Какие инструменты (tools/functions) дать агенту для автоматизации бизнес-задач? (ваш кейс!)

Краткий тезис

selection learning|Выбор инструментов для AI-агента — это не просто техническое решение, а проектирование бизнес-логики. Агенту нужно дать набор функций (tools), которые покрывают ключевые операции бизнес-процесса: поиск данных, коммуникации, создание записей, проверки статусов. Оптимальный набор строится по принципу наименьшей привилегии и single responsibility: каждая функция делает одно атомарное действие. В качестве кейса разберём агента поддержки интернет-магазина — это классический пример, где нужно умело сочетать операции с CRM, складом, платежами и почтой.

1. Терминология: что такое инструменты агента

AI-агент — программа, которая с помощью LLM (Large Language Model) может планировать шаги и вызывать внешние функции (tools/functions). Инструменты — это программные интерфейсы, через которые агент взаимодействует с внешним миром (API, базы данных, сервисы). Каждый инструмент — это, как правило, функция с описанием в формате JSON Schema (OpenAPI), которое LLM использует для выбора и заполнения параметров.

Расшифровка терминов:

• Tool (инструмент) — атомарная операция, которую агент может вызвать. Например, send_email(to, subject, body).
• Function calling (вызов функций) — способ, при котором LLM не генерирует текст, а возвращает структурированный запрос на вызов инструмента.
• Business task — задача, связанная с поддержкой клиентов, продажами, обработкой заказов, взаимодействием с CRM и т.д.

2. Принципы выбора инструментов для бизнес-задач

Прежде чем приводить конкретный набор, важно понимать, как вообще принимать решение о том, какие инструменты дать агенту. Есть несколько ключевых принципов:

2.1 Single Responsibility Principle (SRP)

Каждая функция должна выполнять одно логическое действие. Если функция делает слишком много (например, process_order — и проверяет склад, и отправляет email, и создаёт тикет), LLM сложнее её применить. Лучше разбить на атомарные шаги:

• check_stock
• create_order
• send_email

2.2 Принцип наименьшей привилегии

Агент не должен иметь доступ к избыточным операциям, особенно опасным. Например, функция delete_customer вряд ли нужна в агенте поддержки — достаточно deactivate_account.

2.3 Покрытие типовых сценариев (80/20)

80% запросов обрабатываются 20% инструментов. Нужно определить частые бизнес-задачи и обеспечить их минимальным набором. Редкие, сложные задачи лучше передавать человеку (human handoff).

2.4 Чёткий контракт и обработка ошибок

Каждый инструмент должен возвращать предсказуемый ответ. Агент должен уметь реагировать на ошибки (например, товара нет на складе — предложить альтернативу).

3. Кейс: агент поддержки интернет-магазина (ваш кейс)

Представим интернет-магазин с типовыми запросами: «Где мой заказ?», «Хочу вернуть товар», «Изменить адрес доставки», «Что-то не так с оплатой». Агент должен работать круглосуточно и решать до 70% вопросов без участия человека. Сценарий: клиент пишет в чат, LLM определяет интент и вызывает нужные функции.

Основные требования бизнеса

• Быстрое получение статуса заказа.
• Возможность уточнить адрес и время доставки.
• Обработка возвратов (проверка срока, создание заявки).
• Коммуникация с клиентом (отправка email с подтверждением).
• Эскалация сложных случаев человеку.

4. Конкретный набор инструментов (таблица)

Ниже — расширенный перечень, который покрывает все основные сценарии. Каждый инструмент — это функция с конкретным назначением.

Почему именно такой набор Он покрывает 90% стандартных запросов: статус, изменение адреса, возврат, эскалация. При этом агент не может удалять клиентов менять цены или выполнять другие опасные действия.

5. Реализация инструментов: описание функций (JSON Schema)

Чтобы LLM могла корректно вызывать функции, каждый инструмент описывается в формате, поддерживаемом OpenAI Function Calling или Anthropic Tool Use. Ниже — пример описания одного из инструментов:

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_order_status",
            "description": "Получить статус заказа по его номеру. Вызывать, когда клиент спрашивает 'где мой заказ' или просит проверить статус.",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {
                        "type": "string",
                        "description": "Номер заказа в формате ORD-XXXXX (например, ORD-12345)"
                    }
                },
                "required": ["order_id"],
                "additionalProperties": False
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "create_refund_request",
            "description": "Создать заявку на возврат товара. Вызывать, только если клиент просит оформить возврат и товар соответствует условиям возврата (не прошло 14 дней с доставки).",
            "parameters": {
                "type": "object",
                "properties": {
                    "order_id": {"type": "string"},
                    "reason": {"type": "string", "description": "Причина возврата, указанная клиентом"}
                },
                "required": ["order_id", "reason"],
                "additionalProperties": False
            }
        }
    }
    # ... остальные инструменты
]

Важные детали

• description — очень точное описание, чтобы LLM не путала, когда вызывать. Например, в get_order_status добавлено «когда клиент спрашивает 'где мой заказ'».
• required — обязательные параметры.
• additionalProperties: False — защита от лишних полей.

6. Обработка ошибок и безопасность

Даже если агент правильно выбирает инструмент, надо предусмотреть краевые случаи. Каждая функция должна возвращать структурированный ответ: {"success": True, "data": {...}} или {"success": False, "error": "reason"}. Внутри функции нужно:

• Проверять права например, функция change_delivery_address должна проверять, что заказ ещё не отправлен. Если нет — возвращать ошибку.
• Лимитировать количество вызовов агенту можно ограничить число вызовов дорогих API (например, send_email не может отправлять более 5 писем за диалог).
• Хендлить исключения если внешний сервис недоступен, функция должна возвращать понятную ошибку, чтобы агент мог извиниться или предложить альтернативу.

Пример обработки в Python:

def get_order_status(order_id: str) -> dict:
    try:
        order = database.fetch_one("SELECT status FROM orders WHERE id=?", (order_id,))
        if order is None:
            return {"success": False, "error": "Заказ с таким номером не найден"}
        return {"success": True, "data": {"status": order["status"]}}
    except DatabaseError as e:
        return {"success": False, "error": "Техническая ошибка, попробуйте позже"}

В промпте агента нужно объяснить, как реагировать на ошибки: «Если функция вернула success: False и error — сообщи клиенту понятным языком и предложи альтернативу или передай оператору».

7. Человек в цикле (human-in-the-loop)

Некоторые действия должны требовать подтверждения человека. Например, change_delivery_address для дорогих заказов может отправлять уведомление менеджеру. Или create_refund_request для суммы > 10 000 руб. — создавать тикет в CRM без автоматического возврата.

Варианты реализации

• Тихий эскалатор агент выполняет действие, но параллельно создаёт задачу для человека на проверку.
• Жёсткий эскалатор функция возвращает {"success": False, "error": "Требуется подтверждение оператора"} и агент передаёт диалог человеку через resolve_with_human.

8. Мониторинг и логирование

Для каждого вызова инструмента нужно логировать:

• время вызова, имя функции, входные параметры
• успешность, ответ, latency
• user id и session id

Это помогает выявлять аномалии (например, агент внезапно начал вызывать update_order_status без причины) и улучшать описание инструментов. Метрики: количество вызовов на сессию, доля успешных, среднее время ответа.

9. Пет-проект для закрепления

Задача разработать простого агента для автоматизации записи клиентов в салон красоты (Telegram-бот + AI).

Инструменты

• get_available_slots(date, master) — свободные слоты
• book_appointment(client_name, phone, slot_id) — бронирование
• cancel_appointment(appointment_id) — отмена записи
• send_sms(client_phone, message) — напоминание за 2 часа
• get_client_history(phone) — история визитов
• resolve_with_human — эскалация

Шаги:

1. Настройте Telegram-бота с помощью python-telegram-bot.
2. Используйте OpenAI API с function calling.
3. Смоделируйте локальную БД (SQLite) с расписанием.
4. Напишите 4-5 функций с JSON schema.
5. Оберните в промпт системное сообщение: «Ты — агент салона красоты. Помогаешь клиентам записаться, отменить запись, получить информацию. Если не можешь — передай человеку».
6. Протестируйте на сценариях: запись на завтра, отмена за час до, запрос на услуги, которых нет.

Ожидаемый результат Рабочий бот, который может обработать 5 типовых запросов. Вы увидите, как LLM выбирает инструменты, как реагировать на ошибки (нет свободных слотов), и сможете добавить логирование и эскалацию.

10. Связь с другими вопросами

11. Навигация

• Предыдущий: 45
• Следующий: 47
• Индекс: 00. Индекс разборов

Навигация

• Предыдущий: 45
• Следующий: 47
• Индекс: 00. Индекс разборов