Если вы, как и я, залипаете на новостях про AI, то наверняка слышали про «агентов». Это не просто чат-боты, а полноценные виртуальные сотрудники, которые могут сами ставить себе задачи, искать инфу в гугле и даже пользоваться другими сервисами.
И я подумал: а что, если собрать из таких агентов целую команду, которая закроет самые нудные и дорогие этапы в запуске продуктов? Так родились два моих небольших проекта: AI Product Manager и AI Strategy Consultant (заодно почему бы не нанять себе кого-то из Большой Тройки).
Спойлер: это не научная фантастика. Это реально работающий прототип, который можно собрать на современных платформах. Рассказываю, как это устроено, и делюсь главным секретом, почему это взлетело.
Проблема: Дорого, долго и велик шанс ошибиться
Все мы знаем эту боль.
Как продакт, ты тратишь недели на ресерч рынка, копание в отзывах, анализ конкурентов. А потом еще нужно придумать гениальную идею, которая не окажется «очередным приложением для заметок». Цена ошибки — месяцы разработки впустую.
Как стратег (или C-level), ты пытаешься понять, куда двигать компанию. Нужно проанализировать тонны данных, оценить риски, разработать несколько сценариев... Часто на это зовут дорогих консультантов, которые выдают 100-страничный талмуд, который потом пылится на полке.
Что если бы можно было вписать свою задачу, нажать кнопку и получить 80% этой работы за 15 минут и почти бесплатно?
Подход, который всё изменил: «Команда, а не один супер гений»
Моя первая мысль была — создать одного мега-агента «Супер-Продакта». Идея заманчивая, но это оказался путь в никуда. LLM-ки, даже самые мощные, хороши в чем-то одном, но начинают «плыть» и путаться, когда на них сваливают сразу десять разноплановых задач. Они как гениальный, но неорганизованный фрилансер. Вам необходимо самим хорошо разбираться, чтобы ставить каждый раз атомарные задачи и ждать их выполнения, чтобы двигаться дальше.
Но не так давно в мире AI произошел тихий, но тектонический сдвиг. Появились фреймворки и протоколы, такие как MCP (Multi-agent Communication Protocol) и подобные ему архитектуры (например, в LangChain и других библиотеках). Если говорить просто, разработчики наконец-то создали универсальный «язык» и «почту» для общения между разными AI-агентами.
Раньше каждый агент был сам по себе, в своем вакууме. А теперь они могут слать друг другу сообщения, передавать файлы, ставить задачи и даже просить о помощи. Именно это позволило реализовать ключевую идею: создать команду узких специалистов. Вместо одного перегруженного гения — слаженный коллектив, где у каждого своя роль, свои инструменты и своя зона ответственности. А над ними стоит босс — PM Оркестратор.
Вот как выглядит моя «команда мечты» для AI-Продакта, построенная на этом принципе:
AI-Оркестратор (PM Director): Единственный, с кем общается человек. Он — мозг операции. Его работа — понять задачу, нарезать её на подзадачи и раздать команде.
Рыночный аналитик: Его инструмент — Google. Он шерстит интернет, ищет тренды, боли пользователей на форумах и в соцсетях.
Конкурентный разведчик: Тоже с гуглом, но задача другая — найти всех конкурентов, проанализировать их сайты, цены, фичи и найти слабые места.
Генератор гипотез: Самый креативный парень. Он не ходит в интернет. Оркестратор даёт ему отчеты от первых двух, и его задача — на их основе придумать 3-5 крутых идей для продукта.
Валидатор: Прагматик. Берет одну идею и быстро прикидывает: а есть ли там вообще рынок? Какой спрос? Высокая ли конкуренция?
Их принцип работы последовательный: Оркестратор запустил Аналитика -> получил отчет -> отдал его Разведчику -> получил второй отчет -> скормил оба отчета Креативщику -> получил идеи -> выбрал одну и отдал Валидатору.
А как же внутренние данные?
Окей, с публичными данными понятно. Но что делать, если проблема внутри продукта? Например, «у нас упало удержание пользователей на 10%». AI же не может залезть в нашу аналитику (пока)!
В принципе, и не должен. Здесь как раз есть опция «Human-Supplied Data Protocol». Работает так:
Агент понимает, что для анализа ему нужны внутренние данные.
Он не пытается их найти. Вместо этого он ставит воркфлоу на паузу.
Оркестратор вежливо просит у пользователя: «Чтобы проанализировать отток, мне нужен CSV-файл с данными по удержанию за последние 90 дней. Вот требуемые колонки: [...]».
Пользователь предоставляет данные и скидывает их в чат.
Агент говорит «Спасибо!», берет файл и продолжает работу.
Таким образом контроль остается у человека. Агент работает только с тем, что ему дали.
На сдачу - апгрейд до Стратегического Консультанта: Добавляем RAG!
Продакт-менеджер — это круто. Но настоящий кайф — это AI-Стратег. Его задачи сложнее: PESTLE-анализ, Пять сил Портера, разработка полноценной стратегии. Простого гугления тут мало.
Здесь пришлось добавить RAG (Retrieval-Augmented Generation). Если по-простому, это наша собственная, приватная база знаний. Я поднял RAG на Vertex AI и загрузил туда:
Кейсы из McKinsey и BCG, которые смог найти в открытом доступе.
Умные книги по стратегии от самих консультантов.
Теперь у моих агентов появился новый инструмент — назовем его query_knowledge_base.
Как это изменило принцип:
Аналитик, прежде чем гуглить, сначала спрашивает нашу базу: «Эй, у нас есть что-нибудь по рынку финтеха в Юго-Восточной Азии?».
Стратег-креативщик спрашивает: «Какие стратегии обычно работают для вывода B2B SaaS на рынок США? Покажи кейсы».
Это превратило агентов из просто умных ребят в настоящих экспертов, которые опираются не только на интернет, но и на накопленную экспертизу.
Безусловно это все надо обложить промптами и описать последовательность и структуру действий, но в целом данный подход можно реализовать для различных комплексных задач, где уже не хватает одного базового промпта на все случаи.
Так что, увольняем всех и ждем Скайнет?
Конечно же, нет :) Давайте будем реалистами. Никакой AI в ближайшее время не заменит живого человека, который может пообщаться с клиентом, почувствовать рынок и взять на себя ответственность.
Всё, что я описал выше — это мой личный эксперимент и попытка нащупать будущее. Я не претендую на абсолютную истину, а лишь делюсь подходом, который показался мне интересным и рабочим. Создавайте свои цепочки и комбинации, подходящие именно вам под ваши задачи.
Считайте эту систему не «убийцей профессий», а супер-помощником на стероидах. Он не примет за вас решение, но подготовит для него самую полную и структурированную базу, какую только можно представить. А это, согласитесь, уже чертовски много.
В качестве заключения
Покопавшись во всём этом, я понял, что мы не изобретаем велосипед, а просто ставим на него реактивный двигатель. Все ключевые принципы оказались до боли знакомыми.
«Один в поле не воин». Принцип — «Разделяй и властвуй».
Забудьте про идею одного мега-мозга. Будущее за командами AI-специалистов. Аналитик, креативщик, планировщик — каждый делает своё дело, а магия происходит на стыке, в их общении. Мощь не в одном умном агенте, а в том, как они работают вместе.Без головы никуда. Принцип — «Нужен босс».
Любая команда без лидера — балаган. Оркестратор — самый важный элемент. Это не просто «еще один агент», а дирижер, который видит всю картину. Именно на него нужно ставить самую мощную LLM, потому что его работа — не данные копать, а управлять процессом.RAG — не панацея. Принцип — «Библиотека без читателя бесполезна».
Сейчас все помешались на RAG, но это не самоцель. RAG — это ваша личная супер-библиотека. Но она бесполезна, если другие агенты не умеют вовремя задать ей правильный вопрос и встроить ответ в общую логику. Это просто мощный инструмент в цепочке, а не вся цепочка целиком.Контроль — это всё. Принцип — «Доверяй, но проверяй».
И самое главное. Вся эта AI-автономия должна быть на коротком поводке. Протокол, по которому агент вежливо просит у вас данные, а не ищет их сам — это не костыль, а фундамент. Нужно строить не черный ящик, а мощный инструмент, где руль и педали всегда остаются в руках человека (пока).
А где пруфы?
Рабочий прототип размещен в Google Сloud на free tier и недоступен напрямую из РФ... но? если вы сможете обойти это ограничение, то попробовать, что получилось, можно здесь https://shorturl.at/k64jj
Интересно узнать ваше мнение! Какие еще профессии можно «собрать» из команды AI-агентов? Пишите в комментах.