МТС AI собрала виртуальную команду, которая делает ИИ-агентов по текстовому описанию
В МТС AI довели конкурсный прототип до продукта: «ИИ-команда» (AI Force) в MWS AI Agents Platform собирает бота по текстовому описанию. Пользователь пишет, что нужно, а LLM проектирует архитектуру и выдаёт почти готового агента. Чтобы он не вытворял сюрпризов посреди работы, вокруг модели поставили инструменты, знания, правила и блокировки. Вывод для команд: надёжность корпоративного агента строится обвязкой, а не одной сильной моделью.
AI-обработка оригинала Habr: MTS AI; редакция Hamidun News
Сделать демо-агента, который впечатляет жюри, можно за пару недель. Сделать агента, которому корпоративный клиент доверит рабочий процесс, гораздо сложнее: он должен отрабатывать не один раз, не только на удачных примерах и не выкидывать ничего неожиданного посреди задачи. Именно с этой проблемой команда МТС AI столкнулась после того, как её прототип Meta Agent занял первое место на внутреннем конкурсе. Во второй части лонгрида на Хабре автор рассказывает, во что этот прототип превратился: в функцию «ИИ-команда» (AI Force) внутри MWS AI Agents Platform.
Что делает «ИИ-команда»
Идея простая. Пользователь описывает на обычном языке, какого бота ему нужно, а система на базе большой языковой модели ведёт себя как виртуальная команда разработки. Она берёт на себя рутинный инженерный цикл: разбирает требования, проектирует архитектуру, собирает конфигурацию агента и отдаёт результат в виде, который платформа может запустить. В прототипе на выходе был JSON, в продукте — «готовый, ну почти» агент. Авторы прямо говорят «почти»: человек по-прежнему проверяет итог.
Для тех, кто работал с low-code-платформами, смысл понятен. Там между идеей и рабочим решением стоит барьер: нужно разобраться в интерфейсе, блоках, настройках. ИИ-команда убирает этот порог, и платформа превращается в своего рода вайб-кодинг для агентов: описал задачу, получил заготовку, поправил.
Метафора мастера на производстве
Чтобы объяснить устройство, автор сравнивает систему с мастером в цеху. У мастера есть станки и верстак, инструменты, знания о материале, пошаговые инструкции для типовых операций, правила техники безопасности, физические блокировки и журнал, куда он записывает уроки. Каждому элементу в системе соответствует кусок кода:
- LLM принимает решения, как мастер голова.
- MCP (протокол подключения инструментов) и MCP tools — это конкретные вызовы API платформы: создать узел, настроить связь, проверить конфигурацию.
- Skills (SKILL.md) — структурированные знания о платформе, то есть то, как читать «чертёж».
- Workflows / Recipes — пошаговые сценарии: сначала разметка, потом сверление, потом сборка.
- Rules — правила, которые агент держит в контексте всегда.
- Hooks (PreToolUse / PostToolUse) — инфраструктурные блокировки, срабатывающие до и после вызова инструмента.
- Findings (FINDINGS.md) — база паттернов, накопленных в реальной работе.
Почему блокировки важнее просьб
Самая практичная мысль в этой схеме касается хуков. Правило в промпте — это просьба: «будь осторожен». Модель может её пропустить, особенно в длинном диалоге. Хук работает как крышка на станке: если условие не выполнено, вызов инструмента просто не пройдёт. Это не просьба, а конструктивное ограничение. Для продакшена такая разница решающая: поведение, которое нельзя нарушить кодом, надёжнее поведения, о котором модель «помнит».
Вторая полезная деталь — файл FINDINGS.md. Агент и разработчики фиксируют туда паттерны из реальных запусков: что ломалось, какой порядок действий сработал. Это дешёвая форма «обучения» без дообучения модели: знания лежат в файлах, подгружаются по необходимости и правятся обычным редактированием.
Что взять на заметку
Для тех, кто строит собственных агентов, из этой истории следуют три вывода. Во-первых, знания о предметной области (Skills) и пошаговые рецепты лучше хранить отдельно от модели: их легко обновлять и проверять. Во-вторых, всё, что нельзя нарушать, переносите из промпта в хуки до и после вызова инструментов. В-третьих, заведите журнал паттернов из реальной эксплуатации и подключайте его к агенту.
Есть и ограничения. В опубликованной части нет цифр: сколько токенов уходит на сборку одного агента, какова доля успешных сборок без правок, сколько стоит один запуск. Оценить экономику решения по этому тексту нельзя, и стоит дождаться продолжения. Кроме того, это описание внутренней платформы МТС: набор инструментов привязан к её API, и перенести схему можно только как архитектурный подход. Но сам подход — LLM, MCP-инструменты, навыки, рецепты, правила, хуки и журнал находок — уже выглядит как рабочий шаблон для любой команды, которая делает агентов на продажу, а не для конкурса.
- 21 нояб. 2026 г.Открытый MiniMind позволяет обучить свою LLM с нуля за $0,42 на RTX 3090
- 21 нояб. 2026 г.TensorRT-LLM обогнал vLLM на H100: 2780 против 2400 токенов/с на Llama 3.3 70B
- 21 нояб. 2026 г.Открытая Inkling 2 Mini на 16 ГБ памяти догнала Qwen3.8-27B в независимом рейтинге
- 21 нояб. 2026 г.Qwen3-0.6B дообучили на Mac mini: ошибок в ответах стало 3 из 30 вместо 9
Вопросы и ответы по материалу
Что известно по теме: что делает «ИИ-команда»?
Идея простая. Пользователь описывает на обычном языке, какого бота ему нужно, а система на базе большой языковой модели ведёт себя как виртуальная команда разработки. Она берёт на себя рутинный инженерный цикл: разбирает требования, проектирует архитектуру, собирает конфигурацию агента и отдаёт результат в виде, который платформа может запустить. В прототипе на выходе был JSON, в продукте — «готовый, ну почти» агент. Авторы прямо говорят «почти»: человек по-прежнему проверяет итог.
Что известно по теме: метафора мастера на производстве?
Чтобы объяснить устройство, автор сравнивает систему с мастером в цеху. У мастера есть станки и верстак, инструменты, знания о материале, пошаговые инструкции для типовых операций, правила техники безопасности, физические блокировки и журнал, куда он записывает уроки. Каждому элементу в системе соответствует кусок кода: LLM принимает решения, как мастер голова. MCP (протокол подключения инструментов) и MCP tools — это конкретные вызовы API платформы: создать узел, настроить связь, проверить конфигурацию.
Что известно по теме: почему блокировки важнее просьб?
Самая практичная мысль в этой схеме касается хуков. Правило в промпте — это просьба: «будь осторожен». Модель может её пропустить, особенно в длинном диалоге. Хук работает как крышка на станке: если условие не выполнено, вызов инструмента просто не пройдёт. Это не просьба, а конструктивное ограничение. Для продакшена такая разница решающая: поведение, которое нельзя нарушить кодом, надёжнее поведения, о котором модель «помнит». Вторая полезная деталь — файл FINDINGS.md.
Соберите рабочего ИИ-агента или сервис своими руками без ручного кода
В Академии Жемала Хамидуна (academy.hamidun.com) открыт бесплатный 72-часовой тест-драйв: интерактивные скетч-уроки по Claude Code и Cursor, живой Tech Radar и готовые шаблоны агентов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.