавленными возможностями: поиск, инструменты, память. Она сама формулирует поисковый запрос, выбирает нужный инструмент и решает, что запомнить. Разница только в том, обёрнут этот кирпичик в жёсткий код (воркфлоу) или отпущен в свободный цикл (агент).

Главное правило: можешь расписать шаги - не бери агента

Первый доклад Барри Чжана из Anthropic про агентов начинается ровно с этого тезиса: «не стройте агентов на всё подряд». Хайп подталкивает, вендоры подталкивают - а ты сопротивляйся.

Проверка простая. Задай себе один вопрос: можешь ли ты заранее нарисовать дерево решений для этой задачи? Если да - строй воркфлоу и вылизывай каждый узел по отдельности. Ты получишь больше точности, больше контроля и меньшую цену, чем даст любой агент. Если задача настолько мутная, что дерево решений заранее не нарисовать, - вот тогда нужен агент.

Большинство задач, которые в проде реально решают, - это первый случай. Разобрать письмо и разложить по папкам. Собрать отчёт из трёх источников. Проверить документ по чек-листу. Всё это раскладывается на понятные шаги. И как только шаги понятны, автономность не помогает, а мешает: она добавляет непредсказуемости туда, где ты и так знал, что делать.

Почему воркфлоу часто выигрывает

Воркфлоу даёт предсказуемость и повторяемость на понятных задачах. Это его сильная сторона, и вот из чего она складывается.

Контроль. Каждый шаг ты видишь и можешь поправить отдельно. Плохо классифицирует - чинишь промпт классификатора, не трогая остальное. В агенте всё слеплено в один цикл, и точечно вмешаться сложнее.

Цена. Агент исследует, а исследование стоит денег. Он делает лишние вызовы, перепроверяет себя, ходит по кругу. У Чжана есть грубый ориентир: бюджет в 10 центов на задачу - это примерно 30-50 тысяч токенов. Если задача не стоит такого разброса, агент просто жжёт деньги на автономность, которая тебе не нужна.

Накопление ошибки. В длинном автономном цикле ошибка на третьем шаге тащит за собой четвёртый и пятый. Чем длиннее цепочка без контрольных точек, тем выше шанс уехать не туда. В воркфлоу ты ставишь проверку между шагами и ловишь сбой сразу.

Пять воркфлоу-паттернов, которые закроют большинство задач

Хорошая новость: тебе не надо изобретать схему с нуля. Anthropic описывает пять готовых паттернов, и из них собирается почти всё.

Цепочка промптов. Разбиваешь задачу на последовательные шаги, где каждый вызов модели обрабатывает результат предыдущего. Написать текст - потом отдельным шагом проверить его по критериям.

Маршрутизация. Сначала классифицируешь вход, потом отправляешь в специализированную ветку. Простые вопросы - в дешёвую модель, сложные - в сильную.

Параллелизация. Несколько вызовов идут одновременно, а потом результаты собираются вместе. Либо режешь задачу на куски (sectioning), либо гоняешь одно и то же несколько раз и берёшь консенсус (voting).

Оркестратор-воркеры. Центральная модель разбивает задачу на подзадачи и раздаёт их моделям-исполнителям. Похоже на агента, но разбиение остаётся под твоим контролем.

Оценщик-оптимизатор. Одна модель генерирует ответ, вторая его оценивает и возвращает правки по кругу. Работает, когда есть понятные критерии качества и правки реально улучшают результат.

Когда агент всё-таки нужен

Это не значит, что агенты - зло. Они закрывают ровно тот класс задач, где путь заранее не расписать, а гибкость важнее предсказуемости, и таких задач с ростом сложности становится больше.

Классический пример от Anthropic - правки кода по задачам вроде SWE-bench, где надо трогать сразу несколько файлов и заранее не ясно, каких именно. Или computer use, где Claude сам управляет компьютером и не знает наперёд, что окажется на экране. Тут дерево решений не нарисуешь - его надо строить на ходу, и это честная работа для агента.

Любопытная деталь из доклада Чжана: агент для кода, агент для поиска и агент для computer use внутри устроены почти одинаково, у них общий каркас кода. Меняется только среда - какие инструменты ты дал и что написал в системном промпте. То есть «сделать агента» - это на 90% про выбор инструментов и формулировку задачи, а не про хитрую архитектуру.

Как это выглядит у меня в цифровом офисе

У меня офис собран из десятков процессов, и почти все они - воркфлоу, а не агенты. Собрать дайджест, отформатировать пост, проверить текст по правилам, выложить - это жёсткие цепочки. Я точно знаю шаги, и мне важно, чтобы завтра всё отработало так же, как сегодня.

Агентную свободу я оставляю точечно - там, где заранее не знаю, что попадётся. Разобраться в чужом репозитории и понять, работает ли решение. Расследовать тему, где непонятно, куда приведёт первый источник. Вот там модель сама ходит по инструментам и ищет путь, и это оправдано.

Разница чувствуется на счёте и на нервах. Воркфлоу-часть стоит предсказуемых копеек и почти не ломается. Агентная часть дороже и иногда уходит не туда - поэтому её мало и она под присмотром.

С чего начать

Правило Anthropic - начинать с самого простого и наращивать сложность только когда проще уже не выходит. На практике это лестница.

Сначала - просто хороший промпт к модели. Не хватило - добавь модели инструмент или поиск. Всё ещё не тянет и задача раскладывается на шаги - собери воркфлоу из паттернов выше. И только если задача принципиально не раскладывается на заранее известные шаги - бери агента, дай ему минимум прав и проверяй.

Не начинай сверху. Автономный агент - это не стартовая точка и не признак серьёзности проекта. Чаще всего продакшен-система не хочет автономного агента - ей нужен воркфлоу с ясными шагами, узкими инструментами и измеримым результатом. Агентность стоит добавлять тогда, когда её гибкость перевешивает лишнюю цену, задержку и риск накопить ошибку. А до этого момента самое взрослое решение - не строить агента.