15 промтов для создания AI-агентов: LangChain, AutoGPT, CrewAI
Июль 2026 года. AI-агенты из хайповой технологии превратились в рабочий инструмент. LangChain, AutoGPT и CrewAI — три ключевых фреймворка, которые позволяют строить как простых ассистентов, так и сложные multi-agent системы. Проблема в том, что без правильного промта любой агент деградирует до уровня обычного чата. Эта подборка — готовая шпаргалка с 15 проверенными промтами (5 для каждого фреймворка) с кодом и пояснениями.
Что важно знать перед стартом
- LangChain — фреймворк для цепочек LLM-вызовов с памятью и инструментами (по документации LangChain v0.3).
- AutoGPT — экспериментальный проект (репозиторий Significant-Gravitas/AutoGPT на GitHub), который создаёт автономных агентов с целями.
- CrewAI — библиотека для multi-agent оркестрации (по документации crewai.com), где агенты работают как команда.
Все промты тестировались на GPT-4o и Claude 3.5 Sonnet. Используйте их как шаблоны — адаптируйте под свою задачу.
5 промтов для LangChain
1. Агент с памятью и поиском в базе знаний
Задача: Агент, который помнит историю диалога и ищет ответы в документах (RAG).
from langchain.agents import create_react_agent, AgentExecutor
from langchain.memory import ConversationBufferMemory
from langchain_community.vectorstores import FAISS
prompt = """Ты — агент поддержки. Используй историю диалога и базу знаний для ответа.
Если информации нет — скажи 'Я не знаю, но могу уточнить у человека'.
Инструменты: search_knowledge_base(query) — ищет в FAISS.
История: {chat_history}
Вопрос: {input}
Ответ:"""
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)
Пример: Пользователь спрашивает «Какая политика возврата?». Агент ищет в FAISS и отвечает: «Согласно политике, возврат возможен в течение 30 дней с чеком».
2. Агент-аналитик данных
Задача: Агент, который пишет SQL-запросы и интерпретирует результаты.
prompt = """Ты — аналитик. Твоя задача — написать корректный SQL-запрос для PostgreSQL.
Схема БД: таблица orders (id, user_id, amount, created_at).
Отвечай только SQL-запросом и кратким пояснением.
Запрос пользователя: {input}
SQL:"""
Пример: На вопрос «Сколько заказов было в июне 2026?» агент генерирует: SELECT COUNT(*) FROM orders WHERE created_at BETWEEN '2026-06-01' AND '2026-06-30';
3. Агент-переводчик с проверкой
Задача: Переводит текст на заданный язык и проверяет смысл через обратный перевод.
prompt = """Ты — переводчик. Переведи текст на {target_lang}. После перевода сделай обратный перевод на исходный язык и сравни смысл. Если смысл потерян — исправь.
Исходный текст: {text}
Перевод:
Обратный перевод:
Финальная версия:"""
Пример: Ввод «The quick brown fox jumps over the lazy dog» на французский. Агент выдаёт «Le renard brun rapide saute par-dessus le chien paresseux», затем обратный перевод и финальную версию.
4. Агент-планировщик задач
Задача: Разбивает сложную задачу на шаги и выполняет их последовательно.
prompt = """Ты — планировщик. Разбей задачу на 3-5 шагов. Выполняй шаги по очереди, используя инструменты. После каждого шага сообщай результат.
Задача: {task}
Шаг 1:
Результат 1:
Шаг 2:
..."""
Пример: «Напиши пост для блога». Агент: Шаг 1 — сбор идей, Шаг 2 — написание черновика, Шаг 3 — редактура.
5. Агент-валидатор кода
Задача: Проверяет код на ошибки и предлагает исправления.
prompt = """Ты — код-ревьюер. Проверь код на наличие багов, уязвимостей и проблем с производительностью. Используй инструмент run_code для теста.
Код: {code}
Ошибки:
Исправления:
"""
Пример: Ввод print('Hello' — агент находит синтаксическую ошибку и предлагает print('Hello').
5 промтов для AutoGPT
6. Исследователь рынка
Задача: Автономный агент собирает данные о конкурентах.
Role: Исследователь рынка
Goals:
1. Найти топ-5 конкурентов в нише {niche}
2. Собрать их цены, продукты и отзывы
3. Составить отчёт в Markdown
Constraints:
- Не использовать платные API
- Проверять источники на достоверность
Пример: Для ниши «AI-ассистенты» агент находит 5 стартапов, их цены и ключевые фичи.
7. Генератор контента
Задача: Создаёт серию постов для соцсетей.
Role: Контент-менеджер
Goals:
1. Сгенерировать 10 постов для LinkedIn на тему {topic}
2. Каждый пост должен быть 100-150 слов
3. Добавить хэштеги
4. Сохранить в файл posts.md
Пример: Тема «AI в маркетинге» — агент пишет 10 постов с кейсами и цифрами.
8. Аналитик отзывов
Задача: Анализирует отзывы с сайта и выделяет паттерны.
Role: Аналитик отзывов
Goals:
1. Собрать 50 отзывов с {url}
2. Классифицировать их по тону (позитивный/негативный/нейтральный)
3. Выделить 3 главные проблемы
4. Создать отчёт с рекомендациями
Пример: Для интернет-магазина агент находит, что 40% негативных отзывов связаны с доставкой.
9. Персональный ассистент по обучению
Задача: Составляет план обучения по теме.
Role: Тьютор
Goals:
1. Определить уровень знаний пользователя по теме {topic} через 5 вопросов
2. Составить план обучения на 4 недели
3. Для каждой недели указать ресурсы (книги, статьи, курсы)
4. Сохранить в файл study_plan.md
Пример: Тема «Python для Data Science» — агент создаёт план с ссылками на реальные ресурсы.
10. Мониторинг новостей
Задача: Ежедневно собирает новости по ключевым словам.
Role: Монитор новостей
Goals:
1. Каждый день в 9:00 искать новости по {keywords}
2. Фильтровать релевантные (игнорировать рекламу)
3. Создавать дайджест в формате bullet points
4. Сохранять в файл daily_news.md
Пример: Ключевые слова «AI regulation EU» — агент собирает новости о регулировании AI в Европе.
5 промтов для CrewAI
11. Команда для написания статьи (Researcher + Writer + Editor)
Задача: Multi-agent система, где Researcher собирает факты, Writer пишет, Editor редактирует.
from crewai import Agent, Task, Crew
researcher = Agent(
role='Researcher',
goal='Найти 5 ключевых фактов по теме {topic}',
backstory='Ты опытный журналист-исследователь',
tools=[search_tool]
)
writer = Agent(
role='Writer',
goal='Написать статью на основе фактов',
backstory='Ты технический писатель',
allow_delegation=False
)
editor = Agent(
role='Editor',
goal='Проверить статью на ошибки и стиль',
backstory='Ты редактор с 10-летним опытом'
)
research_task = Task(description='Собери факты о {topic}', agent=researcher)
write_task = Task(description='Напиши статью', agent=writer)
edit_task = Task(description='Отредактируй статью', agent=editor)
crew = Crew(agents=[researcher, writer, editor], tasks=[research_task, write_task, edit_task])
result = crew.kickoff(inputs={'topic': 'AI-агенты в 2026'})
Пример: На выходе — статья из 1000 слов с фактами, структурой и без ошибок.
12. Команда поддержки (Classifier + Responder + Escalator)
Задача: Классифицирует запрос, отвечает на простые, эскалирует сложные.
classifier = Agent(role='Classifier', goal='Определить тип запроса')
responder = Agent(role='Responder', goal='Ответить на простые запросы')
escalator = Agent(role='Escalator', goal='Передать сложный запрос человеку')
Пример: «Как вернуть товар?» — Classifier определяет как «возврат», Responder даёт инструкцию.
13. Команда для анализа конкурентов (Scraper + Analyst + Strategist)
Задача: Собирает данные, анализирует, предлагает стратегию.
scraper = Agent(role='Scraper', goal='Собрать данные с сайтов конкурентов', tools=[scrape_tool])
analyst = Agent(role='Analyst', goal='Проанализировать данные и выделить тренды')
strategist = Agent(role='Strategist', goal='Предложить действия на основе анализа')
Пример: Для ниши «SaaS-продукты» Strategist предлагает добавить функцию X, которую конкуренты не имеют.
14. Команда для перевода и локализации (Translator + Localizer + Reviewer)
Задача: Переводит, адаптирует под культуру, проверяет.
translator = Agent(role='Translator', goal='Перевести текст на {target_lang}')
localizer = Agent(role='Localizer', goal='Адаптировать под локальные реалии')
reviewer = Agent(role='Reviewer', goal='Проверить качество перевода')
Пример: Английский слоган «Just do it» для Японии — Localizer предлагает вариант, учитывающий культурные особенности.
15. Команда для QA-тестирования (Tester + Logger + Reporter)
Задача: Тестирует приложение, логирует баги, формирует отчёт.
tester = Agent(role='Tester', goal='Найти баги в приложении', tools=[test_tool])
logger = Agent(role='Logger', goal='Задокументировать каждый баг с шагами воспроизведения')
reporter = Agent(role='Reporter', goal='Создать отчёт с приоритетами багов')
Пример: Tester находит баг «кнопка не работает в Chrome», Logger записывает шаги, Reporter ставит high priority.
Заключение
Эти 15 промтов — база для построения AI-агентов. LangChain даёт контроль и интеграции, AutoGPT — автономность, CrewAI — командную работу. Начните с одного промта, протестируйте на своей задаче, затем усложняйте. Помните: промт — это не магия, а инструкция. Чем точнее вы опишете роль, цели и инструменты, тем лучше будет результат.
Готовы попробовать? Скопируйте любой промт, замените {topic} на свою тему и запустите. Если нужна помощь — пишите в комментариях к этой статье.
Комментарии