Средний ИИ-агент, который принимает заявки и ведёт диалог с клиентом, собирается из открытых репозиториев за один вечер: 3–4 часа от пустого каталога до работающего прототипа. Не нужны ни команда из пяти инженеров, ни собственные модели — LangChain, CrewAI, AutoGen и Ollama закрывают порядка 80% типовой задачи. Разберём, что именно даёт каждый репозиторий, как выглядит сборка и чем прототип отличается от системы, которую можно отдать в продакшен.

Почему агентов собирают из репозиториев, а не пишут с нуля

Пять лет назад агент означал сотни строк собственной оркестрации: циклы, очереди, память, интеграции. Сегодня эти проблемы решены в открытых фреймворках, и писать с нуля — значит повторять чужую работу. Готовый стек даёт сразу:

Плюс важный для российского бизнеса момент: открытый стек поднимается на своих серверах, и данные не уходят к зарубежному провайдеру. Это снимает половину вопросов 152-ФЗ ещё до начала проекта.

Четыре репозитория, которые закрывают почти всё

Это не «посмотрите, что есть на GitHub», а рабочий минимум: каркас, мультиагентность, диалог и локальная модель. Каждый репозиторий решает свою часть, вместе они собираются в одну систему.

LangChain — каркас, с которого начинают

LangChain — самый популярный фреймворк для построения агентов: порядка 100 тысяч звёзд на GitHub (оценка на конец 2026 года) и огромная экосистема интеграций. Он даёт цепочки вызовов модели, память, подключение инструментов и готовые модули для RAG. Если не знаете, с чего начать, — начинайте с LangChain: на нём проще всего собрать первого агента и не запутаться в деталях.

CrewAI — команда агентов с ролями

CrewAI позволяет описать не одного агента, а команду: например, «аналитик», который собирает данные, и «менеджер», который превращает их в отчёт. Каждый участник получает роль, цель и набор инструментов, а фреймворк сам планирует порядок работы. Для бизнес-сценариев это удобнее, чем писать оркестрацию руками: роли читаются как описание процесса, а не как код.

AutoGen — агенты, которые общаются между собой

Проект Microsoft Research для мультиагентных сценариев. Его фишка — агенты ведут диалог друг с другом и с пользователем, а один из них может исполнять код и проверять результаты. Это удобно там, где нужна не просто пара «спросил — ответил», а цепочка рассуждений с проверкой: например, агент-планировщик и агент-исполнитель, которые договариваются между собой.

Ollama — локальные модели без облака

Ollama запускает открытые модели — Llama, Qwen, Mistral и другие — одной командой на обычном сервере или ноутбуке. Это не фреймворк для агентов, но критичная часть стека: модель можно держать у себя, работать офлайн и не платить за каждый запрос. LangChain и CrewAI подключаются к Ollama через OpenAI-совместимый интерфейс, так что замена облачного API на локальную модель занимает минуты.

Собираем ассистента за вечер: пошагово

Конкретный план, по которому прототип появляется за один вечер:

  1. Задача и сценарий (около часа). Опишите на странице: что на входе, что на выходе, кто отвечает за ошибку. Хороший сценарий — половина успеха, и это единственный шаг, который нельзя делегировать модели.
  2. Модель (30 минут). Решите, где живёт модель: Ollama локально или API. Для прототипа подойдёт любой вариант, для данных клиентов — только локальный.
  3. Каркас (1–1,5 часа). Поднимите LangChain или CrewAI, создайте первого агента с ролью и одним инструментом. Не добавляйте функций, пока не заработает базовая цепочка.
  4. Инструменты (час). Подключите то, что реально нужно: поиск по документам, таблицу, форму заявки. Один работающий инструмент лучше пяти, которые «почти готовы».
  5. Тест и правки (30 минут). Прогоните сценарий целиком, поправьте промпты и границы. Вечер закончится работающим прототипом — это и есть цель.

От прототипа к продакшену: что меняется

Прототип отвечает «в целом правильно», продакшен обязан не ошибаться в 99% случаев. Между ними — работа, которую репозитории за вас не делают:

Правило простое: чем ближе к деньгам — заявки, оплаты, документы, — тем меньше места для эксперимента. Прототип собирается за вечер, но вывод в продакшен — это проект с тестами, метриками и запасным планом.

Когда репозиториев недостаточно

Открытый стек отлично закрывает типовые сценарии, но есть задачи, где готовых репозиториев мало: интеграции со специфичными системами — 1С, CRM, телефония; сложные бизнес-правила, которые не описать промптом; гарантии и поддержка 24/7, когда агент становится частью продаж. В этих случаях фреймворк остаётся фундаментом, а систему вокруг него достраивает команда.

4 часа— вечер сборки прототипа
100K+звёзд у LangChain и CrewAI
80%типовых задач закрывают готовые стеки
Главное правило сборки: начинайте с задачи, а не с фреймворка. Сначала опишите сценарий одной страницей — что на входе, что на выходе, кто отвечает за ошибку. Потом выбирайте репозитории. Так вечер сборки не превратится в месяц экспериментов.

Собрать прототип — половина дела. Если нужен агент, который работает в вашей инфраструктуре, принимает заявки и не ломается в пятницу вечером, — посмотрите, как мы выводим такие системы в продакшен.