Платформа ИИ-агентов

ИИ-агент — это программа, которая получает цель, сама решает, какие шаги сделать, и вызывает внешние системы, чтобы их выполнить. Один агент пишется за несколько дней и почти всегда работает на демонстрации. Проблемы начинаются, когда агентов становится больше одного, они живут дольше одной сессии и трогают боевые системы.

Платформа ИИ-агентов — это общий слой, который отвечает за то, что находится вокруг модели: запуск и остановку агента, его память, доступ к данным и инструментам, журнал действий, права и точки, где решение подтверждает человек. Модель в этой конструкции заменима, платформа — нет.

Важно не путать три разные вещи. Фреймворк (LangGraph, CrewAI) — библиотека, из которой разработчик собирает агента в коде. Визуальный конструктор (Dify, n8n, Flowise) — среда, где сценарий собирается мышью и сразу получает интерфейс и API. Платформа — то, что остаётся, когда агентов десятки: единый реестр, общий доступ к инструментам, наблюдаемость и управление. Первые два часто перерастают в третье, но не становятся им автоматически.

Прогноз Gartner о том, что больше 40% агентных проектов свернут, объясняется не моделями. Ломается эксплуатация, и ломается предсказуемо.

Расползание агентов. Отделы запускают своих агентов независимо. Через полгода в компании их два десятка, у половины нет владельца, и никто не может ответить, какие из них ходят в боевую базу и с какими правами.

Потеря контекста между передачами. Агент передаёт задачу другому агенту, и вместе с задачей теряется история: почему было принято решение, что уже проверено, что запрещено. По данным за 2026 год около 22% продуктивных внедрений уже координируют три и более агента — то есть передача стала нормой, а не исключением.

Нет человека в контуре на дорогих действиях. Пока агент читает — риска нет. Как только он начинает отправлять документы, менять цены или писать в учётную систему, нужна точка, где решение подтверждает сотрудник, и след, по которому потом можно разобрать инцидент.

Нечего показать на разборе. Без трассировки на вопрос «почему агент это сделал» нет ответа. Это останавливает внедрение быстрее любых технических ограничений.

Hermes Agent от Nous Research выделяется даже на фоне крупных платформ: MIT-лицензия, открытый репозиторий и самое большое сообщество в подборке. Устроен он вокруг другой идеи, чем корпоративные оркестраторы. Агент живёт там, где человек уже общается — Telegram, Discord, Slack, WhatsApp, Signal, почта и терминал, — накапливает память о проектах пользователя, сам оформляет повторяющиеся действия в навыки, планирует задачи с формулировки обычным языком и запускает код в песочнице: локально, в Docker, по SSH или в облаке.

Практический вывод для компании двойной. Ядром корпоративного процесса Hermes не станет: он рассчитан на одного человека, а доступ к моделям идёт через подписку разработчика — это ровно та зависимость, которую внутренний контур обычно и должен исключить. Но два его решения стоит перенести в любой корпоративный проект. Первое: агент приходит в тот канал, где сотрудник уже работает, а не требует открыть ещё одну вкладку — от этого напрямую зависит, будут ли им пользоваться. Второе: память и навыки накапливаются сами, поэтому агент со временем требует меньше объяснений, а не больше настроек.

Про Huawei спрашивают чаще остального, и ответ на 2026 год конкретный. У компании есть коммерческая платформа агентов Huawei Cloud AgentArts и её открытая редакция — openJiuwen, выпущенная под лицензией Apache 2.0. Это не урезанная демонстрационная версия: открытая редакция делит с коммерческой более 90% ядра, то есть на ней можно строить продуктив, а не только пробовать. Разрабатывают её совместно исследовательские лаборатории Huawei, облачное подразделение и команда ассистента Xiaoyi.

Внутри два слоя, которые берут по отдельности. agent-core — SDK для разработки, запуска и дообучения агента. JiuwenSwarm — надстройка для роя агентов, когда задачу выполняет не один исполнитель, а группа. Отдельно Huawei в марте 2026 года открыла код A2A-T, отраслевого расширения протокола A2A для телекома, — признак того, что ставка сделана на совместимость, а не на замкнутый контур.

Рядом стоят ещё три открытых проекта, которые в русскоязычных обзорах почти не упоминают, хотя лицензия у всех разрешает коммерческое использование:

Coze Studio — визуальная платформа сборки агентов от ByteDance, открыта в июле 2025 года вместе с системой оценки Coze Loop. Ближайший аналог Dify по назначению; заметное отличие — низкий порог по железу: для локального запуска заявлено 2 ядра и 4 ГБ памяти, то есть пилот поднимается на обычной виртуальной машине.

Eino — фреймворк оркестрации на Go от той же команды. Практическая ценность одна: если платформенная команда пишет на Go, агентный слой перестаёт быть единственным Python-сервисом, который некому сопровождать.

AgentScope — многоагентный фреймворк лаборатории Tongyi (Alibaba), версия 1.0 вышла в сентябре 2025 года. Сильная сторона — инструменты наблюдения за тем, как агенты общаются между собой: это ровно то место, где многоагентные сценарии обычно и ломаются.

Общий вывод по азиатскому стеку такой же, как по западному: лицензии permissive, порог входа низкий, а разница между проектами — не в списке функций, а в том, есть ли у вас команда на соответствующем языке и готовы ли вы читать документацию, которая часть времени существует только на китайском.

Два стандарта закрывают разные задачи и в проектах 2026 года применяются вместе.

MCP описывает, как агент получает доступ к инструменту или источнику данных. Это вертикальная связь «агент — система». К февралю 2026 года SDK протокола загружают около 97 млн раз в месяц, его поддержали все крупные поставщики моделей, а производители API-шлюзов встраивают поддержку MCP в свои продукты.

A2A описывает, как агенты договариваются между собой и передают друг другу задачи — горизонтальная связь. По состоянию на апрель 2026 года протокол используют в продуктиве более 150 организаций. Huawei в марте 2026 года объявила об открытии исходного кода A2A-T — отраслевого расширения для телекома.

Практический вывод простой: инструменты подключаются через MCP, передача задач между агентами — через A2A. Платформа, которая не поддерживает ни того, ни другого, привяжет вас к себе на уровне интеграций.

Собственную платформу агентов писать сегодня незачем: слой оркестрации стал общедоступным и бесплатным, а конкурентное отличие давно переехало в интеграции, права и приёмку. Вопрос сводится к тому, какой движок взять за основу, чтобы через два года не переписывать всё заново.

Для процессов, где есть согласование, подпись и требования к данным, ядром разумно брать LangGraph. Причина не в популярности, а в модели исполнения: процесс описывается как граф состояний с точками сохранения, поэтому агент переживает сбой и продолжает с того же места, умеет остановиться и дождаться решения человека и оставляет воспроизводимый след — что именно он сделал и почему. Версия 1.0 вышла в октябре 2025 года с обязательством не ломать совместимость до 2.0, лицензия MIT позволяет строить продукт клиента, а сам движок не привязан к поставщику моделей: под требования к персональным данным подключаются и открытые модели на своих мощностях, и сервисы в дата-центрах РФ.

Честная оговорка к этому выбору. Обещание «без ломающих изменений» уже один раз оказалось не абсолютным: осенью 2025 года смежный пакет `langgraph-prebuilt` привёз несовместимость через транзитивную зависимость. Поэтому версии в проде фиксируются жёстко, а обновление проходит через прогон регрессионных проверок — как с любой другой библиотекой, на которой держится процесс.

Когда ядро стоит выбрать другое. Если компания живёт в экосистеме .NET и вся разработка ведётся там, Microsoft Agent Framework даст более короткий путь и обязательство по долгосрочной поддержке. Если задача — быстро проверить гипотезу силами аналитиков, а не разработчиков, быстрее будет визуальная платформа: Dify или Coze Studio. Если платформенная команда пишет на Go, Eino избавит от единственного Python-сервиса в ландшафте. Общее правило простое: визуальные конструкторы хороши, пока сценарий помещается на экран, — как только появляются ветвления, откаты и подписи, выигрывает движок с явной моделью состояния.

KT.Team внедряет перечисленные открытые платформы в контуре заказчика: разворачиваем оркестрацию, подключаем корпоративные источники через RAG и MCP, ставим шлюз доступа к моделям с журналом запросов и настраиваем трассировку и права до того, как агент получит доступ на запись.

Порядок работы — тот же, что и в остальных наших ИИ-проектах: берём один процесс, доводим его до рабочего состояния и приёмки, и только потом расширяем контур. Подробности по смежным темам — на страницах LLM-шлюза, MCP, n8n и корпоративной базы знаний на RAG. Требования 152-ФЗ разбираются отдельно: соответствие 152-ФЗ и защита ИСПДн.

Если платформа уже выбрана и нужен работающий агент на конкретном процессе — порядок работы, сроки и ориентир по цене собраны на странице разработки ИИ-агентов.