У меня простое правило: если задача повторяется больше двух раз - её пора делегировать. Раньше делегировал людям. Теперь - AI-агентам, которые работают с базой данных, таблицами и трекерами напрямую.
За три месяца я собрал систему из 17 AI-скиллов, которая закрыла всю финансовую отчётность B2B-платформы с 200+ партнёрами. Без единой строки традиционного кода.
Контекст: B2B-платформа и финансовая рутина
Я работаю PO в B2B-платформе на стыке страхования и финансов. Мы агрегируем финансовые продукты для партнёров: банков, кредитных организаций, маркетплейсов. Каждый партнёр хочет видеть свою воронку: заявки, конверсии, выдачи, комиссию.
При 200+ активных партнёрах отчётность превращается в конвейер:
Ежедневные отчёты - каждое утро партнёр ждёт цифры за вчера
Месячные сверки - сотни строк сделок, разбитых по поставщикам, с разными процентами деления
Ad-hoc запросы - “покажи конверсию по этому продукту за последние две недели”
Юридические документы - генерация типовых договоров для новых партнёров
2-3 часа в день, два человека. Классическая задача на делегирование - но делегировать оказалось некому. Зато появился инструмент, который умеет работать с SQL, API и таблицами самостоятельно.
Не один агент - цепочка агентов
Важный момент: это не “один умный бот, который делает всё”. Это система из специализированных агентов, каждый из которых решает конкретную задачу. В терминологии Claude Code каждый агент - это скилл (slash-command) с чётко описанной логикой.
Агенты связаны между собой через общую инфраструктуру:
MCP-сервер для базы данных (MS SQL, read-only) - агент формирует SQL, получает данные
Google Sheets API - создание таблиц, запись, форматирование, формулы
Google Drive - хранение файлов, загрузка вендорских выгрузок
Таск-трекер - синхронизация с задачами команды
GitLab API - анализ продуктивности разработки
Один агент генерирует финансовый отчёт. Другой - делает месячную сверку. Третий - собирает статистику по команде разработки. Четвёртый - транскрибирует аудиозаписи встреч и создаёт отчёты. Они не знают друг о друге, но работают в единой экосистеме.
Как работает самый частый скилл: финансовый отчёт
Менеджер вводит одну команду - название партнёра и период. Через 40 секунд в Google Sheets появляется готовый отчёт. Вот что происходит за эти 40 секунд:
1. Резолв контрагента Агент хранит маппинг человеческих псевдонимов на внутренние идентификаторы. Не нужно помнить UUID - достаточно короткого имени.
2. Запрос к базе данных Формируется SQL-запрос, который строит воронку по финансовому продукту: заявки → переходы → выдачи → комиссия. Запрос учитывает правильные статусы сделок - это отдельная история, потому что документация по базе и реальные индексы не всегда совпадают.
3. Агрегация Данные группируются по дням, считаются конверсии между этапами, суммы комиссий. У разных партнёров разные условия деления прибыли - агент это учитывает.
4. Запись и форматирование Таблица создаётся или обновляется: заголовки, данные, итоговые строки, числовые форматы, ширина колонок. Причём форматирование идёт строго после записи данных - если делать одновременно, API иногда применяет стили к пустым ячейкам.
5. Самопроверка Агент перечитывает записанное и сверяет с исходными данными. Это не перестраховка - Google Sheets API реально теряет строки при batch-записи. Без верификации ошибки неизбежны.
Месячные сверки: когда одного агента мало
Ежедневный отчёт - относительно простая задача. Месячная сверка - совсем другой уровень.
У одного партнёра трафик может идти через 3-4 поставщика. У каждого свой формат выгрузки, свои правила маппинга сделок, свои проценты. Нужно:
Загрузить файлы поставщиков из облака
Сопоставить каждую сделку с данными из нашей базы
Рассчитать комиссии с учётом разных сплитов для разных партнёров
Сформировать итоговый лист с формулами
Всё в одном документе с отдельными листами на каждого контрагента
Раньше одна сверка занимала полный рабочий день. Сейчас - команда с двумя параметрами и 3-5 минут ожидания.
Что ещё закрывает система
За три месяца агенты вышли далеко за пределы отчётности:
Скилл | Задача | Время |
|---|---|---|
Финансовый отчёт | Воронка по одному партнёру | 40 сек |
Дневной дайджест | Отчёт по всем активным партнёрам | 2-3 мин |
Месячная сверка | Сверка по поставщикам с формулами | 3-5 мин |
Генератор договоров | Типовой договор для нового партнёра | 1-2 мин |
Командный трекер | Управление продуктовой командой | интерактив |
GitLab-аналитика | Сравнение активности разработчиков по 17 репозиториям | 2-3 мин |
Митинг-репорт | Транскрипция встречи (600+ сегментов) → структурированный отчёт | 3-5 мин |
Рекрутинг | Поиск кандидатов по параметрам | интерактив |
17 скиллов, 9 MCP-серверов (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Ни одной строчки Python, Go или TypeScript. Вся логика - в markdown-файлах с инструкциями для агента.
Почему Claude Code, а не LangChain
Я перепробовал несколько подходов:
ChatGPT + Zapier - слишком примитивно, нет прямого доступа к базе
LangChain/LangGraph - нужен разработчик, долгий цикл итерации
Custom API + GPT-4 - работает, но каждое изменение = пересборка и деплой
Claude Code выиграл за счёт одной вещи: цикл обратной связи 30 секунд. Написал инструкцию → протестировал → поправил → работает. Без деплоя, без CI/CD, без Docker. MCP-серверы дают агенту прямой доступ к инфраструктуре, а скиллы - это просто текстовые файлы с бизнес-логикой.
Архитектура:
Claude Code - рантайм, мозг
MCP-серверы - мост к внешним системам (БД, Google, GitLab, Tracker)
Скиллы - markdown-файлы с инструкциями (бизнес-логика)
Google Sheets/Drive - слой представления для пользователей
Грабли, которые стоят вашего времени
Google Sheets API не атомарен. Записали 100 строк - в таблице может оказаться 97. Правило: после каждой записи обязательно перечитать и сверить. Без этого баги будут появляться регулярно и молча.
Документация базы врёт. MCP-сервер для SQL возвращает глоссарий с описанием таблиц. Но реальные значения полей-перечислений могут не совпадать с документацией. Мы потеряли день, пока не начали джойнить справочные таблицы напрямую вместо того, чтобы верить глоссарию.
Форматирование - отдельный этап. Если записывать данные и применять стили одновременно, API может отформатировать пустые ячейки (данные ещё не долетели). Сначала данные → проверка → потом визуал.
Контекст не бесконечен. При обработке больших объёмов (200+ строк) агент может потерять начальный контекст. Решение: агент ведёт лог каждого шага и периодически перечитывает его. Это звучит странно, но работает - по сути, агент создаёт себе “внешнюю память”.
Merge-коммиты дублируют статистику. При анализе продуктивности через GitLab API оказалось, что и feature-коммит, и merge-коммит считаются отдельно. А автогенерация (миграции ORM) может раздуть статистику на 20 000+ строк. Без фильтрации цифры бессмысленны.
Алиасы людей не совпадают между системами. Один и тот же разработчик может быть под разными именами в GitLab, трекере и корпоративной почте. Агент хранит маппинг алиасов - без этого отчёты по команде из 11 человек просто не соберутся.
Цифры
Метрика | Было | Стало |
|---|---|---|
Ежедневные отчёты | 2-3 часа/день | 5-10 минут |
Месячная сверка | 8 часов | 5 минут |
Генерация договора | 2-3 часа | 2 минуты |
Ошибки в отчётах | 3-5/месяц | 0 (верификация) |
Людей на финансовую рутину | 2 | 0 (PO сам) |
~60 человеко-часов экономии в месяц. Стоимость Claude Code - $200/месяц на Max-плане.
Три вещи, которые я вынес
AI-агенты - инструмент менеджера, не разработчика. PO, который понимает процесс, собирает рабочую автоматизацию быстрее, чем команда через классический цикл ТЗ → спринт → ревью → деплой. Потому что нет перевода с “бизнес-языка” на “код” и обратно.
MCP-серверы - это то, что превращает чат-бот в оператора. Без доступа к БД и API агент может только генерировать текст. С MCP он становится полноценным участником рабочего процесса, который работает с теми же системами, что и живой сотрудник.
Верификация важнее генерации. 80% усилий ушло не на промпты, а на систему проверок. Каждый шаг проверяется: данные записались? формулы сходятся? формат корректный? Агент, который не проверяет свою работу - это агент, который рано или поздно ошибётся молча.
Если вы менеджер и тратите часы на рутину с данными - начните с одного скилла. Автоматизируйте самый болезненный отчёт. Когда увидите, что задача на три часа делается за минуту - остальные 16 скиллов появятся сами.
Об авторе: Георгий Мотренко - PO / Head of Product Growth в B2B InsurTech/FinTech-платформе. Строит цепочки AI-агентов для автоматизации финансовых и продуктовых процессов.
