Как собрать команду AI-агентов: 9 шагов и 17 ролей

Главное за 30 секунд

• Команда AI-агентов - это не один перегруженный чат-бот, а несколько цифровых сотрудников с разными ролями под общим агентом-оркестратором. Один ищет данные, второй пишет, третий проверяет
• Как собрать команду AI-агентов? По методологии из 9 шагов: идёшь от конечного результата назад - к этапам, ролям, инструментам и передаче работы между ними. Норма - 4-7 ролей, старт - с MVP на одной
• Каталог 17 готовых ролей по 5 доменам + разбор трёх уровней архитектуры + боевые лайфхаки по handoffs, токенам и безопасности. Полная методология и шаблоны - в интерактивном гайде ниже на этой же странице

Как собрать команду AI-агентов под бизнес-процесс, а не поручать всё одному боту? Один бот-универсал захлёбывается, когда процесс большой: перегружается контекст, растут галлюцинации, задача виснет на полпути и жжёт токены. Ниже - как собрать команду AI-агентов для бизнеса по шагам: три уровня архитектуры, девять шагов проектирования, каталог из 17 ролей и антипаттерны, на которых спотыкаются почти все. Плюс показательная цифра из практики: 700 отзывов, которые человек обрабатывает 3-4 недели, команда закрывает примерно за 10 минут.

Что такое команда цифровых сотрудников (и почему один агент не тянет)

Команда цифровых сотрудников - это несколько AI-агентов с разными ролями, которые работают над одним бизнес-процессом под управлением агента-оркестратора: по сути, мультиагентная система вместо одного универсального бота. Один агент делит один контекст и одну роль: когда задач много, окно перегружается, и он начинает путаться и фантазировать. Команда разносит процесс по ролям с изоляцией контекста, параллелизмом и передачей работы через handoff-контракты.

Смотри, в чём проблема одного бота. Дай ему подряд тысячу отзывов - он захлебнётся: пытается держать всё в голове, тупит, теряет нить. Это как посадить одного человека делать сбор данных, копирайтинг, редактуру и проверку одновременно. Команда решает это разделением труда: один агент ищет данные, второй пишет черновик, третий редактирует тон, четвёртый проверяет качество. Оркестратор сверху решает, что делать дальше - повторить шаг, связать этапы, сходить в CRM или остановиться.

По сути это замена жёстким no-code сценариям (типа n8n) там, где нужна адаптивность вместо детерминированного графа. No-code остаётся для автономных рутин с фиксированной логикой. Команда агентов - для процессов, где нужна «думающая» оркестрация, которая подстраивается по ходу задачи. Если ты пока не собирал даже одного, начни с азов: как собрать одного AI-агента без кода - это узел, из которого потом вырастает вся команда.

Три уровня архитектуры: с чего начать, чтобы не переусложнить

Архитектур три, и усложнять их надо по очереди. Уровень 1 - один агент плюс навыки, которые подгружаются по релевантности: дёшево, быстро, минимум точек отказа, закрывает около 80% задач. Уровень 2 - оркестратор плюс субагенты: каждый в своём контексте, даёт изоляцию и параллелизм, но дороже. Уровень 3 - параллельные команды агентов для production с большим числом независимых задач.

Рекомендация простая: стартуй с Уровня 1. Добавляй субагентов, когда задача реально обрастает и один агент перестаёт справляться. Выходи на параллельные команды только когда есть что параллелить. Один и тот же репозиторий может работать на всех трёх уровнях - глубину выбираешь сам, под текущую боль, а не «на вырост».

Если хочешь увидеть эту методологию на конкретной платформе, посмотри 25 сценариев использования Hermes Agent: там роли реализованы через отдельные профили, расписания, фоновые задачи и точки подтверждения человека.

Главный контр-вывод против модного «сразу собери мне мультиагента из шести ролей»: это переусложнение. Ты потратишь неделю, получишь дорогую медленную систему, которую невозможно дебажить, и не поймёшь, где она врёт. Мышление владельца тут важнее стека - об этом отдельно есть 9 принципов работы с AI-агентами. Сложность - это не достижение, а расход, который надо оправдать реальным процессом.

Девять шагов: как собрать команду AI-агентов под свой процесс

Девять шагов, и все идут от результата назад, а не от «хочу агентов». Сначала фиксируешь конечный результат, потом раскладываешь процесс на этапы, группируешь этапы в роли, инвентаризуешь инструменты, проектируешь передачу работы. Затем собираешь скаффолд, MVP, расширяешь и упаковываешь. Это методология создания команды агентов - воспроизводимый метод, который работает для контента, продаж, операций, для любого процесса.

Шаги 1-2: результат - этапы. Начни с трёх вопросов: что на выходе (конкретный измеримый результат), кто получатель, какие SLA. Запиши абзацем - это бриф проекта. Потом декомпозируй результат на этапы трансформации: что на входе, что на выходе каждого. Норма 6-12 этапов. Тридцать - слишком мелко дробишь, склеивай. Три - слишком крупно, дроби.

Шаги 3-5: роли, инструменты, коммуникация. Группируй смежные этапы, которые работают с одним типом данных и одними инструментами - выйдет 4-7 ролей. Для каждой роли реши, что уже готово, что писать самому, что требует человека. И спроектируй handoff-передачи: через текст, файлы в общей папке или структуру inputs/working/outputs.

Шаги 6-7: скаффолд и MVP. Создай структуру папок и два файла: team.md (роли, зависимости, правила оркестрации) и context.md (бренд, аудитория, тон, факты, KPI - все роли читают его первым). Затем собери MVP на одной роли и прогони end-to-end. Это проверяет инструменты и показывает реальный расход токенов.

Шаги 8-9: расширение и релиз. Добавляй роли по одной, каждая - интеграционный тест. Перед упаковкой прогони QA-проверку всех выходов против context.md. Затем упакуй под кросс-средовой запуск и протестируй инструкцию на чистой машине в режиме «забыл всё». Готовые шаблоны всех файлов - в гайде ниже.

17 типовых ролей: из чего собирать команду

Роли AI-агентов берутся из готового каталога, а не выдумываются с нуля. Их 17, сгруппированы по 5 доменам: контент (Researcher, Scriptwriter, SEO Optimizer, Designer, Editor), продажи (Lead Researcher, Outreach Writer, Meeting Prep, Proposal Builder), операции (Inbox Processor, Analyst, Strategist, Reporter), маркетинг (Ads Manager, Creative Generator, Audience Researcher) и контроль качества (QA-Reviewer). Плюс универсальные Strategist, QA-Reviewer, Reporter и оркестратор сверху.

Не тащи все роли в команду - бери 4-7 под реальные этапы. Модель ставь по сложности: рутина (роутинг, форматирование, публикация) - дешёвая быстрая, аналитика и креатив - средняя, сложная стратегия - мощная. Вот полная таблица-заготовка.

Из этих ролей собираются типовые команды: контент (Researcher + Scriptwriter + Editor + Designer + SEO Optimizer + QA-Reviewer + оркестратор), sales (Lead Researcher + Outreach Writer + Meeting Prep + Proposal Builder + QA-Reviewer + оркестратор), операции (Inbox Processor + Analyst + Strategist + Reporter + оркестратор), маркетинг (Audience Researcher + Creative Generator + Ads Manager + Analyst + QA-Reviewer + оркестратор). Берёшь ближайшую сборку и адаптируешь под себя.

Собираешь автоматизацию клиентам? Эта методология - твой продукт. Стань интегратором COMANDOS: каталог ролей, шаблоны и упаковка, чтобы ставить команды цифровых сотрудников бизнесам на потоке. → Стать интегратором.

Как роли передают работу друг другу (handoffs и оркестрация)

Главная точка отказа мультиагентных систем - это handoff, передача работы между ролями, и вопрос «как связать AI-агентов между собой» решается именно здесь. Оркестрация AI-агентов работает не по жёсткому графу «агент-1 → агент-2 → агент-3»: оркестратор делегирует адаптивно, смотрит на результат и решает, что дальше. Каждая передача описывается контрактом: роль-исполнитель, задача, путь к входным данным, ожидаемый выход, дедлайн. Никаких «разберись сам».

Три вещи держат handoffs надёжными. Первое - правило «нет входа - стоп»: если у роли нет обязательного входа, она останавливается и запрашивает недостающее, а не угадывает и не галлюцинирует. Второе - error handling в каждой роли: при ошибке роль документирует пробел в своём выходе и флагует, а не падает молча. Третье - жёсткий конвейер как базовый паттерн под запретом, потому что детерминированный граф убивает главное преимущество агентности - гибкость.

Из инженерной практики (распределённые системы, production-харнессы вроде deer-flow) сюда честно переносятся три приёма, и все три проверены на нескольких источниках. Message gateway: все сообщения между ролями идут через единый канал с логом, ID и трейсом - меньше спагетти-зависимостей, вся коммуникация видна. Retry с экспоненциальной задержкой плюс dead-letter queue: агент завис - задача переотправляется (1, 2, 4 секунды), после N попыток уходит в отдельную очередь на разбор, а не теряется молча. Loop detection: трекаешь хэш последних вызовов и ставишь лимит на повтор одного инструмента - агент не крутится в цикле, сжигая токены на уже решённое.

Сколько это стоит: токены и выбор моделей

Мультиагентная команда умножает расход токенов, а не складывает: один прогон из 6 ролей на средней модели легко стоит несколько долларов, а при регулярном использовании это заметная абонентская плата. Правило экономии одно: дорогую модель ставь только туда, где нужен вкус и рассуждение (стратегия, сложный копирайтинг), а рутину (роутинг, форматирование, публикацию) отдавай дешёвой быстрой модели.

Дальше идут приёмы, которые режут счёт в разы, и это не теория - в кейсе нашего финотдела расход на токены упал с $470 в месяц до копеек именно за счёт изоляции контекста и подгрузки только нужного. Три рычага с проверенным эффектом. Роутинг моделей: лёгкий классификатор отправляет простые запросы на дешёвую модель, сложные - на мощную; в production 70-80% запросов простые, экономия доходит до 50-86%. Семантический подбор инструментов: показывай агенту 3-5 релевантных инструментов вместо всех пятидесяти - это режет промпт с описаниями примерно на 90% и заодно снижает галлюцинации. Кэширование промптов: у Anthropic статичный префикс (база знаний, системная инструкция) переиспользуется в 10 раз дешевле - для RAG-сценариев это до 50-90% экономии на повторных вызовах.

Ещё дешевле выходит, когда роли передают тяжёлые данные через файлы и читают только нужную секцию, а не весь документ. Ленивая загрузка (сначала оглавление и метаданные, потом конкретный кусок) экономит 60-80% контекста на этапе retrieval. Считай токены осознанно с первого дня: невидимый расход - неконтролируемый расход.

Не хочешь собирать сам? Ты только что увидел метод. Если процесс горит уже сейчас - соберём команду цифровых сотрудников под твою задачу под ключ: роли, инструменты, handoff-передачи и контроль качества. → Собрать команду под мой бизнес.

Типичные ошибки при сборке (и как избежать)

Слабая модель тут почти никогда не при чём - проваливается методология. Топ-антипаттерны повторяются из проекта в проект: жёсткий конвейер вместо адаптивной оркестрации, сразу оркестратор с 6 ролями вместо старта с одного, запуск без MVP-роли, игнор handoffs, каждый микро-этап отдельным агентом, параллельные сессии на одной папке. Каждый лечится одним правилом «делать / не делать».

Разбор по боли. Модель тупит и фантазирует - не хватает инструкции, дай системный промпт с ролью и правилами. Ответ не в тему - не передали контекст, заполни context.md. Дёргается не тот агент - размытое описание инструментов, уточни, что каждый умеет. Завис на полпути и сжёг токены - нет оркестрации и передачи данных. Сделал с ошибкой, но говорит «готово» - нет контроля качества с выписанными критериями приёмки, а не «работает хорошо».

Отдельно - безопасность, тут приёмы проверены на нескольких источниках и на живых системах. Давай агенту read-only API-ключ с лимитом: даже если его перехватят через prompt injection, максимум утечёт из одного запроса. Запускай MCP-сервер в отдельном процессе с жёстким timeout (3-5 секунд): зависший инструмент не роняет основное приложение. Держи браузерную автоматизацию в Docker-контейнере со свежим состоянием: один агент не загрязнит куки и сессии другому. И не бери сразу много площадок - селекторы меняются, где-то двухфакторка; начинай с одной самой стабильной.

Кейс: как команда закрыла 700 отзывов за ~10 минут

Показательный замер из практики: 700-800 отзывов маркетплейса человек обрабатывает 3-4 недели (это сотрудник с зарплатой 40-50 тысяч в месяц), а команда цифровых сотрудников закрывает их примерно за 10 минут. Сборка простая и ложится на каталог ролей: один агент собирает отзывы, второй пишет черновик ответа, третий-редактор правит тон, четвёртый - QA-проверка перед отправкой. Оркестратор гоняет цикл и не даёт застрять.

Бонус, который не виден на первый взгляд: в ответы можно зашить нужные ключевые слова, и они начинают работать на рекомендации от AI-поисковиков. То есть команда заодно разгружает человека и добавляет ценность, которую вручную никто бы не делал в таком объёме. Ошибки при этом становятся инфраструктурой: поймал сбой - добавил пример в инструкцию, поправил контекст, поставил контрольную точку. Система замыкается в самообучающуюся петлю и перестаёт повторять один и тот же промах.

Это не разовый трюк, а закономерность за 47 внедрениями и 2500+ часами тестов: команду делает не мощность одной модели, а разбиение процесса на роли и чистые handoff-передачи. Похожий разбор для конкретной ниши - команда цифровых сотрудников для маркетплейса: кейс WB и Ozon. Логика везде одна: находишь процесс, который жрёт недели ручной работы, и разбиваешь его на роли под оркестратором.

Частые вопросы

Чем команда AI-агентов отличается от одного AI-агента? Один агент делит один контекст и одну роль: когда задач много, окно перегружается и он путается и фантазирует. Команда разносит процесс по ролям с изоляцией контекста, параллелизмом и передачей работы через handoff-контракты под оркестратором. Один ищет данные, второй пишет, третий проверяет.

Сколько ролей нужно в команде? Норма 4-7. Меньше - не покрываешь процесс. Больше - дорого (токены умножаются), медленно и трудно дебажить. Бери роль только под реальный этап, а смежные этапы с одним типом данных группируй в одну роль, а не плоди агента на каждый микрошаг.

Нужен ли программист, чтобы собрать команду AI-агентов? Для уровня 1 (агент плюс навыки) - нет, методология рассчитана на нетехнического владельца-архитектора. Код нужен глубже: под кастомные инструменты и интеграции с CRM или 1С. Но старт, MVP и первый рабочий результат ты получаешь без единой строчки кода.

Сколько стоит содержать команду цифровых сотрудников? Платишь за токены по факту. Мультиагентная команда умножает расход, поэтому дорогую модель ставишь только на роли со вкусом и рассуждением, рутину - на дешёвую. За счёт изоляции контекста в кейсе финотдела расход упал с $470/мес до копеек.

С чего начать - с одного агента или сразу с команды? С одного: собери MVP на одной роли и прогони end-to-end. Это проверяет инструменты, показывает реальный расход токенов и даёт быстрый дебаг. Убедился, что срез работает, - добавляешь роли по одной. Сразу оркестратор с 6 ролями - антипаттерн.

Как AI-агенты передают работу друг другу? Через handoff-контракты с чёткими критериями: роль-исполнитель, задача, путь к данным, ожидаемый выход. Оркестратор делегирует адаптивно, не по жёсткому графу. Handoff - главная точка отказа мультиагентных систем, поэтому держим правило «нет входа - стоп»: роль останавливается и запрашивает недостающее, а не угадывает.

Какие роли обязательны почти в любой команде AI-агентов? Три роли нужны почти всегда: оркестратор (читает бриф, строит план, делегирует), QA-Reviewer (сверяет выходы с context.md) и Reporter (собирает итог в документ). Остальное - под домен задачи из каталога 17 ролей. Оркестратор и контроль качества превращают набор ботов в управляемую команду.

Вывод

Как собрать команду AI-агентов, разобрали по шагам: это не про «навалить побольше ботов», а про метод. Идёшь от конечного результата назад к этапам, ролям, инструментам и чистым handoff-передачам. Девять шагов, 4-7 ролей из каталога, старт с MVP на одной роли и обязательный контроль качества против context.md. Три уровня архитектуры подсказывают, где остановиться: большинству хватает уровня 1, и это нормально.

Начни просто: возьми один процесс, который жрёт у тебя недели ручной работы, разложи его на этапы и собери MVP на одной роли по гайду ниже. Убедился, что срез работает, - добавляешь роли. Команда из 5 человек с правильно выстроенной командой цифровых сотрудников обгоняет корпорацию из 100 не за счёт стека, а за счёт скорости: пока большая структура согласовывает бриф, ты уже прогнал цикл и получил результат.

Полная методология из 9 шагов, шаблоны context.md и team.md, шаблон файла роли, каталог 17 ролей и 4 готовые сборки - в интерактивном гайде прямо под этой статьёй. Бери, подставляй свой процесс, собирай.