# Артем Астапенко: «Сотрудник будущего — это оператор персонального парка ИИ-агентов»

Источник: https://www.youtube.com/watch?v=VPhwNkH9hgo
Канал: TechCommon
Опубликовано: 27.04.2026

---

Артем Астапенко, основатель платформы ia и эксперт Product University, утверждает, что эпоха простых ИИ-ассистентов заканчивается, уступая место автономным агентам. На TechMeetUp #10 спикер представил концепцию «агентизации», согласно которой современные компании, включая Amazon и Shopify, уже заменяют сотни сотрудников ИИ-системами, способными самостоятельно решать задачи в коде и инфраструктуре.

## 🤖 От ассистента к автономному агенту
[[JUMP:04:39]]

Основное различие между ИИ-ассистентом и ИИ-агентом заключается в автономности и ориентации на результат. Если ассистент (например, базовый ChatGPT) работает по принципу «вопрос-ответ» и часто галлюцинирует, обещая выполнить задачу («уже делаю презентацию»), которую не может довести до конца, то агент действует самостоятельно [04:13].

Антропик выделяет три уровня развития систем:

*   **Автоматизация (Automation):** выполнение заранее заданных workflow по четкому коду.
*   **Аргументация (Augmentation):** совместная работа человека и ИИ над документом (режим Canvas).
*   **Агенция (Agency):** постановка цели, которую ИИ выполняет автономно, сам выбирая инструменты [05:05].

По словам Артема Астапенко, агент — это циклическая система, которая работает до тех пор, пока не достигнет поставленного результата или не исчерпает лимиты [09:16].

## 🛠️ Анатомия и архитектура агента
[[JUMP:07:41]]

Для превращения стандартной языковой модели (LLM) в агента необходимо три ключевых компонента:

1.  **Memory (Память):** хранение истории сообщений и контекста выполнения задачи [08:23].
2.  **Planning (Планирование):** способность модели разбивать сложную цель на последовательные шаги.
3.  **Tools (Инструменты):** «ручки» или функции, которые агент может вызывать для взаимодействия с внешним миром (API, базы данных, терминал) [08:38].

Технически взаимодействие строится на перекладывании JSON-объектов. Модель получает текст и описание доступных функций (Tools), а возвращает JSON с именем функции и параметрами для её вызова [10:06]. Артем Астапенко подчеркивает, что для объединения разных моделей (OpenAI, Claude, Gigachat) удобно использовать прокси-сервис **LightLLM**, который приводит их к единому стандарту [06:24].

## 🔌 Протокол MCP: стандарт для инструментов
[[JUMP:11:11]]

Одной из главных проблем разработки агентов ранее была необходимость вручную прописывать интерфейсы для каждой функции. Решением стал протокол **Model Context Protocol (MCP)**, предложенный разработчиками Claude [11:11].

*   MCP работает аналогично Swagger для API, предоставляя стандартизированное описание инструментов.
*   Существует уже около 30 000 – 40 000 готовых MCP-инструментов, которые можно подключать к любым моделям [11:24].
*   Google Chrome недавно добавил поддержку MCP, что позволяет агентам напрямую взаимодействовать с браузером и фиксить фронтенд-баги [26:22].

## ⚠️ Проблемы контекста и галлюцинаций
[[JUMP:13:06]]

Эффективность агента резко падает, если дать ему слишком много инструментов одновременно. Исследования Microsoft показывают, что оптимальное количество инструментов для одного агента — не более 20; при превышении этого числа модель начинает «путаться» [14:53].

Критическим вопросом остается управление контекстом:

*   История вызовов инструментов (tool calling) быстро раздувает контекстное окно, увеличивая стоимость и снижая точность ответов [13:32].
*   Решение заключается в создании мультиагентных систем, где сложная задача дробится между узкоспециализированными агентами (например, аналитик, архитектор, разработчик) [19:49].
*   Для борьбы с галлюцинациями и опасными действиями (например, случайное удаление базы данных) крайне важен **Sandboxing** — запуск агента в изолированном и безопасном окружении [23:08].

## 💼 Прикладное применение в IT и бизнесе
[[JUMP:15:47]]

Артем Астапенко выделил несколько реальных кейсов, где агенты уже показывают высокую эффективность:

*   **Автоматический бакфиксер:** агент перехватывает ошибки из Sentry, создает задачу в Jira и предлагает Pull Request с исправлением [16:00].
*   **Администрирование Kubernetes:** агент с MCP-доступом к кластеру может самостоятельно разобраться, почему упал под, и найти причину сбоя [16:39].
*   **Контент-фабрики:** мультиагентные системы ведут Telegram-каналы, анализируют хуки конкурентов и генерируют десятки вариантов лендингов, выбирая лучший на основе метрик [27:15].
*   **Поиск работы:** существуют решения, которые автоматически мониторят вакансии на HH.ru и пишут персонализированные сопроводительные письма [28:01].

Будущее рынка труда спикер видит не в полной замене людей, а в появлении «операторов агентов». Каждый инженер будет приходить на работу со своим набором отлаженных MCP-инструментов, подобно тому как строитель приходит со своим профессиональным оборудованием [18:16].