Агентный AI: 7 ошибок новичков, которые дорого стоят

Осенью 2024 — весной 2025 крупные разработчики выкатили инструменты, которые превращают чат-бота в исполнителя: Anthropic показала Claude с функцией computer use и режим агентного кодинга Claude Code, OpenAI дал ChatGPT доступ к браузингу, коду и кастомным функциям, а в open-source закрепились фреймворки LangGraph, CrewAI и AutoGen. Идея одна: вы формулируете цель, а агент¹ сам планирует шаги, вызывает инструменты и доводит задачу до конца. Проблема в том, что новичок обычно ждёт от агента разумности, а получает буквальность — и платит за это токенами, временем и испорченными файлами.

Ниже — ошибки, которые повторяются почти у каждого, кто запускает агента впервые, и что с ними делать.

Ошибка 1. Давать агенту цель, а не границы

Формулировка «наведи порядок в проекте» для человека понятна, для агента — приглашение к самодеятельности. Он может удалить файлы, которые счёл лишними, переписать рабочий код под свой вкус или уйти в бесконечный цикл рефакторинга. Агент не знает, что для вас ценно, пока вы это не сказали.

Рабочая формулировка задаёт рамку: что можно трогать, что нельзя, когда остановиться. Вместо «сделай тесты зелёными» — «исправь только файл parser.py, не меняй сигнатуры публичных функций, если тест не проходит после трёх попыток — остановись и покажи, что мешает».

Агент выполняет то, что вы написали, а не то, что вы имели в виду. Разница между этими двумя вещами оплачивается из вашего кармана.

Ошибка 2. Не ограничивать бюджет и число шагов

Агент работает в цикле: подумал — вызвал инструмент — получил результат — подумал снова. Каждый виток — это новый запрос к модели, и он оплачивается токенами. Без лимита на количество итераций агент, застрявший на нерешаемой задаче, будет крутить один и тот же цикл, пока вы не заметите счёт.

Большинство фреймворков позволяют задать максимум шагов (max_iterations или аналог) и лимит расходов. Ставьте их до первого запуска, а не после того, как увидели списание. На незнакомой задаче начинайте с 5–10 шагов и смотрите, куда агент идёт.

Ошибка 3. Давать полный доступ сразу

Соблазн понятен: подключить агенту терминал, файловую систему и API платёжного сервиса, чтобы он «всё сам». Но агент, который может выполнять произвольные команды в вашей системе, — это уязвимость, а не помощник. Достаточно неудачной формулировки или инъекции промпта² через данные, которые он читает, чтобы получить rm -rf в неожиданном месте.

• Начинайте с песочницы: отдельный контейнер, тестовая копия данных, ограниченный набор инструментов.
• Для действий с необратимыми последствиями (удаление, платежи, отправка писем) ставьте подтверждение человеком — режим human-in-the-loop есть почти во всех фреймворках.
• Не давайте продакшн-ключи и доступ к реальным деньгам, пока не проверили поведение агента на десятках прогонов.

Ошибка 4. Игнорировать контекстное окно

Агент накапливает историю: каждый шаг добавляется в контекстное окно³. На длинной задаче окно переполняется, и модель начинает «забывать» ранние инструкции — те самые границы, которые вы задали в начале. Отсюда странное поведение к середине сессии: агент нарушает правило, о котором вы договорились сто шагов назад.

Решения — сжатие истории, вынос стабильных инструкций в системный промпт (он не вытесняется) и хранение больших данных вне диалога, с подгрузкой по запросу через RAG⁴, а не запихиванием всего текста в контекст.

Ошибка 5. Верить логам агента как правде

Агент пишет «файл успешно обновлён», а файл не изменился. Модель может отрапортовать об успехе, которого не было, потому что она предсказывает правдоподобный текст, а не проверяет реальность. Особенно это опасно в кодинге и работе с данными.

Не доверяйте самоотчёту. Проверяйте результат независимо: запускайте тесты, читайте изменённые файлы через git diff, сверяйте цифры. Агент — исполнитель под надзором, а не сотрудник, которому вы делегировали задачу и забыли.

Ошибка 6. Выбирать самый дорогой инструмент под всё подряд

Новичок часто ставит топовую модель на каждый шаг агента, включая тривиальные — переформатировать строку, распарсить JSON. Это переплата в разы. Многошаговые задачи выгоднее строить на смеси: сильная модель для планирования, дешёвая и быстрая — для рутинных вызовов.

С чем сравнивать на старте

Точные цены подписок и стоимость токенов меняются часто — сверяйте их на официальных страницах Anthropic и OpenAI перед тем, как считать бюджет проекта.

Ошибка 7. Ждать автономности там, где нужен диалог

Полностью автономный агент хорош на узких, воспроизводимых задачах с чёткой проверкой результата. На творческих, размытых или высокорисковых — он буксует, потому что не может уточнить, чего вы хотите, и заполняет пробелы догадками. Часто быстрее работает не «запусти и уйди», а короткие итерации с проверкой на каждом шаге.

Кому агенты пригодятся, а кому пока нет

Пригодятся, если у вас есть:

• Повторяемая рутина с ясным критерием готовности — прогнать тесты, разложить письма по папкам, собрать данные из нескольких источников в таблицу.
• Возможность проверить результат автоматически (тесты, схема данных, чек-лист).
• Песочница, где ошибка агента ничего не ломает необратимо.

Пока лучше не отдавать агенту:

• Действия с деньгами и юридическими последствиями без подтверждения человеком.
• Задачи без объективного критерия «сделано» — тут вы всё равно проверяете каждый шаг, и выигрыша в автономности нет.
• Работу с чувствительными данными в неизолированной среде.

¹ Агент — программа на базе языковой модели, которая в цикле планирует действия, вызывает внешние инструменты (код, поиск, API) и использует их результаты для следующего шага, а не просто отвечает текстом.

² Инъекция промпта — подмена инструкций через данные, которые модель читает (текст на странице, содержимое файла): злоумышленник прячет команду, и агент выполняет её как свою задачу.

³ Контекстное окно — максимальный объём текста (в токенах), который модель удерживает за один раз: и ваш запрос, и история диалога, и подгруженные данные вместе.

⁴ RAG (retrieval-augmented generation) — подход, при котором нужные фрагменты данных ищутся во внешнем хранилище и подаются модели по запросу, вместо того чтобы держать весь массив в контексте.