Skip to main content

1. Наша первая агентная система

Постановка задачи​

Давайте начнем с проблемы, которую мы решаем. Каждый день ваша команда поддержки клиентов обрабатывает десятки или сотни писем с просьбами вернуть деньги за разбитую кружку, отменить неотправленный заказ или изменить адрес доставки. Для каждого сообщения человек-агент должен прочитать свободный текст, найти заказ в вашей backend-системе, вызвать соответствующий API, а затем напечатать письмо с подтверждением. Этот повторяющийся двухминутный процесс созрел для автоматизации — но только если мы правильно выберем область применения.

Когда мы понимаем, что люди печатают клавиши и нажимают кнопки, часто следуя правилам и инструкциям, мы видим, что многие из этих же паттернов могут быть выполнены хорошо спроектированными системами, которые полагаются на foundation модели.

Простая агентная система для отмены заказов​

Мы хотим, чтобы наш агент принимал сырое сообщение клиента плюс запись заказа, решал, какой инструмент вызвать (issue_refund, cancel_order или update_address_for_order), вызывал этот инструмент с правильными параметрами, а затем отправлял краткое сообщение с подтверждением. Этот двухшаговый рабочий процесс достаточно узок, чтобы построить его быстро, достаточно ценен, чтобы освободить человеческое время, и достаточно богат, чтобы демонстрировать интеллектуальное поведение.

Мы можем построить работающего агента для этого случая использования всего в нескольких строках кода:

from langchain.tools import tool
from langchain_openai.chat_models import ChatOpenAI
from langchain.schema import SystemMessage, HumanMessage, AIMessage
from langchain_core.messages.tool import ToolMessage
from langgraph.graph import StateGraph

# -- 1) Определяем наш единственный бизнес-инструмент
@tool
def cancel_order(order_id: str) -> str:
    """Отменить заказ, который еще не был отправлен."""
    # (Здесь вы бы вызвали ваш реальный backend API)
    return f"Заказ {order_id} был отменен."

# -- 2) "Мозг" агента: вызываем LLM, запускаем инструмент, затем снова вызываем LLM
def call_model(state):
    msgs = state["messages"]
    order = state.get("order", {"order_id": "UNKNOWN"})
    # Системный промпт говорит модели точно, что делать
    prompt = (
        f'''Вы агент поддержки электронной коммерции.
        ID ЗАКАЗА: {order['order_id']}
        
        Если клиент просит отменить, вызовите cancel_order(order_id)
        и затем отправьте простое подтверждение.
        В противном случае просто отвечайте нормально.'''
    )
    
    full = [SystemMessage(prompt)] + msgs
    # 1-й проход LLM: решает, вызывать ли наш инструмент
    first = ChatOpenAI(model="gpt-5", temperature=0)(full)
    
    out = [first]
    
    if getattr(first, "tool_calls", None):
        # запускаем инструмент cancel_order
        tc = first.tool_calls[0]
        result = cancel_order(**tc["args"])
        out.append(ToolMessage(content=result, tool_call_id=tc["id"]))
    # 2-й проход LLM: генерируем финальный текст подтверждения
    second = ChatOpenAI(model="gpt-5", temperature=0)(full + out)
    out.append(second)
    
    return {"messages": out}

# -- 3) Собираем все вместе в StateGraph
def construct_graph():
    g = StateGraph({"order": None, "messages": []})
    g.add_node("assistant", call_model)
    g.set_entry_point("assistant")
    return g.compile()

graph = construct_graph()

if __name__ == "__main__":
    example_order = {"order_id": "A12345"}
    convo = [HumanMessage(content="Пожалуйста, отмените мой заказ A12345.")]
    result = graph.invoke({"order": example_order, "messages": convo})
    for msg in result["messages"]:
        print(f"{msg.type}: {msg.content}")

Отлично — теперь у вас есть работающий агент для "отмены заказа". Прежде чем мы расширим нашего агента, давайте подумаем, почему мы начали с такого простого среза.

Важность правильного выбора области применения​

Определение области применения всегда является балансированием. Если вы слишком сужаете свою задачу — скажем, только отмены — вы упускаете другие запросы с большим объемом, такие как возвраты или изменения адресов, ограничивая реальное влияние. Но если вы расширяете ее слишком далеко — "автоматизировать каждый запрос поддержки" — вы утонете в граничных случаях, таких как споры по счетам, рекомендации продуктов и техническая поддержка. И если вы оставляете ее расплывчатой — "улучшить удовлетворенность клиентов" — вы никогда не узнаете, когда вы преуспели.

Вместо этого, фокусируясь на четком, ограниченном рабочем процессе — отмена заказов — мы обеспечиваем конкретные входы (сообщение клиента + запись заказа), структурированные выходы (вызовы инструментов + подтверждения) и тесную обратную связь.

Пример работы агента​

Например, представьте письмо, которое говорит: "Пожалуйста, отмените мой заказ #B73973, потому что я нашел более дешевый вариант в другом месте." Человек-агент посмотрел бы заказ, проверил, что он еще не отправлен, нажал "Отменить" и ответил с подтверждением. Перевод этого в код означает вызов cancel_order(order_id="B73973") и отправку простого сообщения с подтверждением обратно клиенту.

Оценка производительности агента​

Теперь, когда у нас есть работающий агент для "отмены заказа", следующий вопрос: действительно ли он работает? В продакшене мы не просто хотим, чтобы наш агент работал — мы хотим знать, насколько хорошо он работает, что он делает правильно и где он терпит неудачу. Для нашего агента отмены заказа нас интересуют такие вопросы, как:

  • Вызвал ли он правильный инструмент (cancel_order)?
  • Передал ли он правильные параметры (правильный ID заказа)?
  • Отправил ли он четкое, правильное сообщение с подтверждением клиенту?

В нашем репозитории с открытым исходным кодом вы найдете полный скрипт оценки для автоматизации этого процесса:

  • Набор данных для оценки
  • Скрипт пакетной оценки

Вот минимальная, упрощенная версия этой логики для того, как вы можете протестировать своего агента напрямую:

# Минимальная проверка оценки
example_order = {"order_id": "B73973"}
convo = [HumanMessage(content='''Пожалуйста, отмените заказ #B73973.
Я нашел более дешевый вариант в другом месте.''')]

result = graph.invoke({"order": example_order, "messages": convo})

assert any("cancel_order" in str(m.content) for m in result["messages"],
           "Инструмент отмены заказа не был вызван")

assert any("cancelled" in m.content.lower() for m in result["messages"],
           "Сообщение с подтверждением отсутствует")

print("✅ Агент прошел минимальную оценку.")

Этот фрагмент гарантирует, что инструмент был вызван и подтверждение было отправлено. Конечно, реальная оценка идет глубже: вы можете измерить точность инструмента, точность параметров и общие показатели успешности задач на сотнях примеров, чтобы поймать граничные случаи перед развертыванием. Мы углубимся в стратегии и фреймворки оценки в главе 9, но пока помните: непротестированный агент — это недоверенный агент.

Поскольку оба шага автоматизированы с использованием декораторов @tool, написание тестов против реальных тикетов становится тривиальным — и вы мгновенно получаете измеримые метрики, такие как полнота инструмента, точность параметров и качество подтверждения.