ИИ-агент в Staqflow: инструменты, память и автоматизация запросов

В Staqflow появилась нода «ИИ-агент». Она получает запрос, обращается к языковой модели и даёт ей возможность вызывать подключённые инструменты: читать данные из базы, искать сделки в CRM, отправлять сообщения или запускать другой рабочий процесс. Порядок обращений к системам зависит от содержания запроса. Разбираем устройство агента, настройки памяти и ограничения, которые нужно учитывать перед запуском.

Когда нужен ИИ-агент в workflow

Обычный процесс выполняет заранее заданную последовательность. Например, по расписанию выгружает заказы в таблицу или отправляет письмо при появлении лида. Если из входящего письма нужно извлечь поля, достаточно ноды «Языковая модель» внутри такого процесса.

Агент полезен, когда порядок действий зависит от вопроса. В поддержке один пользователь уточняет статус заказа, другой просит счёт, третий сообщает об ошибке доставки. Модель выбирает нужный инструмент, получает результат и определяет следующий шаг. При этом агент может быть частью обычного workflow: поток принимает и проверяет данные, затем передаёт ему задачу, требующую выбора действий.

Из чего состоит агент

На холсте это нода с входом для запроса и выходом с ответом. К нижним портам подключают подноды:

• Модель чата — обязательное подключение. Здесь выбирают провайдера и модель, задают температуру и предел токенов.
• Память — необязательное хранилище истории разговора.
• Инструменты — операции, которые разрешено вызывать модели. Количество подключений не ограничено этой схемой.
• Запасная модель — включается отдельной настройкой и используется при ошибке или лимите основной.
• Формат ответа — позволяет получить результат по JSON-схеме или списком вместо свободного текста.

В самой ноде задают «Запрос» и «Системное сообщение». Запрос обычно поступает из вебхука или Telegram. Системное сообщение описывает роль, тон и границы: например, проверять статус инструментом, не придумывать цены и передавать сотруднику вопросы, для которых недостаточно данных.

Интеграции становятся инструментами модели

Режим инструмента доступен у 150 нод каталога. Среди них — Postgres, ClickHouse, Битрикс24, amoCRM, Telegram, почта, HTTP-запрос, операции с датой и Google Таблицы. Подключённая нода сообщает агенту, какую операцию можно выполнить.

Параметры можно разделить на фиксированные и определяемые моделью. Например, таблицу и схему базы задать заранее, а номер заказа получить из запроса. Кнопка «Значение задаст модель» подставляет выражение $fromAI('order_id', 'номер заказа клиента', 'string'). Значение аргумента модель передаст при вызове.

Поле «Описание для модели» объясняет назначение инструмента. Можно сохранить автоматическое описание по типу ноды и операции либо написать своё: например, «Возвращает статус заказа по его номеру». От точности этого описания зависит выбор операции; ненужные или неоднозначно описанные инструменты усложняют отладку.

Вызов рабочего процесса, MCP и другие агенты

Инструмент «Вызвать рабочий процесс» подключает соседний процесс того же пространства. Поля входа становятся аргументами, а результат последней ноды возвращается агенту. Так можно оформить эскалацию или запись в систему как отдельную цепочку с проверками.

«MCP-клиент» подключает внешний MCP-сервер: его инструменты и схемы аргументов становятся доступны агенту. Поддерживаются HTTP Streamable и SSE, авторизация Bearer-токеном или заголовком. Можно разрешить все инструменты, только выбранные либо все, кроме перечисленных. Ограничение набора сокращает объём описаний в запросе и число возможных ошибочных выборов.

Один агент также может работать инструментом другого — со своей моделью, памятью и набором операций. В схеме с координатором верхний агент выбирает специалиста, а тот решает задачу в своей области.

Память сохраняет контекст переписки

Без памяти каждый запрос обрабатывается отдельно. С историей агент может связать уточнение «а на какой адрес?» с заказом из предыдущих сообщений. Доступны четыре хранилища: встроенная «Память Staqflow», Postgres, Redis и MongoDB. Встроенное хранилище не требует подключения внешней базы; для сессии действует срок хранения. Остальные варианты можно разместить в собственном контуре.

Формат внешних хранилищ совместим с LangChain и n8n: в частности, можно подключить существующую таблицу n8n_chat_histories. «Ключ сессии» определяет, к какой переписке относится история. Для Telegram используют ID чата — {{ $json.message.chat.id }}.

«Окно контекста» задаёт число последних обменов, передаваемых модели целиком; по умолчанию их пять. При включённом сжатии более ранние обмены пересказываются в сводку, которая передаётся перед этим окном. Нода «Менеджер памяти» позволяет читать, дополнять и очищать историю: например, обрабатывать команду /reset или добавлять сведения из CRM перед ответом.

Как настроить и проверить первого агента

1. Создайте процесс и выберите триггер: вебхук, Telegram или расписание.
2. Добавьте «ИИ-агент» и передайте текст сообщения в поле «Запрос».
3. Через нижний порт подключите «Модель чата», выберите провайдера и укажите ключ.
4. Если нужен контекст разговора, добавьте память и задайте ключ сессии.
5. Подключите необходимые инструменты. Опишите их назначение, зафиксируйте постоянные параметры и отметьте поля, значения которых определяет модель.
6. В системном сообщении задайте роль, запреты и условия передачи вопроса человеку.
7. Выполните пробный запуск. В панели «Выход» откройте «Шаги агента» и проверьте аргументы, результаты и последовательность вызовов.

Для первого запуска разумно оставить только поиск и чтение: без подключённых операций записи агент не сможет изменять данные. Операции записи можно вынести в отдельный workflow с проверками. Описание инструмента и системное сообщение помогают управлять поведением, но не заменяют проверку результата и ограничения доступа.

Сценарии для поддержки и обработки заявок

Поддержка в Telegram

Возможная схема объединяет триггер Telegram, агента и память с ключом по ID чата. Инструментами становятся поиск клиента в Битрикс24, чтение статуса заказа из базы, расчёт доставки по API перевозчика и вызов процесса эскалации. Агент выбирает нужное обращение к системе, а неразрешённый вопрос передаёт сотруднику.

Заявка из формы, 1С и CRM

Агент может разбирать текст формы, искать контрагента в 1С, проверять наличие сделки в amoCRM и передавать резюме менеджеру. Настройка «Инструменты по одному» ограничивает шаг одним вызовом: модель получает результат до следующей операции. Это помогает выстроить последовательную проверку; достоверность контрагента и условия создания сделки всё равно необходимо проверять.

Фотографии, скриншоты и структурированный результат

Опция «Картинки из входа» включена по умолчанию. Изображения из бинарных полей передаются модели вместе с запросом: до десяти изображений и до 20 МБ на элемент. Так можно разобрать фото дефекта или скриншот ошибки без отдельной ноды анализа. Если следующему шагу нужны поля, включите «Требовать формат ответа» и подключите «Структурированный ответ» с JSON-схемой. Структура ответа не гарантирует правильность распознанных фактов.

Помощник по внутренней документации

Агенту можно дать поиск по базе знаний через эмбеддинги, чтение файлов через распознавание документов и внешний MCP-сервер с документацией. Для отбора контекста также пригодится переранжирование. В правилах ответа следует отдельно предусмотреть ситуацию, когда источник не найден или сведений недостаточно.

Лимиты, провайдеры и учёт потребления

По умолчанию агенту доступно десять шагов вызова инструментов на запрос. Предел и ограничение времени меняются в параметрах. После исчерпания шагов выполняется заключительный проход без инструментов: модель отвечает на основе уже полученных данных и должна обозначить, что выяснить не удалось.

Нужна модель с поддержкой вызова инструментов. В ноде «Модель чата» доступны OpenAI, Anthropic, Gemini, Mistral, Groq, DeepSeek, Qwen, xAI, OpenRouter и серверы с OpenAI-совместимым API. На дату исходной публикации GigaChat, YandexGPT и Perplexity в этой ноде не предлагаются из-за особенностей вызова функций; в обычной ноде «Языковая модель» они продолжают работать.

Для агента и модели учитываются фиксированное процессорное время и трафик по токенам ответа провайдера. Инструменты расходуют ресурсы при фактическом вызове; само подключение неиспользованной ноды не означает выполненную операцию. При оценке затрат нужно учитывать число шагов и обращения к внешним системам.

В истории «Шаги агента» видны основная и запасная модели, память с ключом сессии, токены, аргументы и результаты каждого инструмента. Процесс можно открыть, проверить и выгрузить файлом. MCP-сервер Staqflow поддерживает типы портов агента, модели, памяти и инструментов: схему можно собрать из Claude или Cursor, затем доработать на холсте.

С чего начать внедрение

Выберите один тип запроса и два-три инструмента. Сначала проверьте поиск и чтение на примерах с известным ответом, затем изучите историю вызовов. Добавляйте новые операции после проверки их описаний и ограничений. Права и доступы задаются на уровне пространства; подключение агента не отменяет эти настройки.

Для оценки роли агентов в общей автоматизации смотрите сравнение способов построения процессов и STAQ.WorkflowAI.

Подробнее о возможностях автоматизации — на сайте Staqflow.