Когда простой скрипт лучше LLM-агента: недооценённый выбор

За 2024–2025 годы «агент» стал словом года в корпоративных презентациях: OpenAI, Anthropic и Google наперегонки показывают модели, которые сами планируют шаги, ходят по инструментам и выполняют многоступенчатые задачи. За этим шумом легко пропустить неудобную мысль: значительная часть задач, которые сейчас закрывают LLM-агентом, раньше решалась скриптом на пятьдесят строк — и решалась дешевле, быстрее и предсказуемее. Агент нужен там, где заранее неизвестен путь к цели. Если путь известен, лишний слой «рассуждающей» модели только добавляет задержку, стоимость токенов и точки отказа.

Что такое агент и чем он отличается от скрипта

Скрипт — это фиксированная последовательность шагов, которую вы написали заранее. Он делает ровно то, что в нём указано, и падает, если реальность не совпала с планом. Агент¹ строит план сам: получает цель, на каждом шаге спрашивает модель «что делать дальше», вызывает инструменты (поиск, API, код) и решает, когда остановиться.

Разница не в качестве, а в природе задачи. Скрипт хорош, когда шаги детерминированы. Агент оправдан, когда шаги зависят от промежуточных результатов и вы не можете описать их заранее в коде.

Агент — не апгрейд скрипта, а другой инструмент под другой класс задач. Заменять один другим «по умолчанию» — то же, что копать грядку экскаватором.

Где скрипт выигрывает

Есть три признака, по которым задача почти наверняка решается кодом, а не агентом.

• Путь известен заранее. «Скачай выгрузку, отфильтруй строки без email, отправь в CRM» — это не рассуждение, это ETL. Тут нечего планировать.
• Нужна воспроизводимость. Скрипт при одинаковом входе даёт одинаковый выход. Модель — нет: даже при temperature 0 поведение может дрейфовать между версиями. Для отчётности и биллинга это дисквалифицирует агента.
• Объём большой, а маржа на ошибку — низкая. Прогнать через LLM миллион строк дорого и медленно. Регулярное выражение или SQL сделают то же за секунды и бесплатно.

Скрытая цена агента

Автономный агент на каждом шаге отправляет в модель растущий контекст: цель, историю действий, результаты вызовов инструментов. Десять шагов — это десять запросов, и каждый следующий тяжелее предыдущего, потому что контекстное окно² заполняется историей. Одна и та же задача, решённая скриптом за один HTTP-запрос, у агента превращается в цепочку платных вызовов с суммарной задержкой в десятки секунд.

Скрипт, агент и промежуточный вариант

На практике выбор не бинарный. Между «жёстким кодом» и «полностью автономным агентом» есть workflow с одним вызовом модели — когда LLM делает ровно одну умную вещь (классифицирует, извлекает данные, переписывает текст), а всё остальное — обычный код.

Anthropic в своём инженерном материале «Building effective agents» (декабрь 2024) прямо советует начинать с самого простого решения и добавлять агентность только тогда, когда более простые паттерны — цепочки промптов и маршрутизация — перестают справляться. То есть автономность — крайняя мера, а не стартовая точка.

Кому это пригодится, а кому нет

Разберём по сценариям, а не по лозунгам.

Скрипта достаточно

• Ежедневная выгрузка и рассылка отчёта. Данные берутся из известного источника, формат фиксирован. Cron плюс скрипт — и никаких токенов.
• Массовая обработка однотипных файлов. Переименовать, сконвертировать, проверить по схеме. Правила заранее понятны.
• Интеграция двух API с известными полями. Тут нужен маппинг, а не «размышление».

Хватит одного вызова модели

• Разбор входящих обращений. Скрипт принимает письмо, один запрос к модели определяет категорию и тональность, дальше снова код раскладывает по очередям.
• Извлечение полей из неструктурированного текста. Из накладной в свободной форме вытащить сумму и контрагента — задача для одного вызова, а не для автономного цикла.

Агент оправдан

• Исследовательская задача без готового плана. «Найди причину падения выручки в этом регионе» — путь зависит от того, что обнаружится на каждом шаге.
• Работа в кодовой базе. Прочитать файлы, понять зависимости, внести правку, прогнать тесты, поправить по результату — здесь цикл «действие — наблюдение — следующее действие» и есть суть задачи.
• Взаимодействие с непредсказуемым интерфейсом. Навигация по сайту, где структура меняется, а жёсткий селектор постоянно ломается.

Как выбрать на практике

1. Опишите задачу шагами. Если получилось записать все шаги без слова «зависит от результата» — это скрипт.
2. Найдите шаги, требующие понимания текста или контекста. Их — и только их — отдайте модели одним вызовом.
3. Проверьте, остаётся ли неопределённость в порядке шагов. Если да и она принципиальна — вот тогда агент.
4. Посчитайте цену вопроса. Оцените число вызовов модели на один запуск и умножьте на частоту. Регулярная задача с высокой частотой почти всегда должна быть скриптом.

Логика простая: сложность решения должна соответствовать сложности задачи, а не моде на автономных агентов. Агент, который каждое утро делает то, что справился бы cron, — это не инновация, а счёт за токены.

¹ Агент — программа, где LLM в цикле сама выбирает следующее действие и вызывает внешние инструменты, пока не решит, что цель достигнута. Ключевое отличие от скрипта — план не зашит в код, а строится на ходу. ↩

² Контекстное окно — максимальный объём текста (в токенах), который модель обрабатывает за один запрос: и ваш ввод, и её ответ. У агента история шагов накапливается внутри этого окна, поэтому поздние шаги дороже ранних. ↩