Представьте: у вас есть команда из десяти виртуальных сотрудников, которые работают 24/7, не спят, не устают и делают работу за минуты. В 2026 году это уже не фантастика, а суровая реальность. AI-агенты на базе больших языковых моделей (LLM) стали новым стандартом автоматизации. Но как заставить их делать именно то, что вам нужно? Ответ прост: правильно составленные промты. Промты — это не просто текст запроса, а фактически программный код поведения агента. От того, насколько точно вы пропишете цели, ограничения и сценарии, зависит, получите ли вы интеллектуального помощника или бездумный генератор шума.
В этой статье я поделюсь реальным кейсом из нашей практики: как мы создали мульти-агентную систему для автоматизации контент-маркетинга, используя три популярных фреймворка — LangChain, AutoGPT и CrewAI. Вы увидите конкретные промты, которые мы использовали, узнаете, как они работают, и что показало сравнение подходов. Если вы разработчик, тимлид или технический блогер — этот материал станет вашей шпаргалкой по проектированию агентов.
Кейс: как мы автоматизировали контент-производство с помощью агентов
Проблема
Наш клиент — онлайн-издание, выпускающее по 20 статей в неделю. Редакция из трех человек тратила по 12 часов в день на поиск фактов, написание черновиков и вычитку. Отдел маркетинга задыхался от объема, а качество текстов страдало из-за спешки. Клиент хотел сократить время производства на 70% и увеличить число публикаций до 50 в неделю без потери качества.
Решение
Мы спроектировали пайплайн из трех агентов, каждый отвечал за свой этап:
- Исследователь (CrewAI) — собирает информацию с веба, проверяет факты, выдает структурированный бриф.
- Писатель (LangChain) — на основе брифа генерирует черновик статьи, следуя тону и структуре.
- Редактор (AutoGPT) — автоматически переписывает, исправляет ошибки, улучшает SEO, финализирует текст.
Каждый агент был настроен через специальные системные промты, которые определяли его роль, цели и ограничения.
Результаты
- Время создания статьи снизилось с 6 часов до 1,5 часов (на 75%).
- Объем публикаций вырос до 45 в неделю уже на второй месяц.
- SEO-трафик вырос на 220% за квартал, так как статьи стали стабильно выходить по расписанию.
- Ошибки в тексте сократились на 60% благодаря автоматической проверке.
Главный вывод: ключевым фактором успеха оказались не сами фреймворки, а качество промтов. Дальше покажу, как именно мы их формулировали.
Промты для LangChain-агентов: фокус на контекст и инструменты
LangChain — это швейцарский нож для создания агентов. В основе его архитектуры лежит цепочка действий: агент получает задачу, думает, выбирает инструмент (например, поиск или калькулятор), вызывает его и анализирует результат. Промт определяет, как этот цикл «наблюдение-мысль-действие» работает.
Базовый промт агента-исследователя
Для агента-исследователя в LangChain мы использовали следующий системный промт:
Ты — исследователь, работающий в американском СМИ. Твоя задача — собрать максимум фактов по запросу пользователя. Игнорируй сомнительные источники, отдавай приоритет официальным статистикам и академическим публикациям. Отвечай в формате:
Источники: (список URL)
Факты: (тезисно, с указанием источника для каждого факта)
Выводы: (краткий резюме)
Если информации недостаточно, явно скажи об этом.
В коде это выглядит так:
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import Tool, tool
from langchain_openai import ChatOpenAI
from langchain import hub
@tool
def web_search(query: str) -> str:
"""Поиск в интернете по запросу"""
# здесь вызов вашего поискового API
return search_api(query)
llm = ChatOpenAI(model="gpt-4o", temperature=0.3)
prompt = hub.pull("hwchase17/react")
# Добавляем собственное описание роли в начало промта
prompt.template = """
{system_prompt}
Отвечай на вопросы пользователя, используя инструменты.
{input}
"""
agent = create_react_agent(llm, [web_search], prompt)
agent_executor = AgentExecutor(agent=agent, tools=[web_search], verbose=True)
result = agent_executor.invoke({
"system_prompt": """Ты — исследователь в американском СМИ. Всегда указывай источники. Только факты.""",
"input": "Собери данные о росте AI-агентов в 2026 году."
})
print(result)
Важные детали: мы явно прописали формат ответа, чтобы агент не увлекался болтовней. Также temperature снижена до 0.3 — для фактов это критично.
Промт для агента-писателя
Для генерации черновиков мы использовали промт с жесткой структурой, чтобы не потерять стиль бренда:
Ты — опытный копирайтер, специализирующийся на технических статьях. Напиши статью в формате:
Заголовок: (H1, до 10 слов)
Введение: (2-3 предложения, крючок)
Основная часть: (3-5 подзаголовков H2, каждый с 2-3 абзацами)
Заключение: (призыв к действию)
Используй следующий тон: экспертный, но живой; обычные пользователи должны понимать. Не используй канцелярит. Обращайся к читателю на «вы».
Вот факты: {facts}
Мы заметили, что указание «обычные пользователи должны понимать» заставило модель писать гораздо понятнее. А вот перечисление подзаголовков H2 помогло удерживать логическую структуру.
Промты для AutoGPT-агентов: автономность и целеполагание
AutoGPT — это уже не франшиза, а целая философия. Вместо диалога с пользователем агент получает цель и сам разбивает её на подзадачи. Промт здесь — это «конституция агента», в которой прописаны его полномочия и границы.
Промт для агента-редактора
В нашем случае AutoGPT использовался для финальной вычитки. Пример системного промта:
Ты — автономный редактор. Цель: улучшить качество текста, полученного на входе.
Правила:
1. Исправь все грамматические и орфографические ошибки.
2. Улучши читабельность: замени длинные предложения на короткие.
3. Проверь наличие SEO-ключей: {context} — должно встречаться минимум 5 раз.
4. Удали любые повторы и «воду».
Ограничения:
- Не меняй факты и числовые данные.
- Не добавляй новую информацию.
- Сохраняй Markdown-разметку.
Режим работы: после каждого действия выводи сообщение в формате "Мысль: ...", "Действие: ...", "Результат: ...".
Начни с чтения входного файла task.txt.
Здесь важно, что мы задали ограничения и форму вывода. Без ограничений AutoGPT часто «галлюцинирует» и додумывает детали. А требование выводить «Мысль/Действие/Результат» позволило нам логировать процесс и отлаживать агента.
Промт для планировщика задач
Если вам нужно, чтобы AutoGPT сам строил план, подойдет такой шаблон:
Ты — стратегический планировщик. У тебя есть доступ к инструментам: поиск, запись в файл, запуск Python кода. Твоя цель: подготовить аналитический отчет по теме "влияние ИИ на автоматизацию бизнеса в 2026".
Шаги:
1. Разбей задачу на подзадачи (не более 5).
2. Для каждой подзадачи определи инструмент и способ проверки результата.
3. Выполняй последовательно.
4. В конце собери отчет из фактов, полученных в каждой подзадаче.
Критерии успеха: отчет содержит минимум 10 уникальных статистик, все факты подтверждены ссылками.
AutoGPT блестяще справляется с задачами, где нужен длинный горизонт планирования. Но его слабость — недостаточная интеграция с внешними сервисами. Поэтому мы оставили за ним только редактирование, а не сбор информации.
Промты для CrewAI-агентов: коллективный разум
CrewAI — это фреймворк для создания команд агентов. Каждый агент имеет свою роль, цель и историю. Промты в CrewAI задаются прямо в конфигурации агента, поэтому их можно менять на лету.
Роли и промты в CrewAI
Вот как мы настраивали исследователя и писателя:
from crewai import Agent, Task, Crew, Process
researcher = Agent(
role="Старший исследователь",
goal="Найти актуальные факты и статистику по теме {topic}",
backstory="Ты работаешь в Forbes и умеешь находить эксклюзивные данные за минуты. Твои источники всегда надежны.",
verbose=True
)
writer = Agent(
role="Контент-стратег",
goal="Написать увлекательную статью на основе фактов от исследователя",
backstory="Ты был главным редактором крупного IT-портала. Пишешь глубокие материалы, которыми делятся в соцсетях.",
verbose=True
)
research_task = Task(
description="Изучи тему {topic} и собери минимум 5 источников. Выдай итоговый список фактов.",
expected_output="Список фактов с ссылками на источники.",
agent=researcher
)
writing_task = Task(
description="Напиши статью на 1000 слов, используя факты от исследователя. Сохрани экспертный стиль.",
expected_output="Готовая статья в Markdown.",
agent=writer
)
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
process=Process.sequential
)
result = crew.kickoff(inputs={"topic": "AI в медицине"})
Обратите внимание: поле backstory — это часть промта, которая задает личность. Мы поняли, что если описать агенту его «биографию», он становится более уверенным и качественным. Также важно, что каждый агент в CrewAI получает не только системный промт, но и expected_output от задачи — это помогает ему ориентироваться.
Одна задача — несколько агентов: роли и департаменты
Еще одна фишка CrewAI — можно создавать иерархию и делегировать. Например, добавим менеджера, который проверяет факты:
manager:
role: Факт-чекер
goal: Проверить, что все факты в статье точны и имеют подтверждающие источники.
backstory: Ты скептик. Любишь ловить ошибки. Если факт не подкреплен источником, ты его удаляешь и помечаешь комментарий.
Тогда в Crew мы укажем process=Process.hierarchical и добавим менеджера. Агенты смогут общаться через задачи, и это открывает огромные возможности для сложных сценариев.
Сравнение подходов: что выбрать?
Мы протестировали все три фреймворка на одинаковой задаче «написать заметку о трендах». Вот что получилось:
| Критерий | LangChain | AutoGPT | CrewAI |
|---|---|---|---|
| Суть | Библиотека для построения цепочек | Автономный агент-исполнитель | Каркас для команд агентов |
| Уровень контроля | Полный контроль над каждым шагом | Средний: вы задаете цель, агент планирует | Вы управляете ролями и процессом |
| Сложность промтов | Нужны детальные инструкции на каждый шаг | Достаточно цели и ограничений | Требуется бекстори и описание роли |
| Подходит для | Интеграции с вашим кодом и API | Длительных автономных задач | Мультиагентных коллабораций |
| Риск галлюцинаций | Низкий, если настроены тулзы | Высокий, нужны ограничения | Средний, зависит от количества агентов |
| Скорость работы | Быстро, но по шагам | Медленно из-за итераций | Быстро при последовательном процессе |
Наш опыт показал: используйте LangChain, когда нужна тонкая интеграция с внешним миром; AutoGPT — для изолированных задач с четкой целью; CrewAI — когда задача требует нескольких экспертов, которые общаются между собой.
Секреты промтов для агентов: что мы вынесли из практики
За месяцы экспериментов мы выработали несколько правил. Делюсь с вами.
1. Всегда задавайте формат ответа
Если вы не укажете формат, агент будет генерировать простыни. Пример для LangChain:
Отвечай строго в JSON: {"summary": "...", "sources": ["..."]}
Такой подход упрощает дальнейшую обработку результата кодом.
2. Добавляйте «симптомы» неверной работы
В промте AutoGPT можно прописать: «Если ты не можешь найти данные, не выдумывай. Напиши "Не найдено" и перейди к следующему шагу». Это резко снижает галлюцинации.
3. Используйте цепь подсказок
Вместо одного гигантского промта лучше сделать несколько мелких шагов. Например, сначала агент составляет план, затем выполняет его по частям. В CrewAI это достигается через таски.
4. Экспериментируйте с temperature
Для фактов — 0.2, для креативных текстов — 0.8. Кстати, в промтах можно указать параметры, но обычно они выносятся в код. Не забывайте про это.
Надеюсь, мой разбор поможет вам строить собственных агентов с нуля. Начните с малого: возьмите одну задачу, пропишите системный промт, протестируйте на разных моделях. Затем постепенно добавляйте инструменты и других агентов. А если нужна готовая команда виртуальных сотрудников — обращайтесь в asibiont.com: мы уже зарелизили платформу для автоматизации бизнеса на AI-агентах. Проверьте сами: это бесплатно. Ваша следующая статья может уже писаться агентом, пока вы пьете кофе.
Комментарии