AI-сотрудник: архитектура рабочей AI-системы

Автор: Comb

31 августа 2026 г.

Роль, модель мира, знания, навыки, инструменты, память, права и контроль — архитектура AI-сотрудника вокруг модели.

Содержание статьи Чат, ассистент, автоматизация и агент - не одно и то же

Восемь слоёв AI-сотрудника

1. Кто я?

2. Где я работаю?

3. Что я знаю?

4. Что я умею делать?

5. Через что я действую?

6. Что я помню?

7. Что мне разрешено?

8. Как доказать, что работа выполнена?

Один сквозной пример: письмо клиента превращается в заказ

Автономность растёт по уровням

Человек не исчезает из процесса

С чего начать внедрение

Как измерять результат

Новая точка сборки корпоративного ПО

Что читать дальше

Вывод

AI-сотрудником сегодня называют почти всё: чат на сайте, генератор писем, поиск по базе знаний и кнопку с вызовом LLM.

Из-за этого термин быстро теряет смысл.

Чат, который отвечает на вопросы, ещё не сотрудник. Модель, которая пишет хороший текст, тоже. Даже агент с несколькими функциями не обязательно встроен в работу компании.

AI-сотрудник - это рабочая программная система, которой поручают бизнес-задачу, дают контекст и разрешённые действия, а затем проверяют результат.

Он должен понимать:

кто он и за что отвечает;

в какой компании работает;

где брать факты;

как выполнять конкретную работу;

к каким системам имеет доступ;

что может сделать сам;

где обязан остановиться;

как доказать, что задача завершена.

Модель отвечает за понимание ситуации и выбор следующего шага. Остальное строится вокруг неё: данные, инструменты, права, память, состояние процесса и контроль.

OpenAI определяет агента как систему, которая управляет выполнением задачи и использует внешние инструменты от имени пользователя. Одиночный ответ модели сам по себе под это определение не попадает. 1

Важно и другое: AI-сотрудник - не юридический статус и не самостоятельный субъект ответственности . Это роль программной системы внутри процесса компании. Ответственность остаётся у организации и назначенных сотрудников.

AI-сотрудник собирает контекст и готовит действие, но права, контроль и финальная ответственность остаются в управляемом контуре компании.

РАМКА Чат, ассистент, автоматизация и агент - не одно и то же

Формат Что делает Где заканчивается работа

Чат-бот Отвечает на сообщение На ответе

AI-ассистент Готовит текст, резюме, извлечение, подсказку Человек сам переносит результат в системы

Автоматизация Выполняет заранее заданный сценарий Останавливается при неизвестном исключении

AI-агент Сам выбирает следующий шаг в заданных границах До достижения результата или эскалации

AI-сотрудник Ведёт часть реального процесса компании Результат отражён в CRM, ERP, трекере или реестре документов

Обычная автоматизация сильна там, где вход и правила стабильны:

получили файл → проверили формат → записали строку → отправили уведомление

Агент нужен, когда приходится разбираться в письмах, документах и исключениях, выбирать инструменты, задавать вопросы и менять план по ходу работы.

Но агент становится AI-сотрудником только после встраивания в операционную модель:

у него есть роль;

задачи приходят из рабочего контура;

состояние хранится вне чата;

действия ограничены правами;

результат проверяется;

есть человек, отвечающий за процесс.

Обычный чат заканчивается на ответе. AI-сотрудник работает в роли, использует контекст и инструменты, хранит состояние и проходит контроль результата.

СЛОИ Восемь слоёв AI-сотрудника

Рабочую систему удобно разбирать по восьми вопросам.

Модель становится AI-сотрудником только внутри системы из восьми взаимосвязанных слоёв.

01 1. Кто я?

Это роль агента.

Например:

Ты AI-сотрудник отдела продаж. Обрабатываешь новые заявки, собираешь недостающие данные, готовишь коммерческое предложение и создаёшь черновик заказа. Не меняешь цену ниже установленной границы и не отправляешь юридически значимые документы без согласования.

Роль задаёт:

область ответственности;

типы задач;

ожидаемый результат;

ограничения;

порядок эскалации;

связь с сотрудниками и другими агентами.

В архитектуре Comb этот слой описывает Agents.md .

Это не длинный «магический промпт». Скорее профиль должности и маршрутизатор по рабочей среде: какие знания, навыки и инструменты использовать в разных ситуациях.

02 2. Где я работаю?

Модель сама по себе не знает устройство компании.

Она не понимает, что один контрагент может быть клиентом и поставщиком, что заявка относится к сделке, сделка - к договору, а поставка - к нескольким заказам.

Для этого нужна модель мира компании:

сотрудники и подразделения;

клиенты и поставщики;

товары и услуги;

сделки и проекты;

документы;

процессы;

роли;

связи между сущностями.

Этот слой формирует онтология.

Она помогает определить не только похожий текст, но и к какому объекту относится факт, кто его владелец и с чем он связан .

03 3. Что я знаю?

Знания разбросаны по разным источникам:

CRM и 1С;

регламентам;

договорам;

письмам;

записям встреч;

базе знаний;

технической документации;

истории решений.

В контекст модели нельзя постоянно загружать всё. Система должна собрать только то, что нужно для текущей задачи.

Здесь важно не смешивать четыре вещи:

Слой Что это

Источник Где хранится исходный факт

Индекс Как факт быстро найти

Контекст Что передано модели в этом запуске

Память Что сохранено для будущей работы

RAG ищет фрагменты в документах. Прямые запросы получают актуальные цены, остатки и статусы. Онтология связывает факты с бизнес-объектами. Контекстный слой собирает из этого рабочий пакет.

04 4. Что я умею делать?

Знание не равно навыку.

Можно дать агенту весь архив закупок, но это не объяснит, как сравнивать предложения, какие проверки обязательны и когда отправлять задачу юристу.

Навык описывает повторяемый способ работы:

вход → шаги → инструменты → проверки → результат → исключения → эскалация

В Comb такие способы работы оформляются как Skills.md и связанные материалы.

Навык не обязан быть жёстким сценарием. Агент может выбрать путь внутри него. Но критерии результата и обязательные контрольные точки должны быть явными.

05 5. Через что я действую?

Пока модель умеет только писать текст, она не выполняет работу компании.

Ей нужны инструменты:

найти клиента;

получить остатки и цены;

создать черновик заказа;

поставить задачу;

подготовить письмо;

извлечь данные из PDF;

запустить расчёт;

вызвать другого агента.

Инструмент - это управляемый интерфейс между вероятностной моделью и корпоративной системой.

У него должны быть понятные входы, предсказуемый результат, права, обработка ошибок и журнал вызовов. MCP стандартизирует публикацию и вызов инструментов, но не заменяет бизнес-логику и контроль доступа. 2

06 6. Что я помню?

У памяти несколько уровней:

текущая задача - что уже сделано и что осталось;

личная память агента - рабочие заметки его роли;

память отдела - проверенные правила и решения команды;

память компании - устойчивое знание, доступное нескольким ролям.

LLM Wiki подходит для накопления такого опыта в читаемом и версионируемом виде.

Но она не должна превращаться в склад всех писем и транскриптов. В память попадает не сырой поток, а полезное знание с источником, областью действия и датой актуальности.

Текущие остатки, цена, статус сделки и другие динамические факты остаются в системах-источниках.

07 7. Что мне разрешено?

Доступ к инструменту ещё не означает право на любое действие.

Проверять нужно:

кто вызывает → от чьего имени → какую операцию → над каким объектом → при каких условиях

Например, агент может:

читать карточки только своего отдела;

создавать черновик письма, но не отправлять его;

рассчитывать скидку, но не утверждать её;

готовить платёжный реестр, но не подписывать платёж;

собирать тендерную заявку, но не подавать её.

Права должны проверяться на стороне инструмента, а не только в промпте.

08 8. Как доказать, что работа выполнена?

Проверяется не красота ответа, а итог процесса:

создан ли правильный объект;

совпали ли суммы и позиции;

приложены ли документы;

использована ли актуальная версия;

не нарушены ли ограничения;

зафиксированы ли источники;

не было ли лишнего внешнего действия;

уложилась ли система в допустимое время и стоимость.

Для этого нужны:

операционная трасса;

журнал инструментов;

реальные тестовые задачи;

программные проверки;

модельная оценка по рубрике;

выборочная проверка экспертом;

регрессия перед выпуском изменений.

КЕЙС Один сквозной пример: письмо клиента превращается в заказ

Клиент прислал письмо и Excel на 120 позиций.

Посмотрим, как в одном процессе работают все восемь слоёв.

Сквозной путь от письма клиента до готового результата: роль, контекст, факты из CRM и 1С, навык, инструменты и подтверждение человеком. Роль

Agents.md говорит, что агент продаж должен подготовить заказ, но не может самостоятельно согласовать нестандартную скидку.

Модель мира

Онтология связывает письмо с клиентом, активной сделкой, договором, прайс-листом и ответственным менеджером.

Знания

Агент получает условия договора из реестра, историю сделки из CRM, цены и остатки из 1С. Из базы знаний подтягивает правило обработки аналогов.

Навык

Навык обработки заявки задаёт порядок:

клиент → строки → сопоставление → цены и остатки → экономика → черновик заказа → вопросы по исключениям

Инструменты

Агент вызывает поиск клиента, сопоставление номенклатуры, получение цен, расчёт маржи и создание черновика заказа.

Память

В состоянии задачи хранится, какие строки уже подтверждены. В память отдела позже может попасть новое правило по часто встречающемуся обозначению товара.

Права

Агент может создать черновик. Скидка ниже лимита и отправка клиенту требуют подтверждения менеджера.

Контроль

Система проверяет сумму, НДС, единицы, обязательные поля, актуальность цен и отсутствие повторного заказа.

На выходе появляется не сообщение «заявка обработана», а набор проверяемых объектов:

черновик заказа;

112 подтверждённых строк;

восемь спорных позиций;

расчёт маржи;

список вопросов;

ссылки на источники;

задача менеджеру на решение.

В этом и состоит переход от чата к AI-сотруднику.

УРОВНИ Автономность растёт по уровням

Уровень Что делает система

0. Ответ Объясняет или предлагает текст

1. Подготовка Собирает данные и создаёт черновик

2. Действие с подтверждением Показывает точное изменение и ждёт решения

3. Разрешённые действия Сам выполняет низкорисковые операции в лимите

4. Автономный процесс Ведёт длинный цикл и зовёт человека только при исключении

Большинству компаний разумно начинать с уровней 1-2. Сначала нужны реальные трассы, ошибки и статистика. Затем отдельные устойчивые операции можно переводить в автоматический режим.

Anthropic рекомендует начинать с простого решения и добавлять агентную сложность только там, где она даёт измеримый выигрыш. 3

ЧЕЛ Человек не исчезает из процесса

Меняется его работа.

Раньше сотрудник:

искал данные;

переносил поля;

сверял документы;

писал типовые письма;

следил за сроками.

Теперь он:

ставит цель;

определяет правила;

подтверждает важные решения;

разбирает исключения;

улучшает навыки агента;

отвечает за процесс в целом.

Рабочая связка выглядит так:

человек задаёт намерение и принимает риск ↕ AI-сотрудник собирает контекст и выполняет работу ↕ системы компании хранят факты и состояние

СТАРТ С чего начать внедрение

Не с выбора самой сильной модели и не с описания всей компании.

1. Выбрать один вертикальный процесс

У него должен быть понятный вход и проверяемый итог:

письмо → черновик заказа;

потребность → сравнение поставщиков и проект заказа;

договор → матрица отклонений;

тендер → решение об участии и комплект заявки.

2. Собрать реальные примеры

Нужны обычные задачи, сложные исключения, возвраты и ошибки. Презентационных кейсов недостаточно.

3. Зафиксировать правильный результат

Не «хорошо отвечает», а:

обязательные поля заполнены;

расчёты совпадают;

источники указаны;

рискованные действия не выполнены без подтверждения;

объект создан в целевой системе.

4. Подключить минимум инструментов

Сначала чтение и черновики. Запись и отправка - после стабильных тестов.

5. Расширять автономность по фактам

Каждое повышение автономности должно опираться на статистику реальных запусков, а не на впечатление от демо.

МЕТР Как измерять результат

Три уровня метрик достаточно для начала.

Бизнес

доля процессов, доведённых до нужного состояния;

время цикла;

объём ручной работы;

число возвратов;

влияние на стоимость, маржу или выручку.

Качество

точность фактов;

комплектность;

соблюдение правил;

успешность с первой попытки;

качество эскалаций.

Эксплуатация

задержка;

стоимость задачи;

число вызовов инструментов;

стабильность повторных запусков;

сбои интеграций;

возможность восстановить ход работы.

Одна метрика «точность ответа» здесь почти бесполезна.

СИСТ Новая точка сборки корпоративного ПО

Раньше системы проектировались вокруг человека:

CRM помогала менеджеру;

ERP - бухгалтеру и закупщику;

база знаний - специалисту;

BI - руководителю.

Теперь между человеком и системами появляется агент. Он читает документы, связывает данные, выбирает способ работы и выполняет разрешённые действия.

Поэтому компании нужен слой, который объединяет:

роль + модель мира + знания + навыки + инструменты + память + права + контроль

Именно он превращает LLM из универсального собеседника в управляемого участника процесса.

ДАЛЕЕ Что читать дальше

Agents.md - кто агент и где его границы.

Онтология - как он понимает мир компании.

Навыки - как выполняет повторяемую работу.

Инструменты - через что получает данные и действует.

RAG - как получает факты из документов.

LLM Wiki - как сохраняет накопленные знания.

Сеть агентов - как делегирует работу.

Контроль и эвалюация - как проверять качество.

Практические процессы - заказы, тендеры, договоры и закупки.

ИТОГ Вывод

AI-сотрудник начинается не с модели.

Модель может рассуждать. Работать внутри компании она начинает только после того, как получает роль, модель мира, знания, способы действия, инструменты, память, права и систему проверки.

Поэтому первый вопрос не «какую LLM выбрать».

Первый вопрос другой:

Какую реальную работу мы хотим поручить системе, какой результат считаем правильным и в каких границах она может действовать?

Ответ на него и определяет архитектуру.

ИСТ Источники

01 OpenAI - A practical guide to building agents

02 Model Context Protocol - Tools specification, версия 2025-11-25

03 Anthropic - Building effective agents

В материале

Чат, ассистент, автоматизация и агент - не одно и то же