Примеры ИИ-агентов

ИИ-агент Nodul достаточно гибок для поддержки различных архитектур: от единого динамического помощника до модульных мультиагентских систем и интеграции с внешними базами знаний.

1. Базовый пример сценария с ИИ-агентом

Один ИИ-агент получает пользовательские промпты и решает, какие инструменты использовать (если нужно). Эта настройка легковесна, но мощна — способна парсить, маршрутизировать и динамически формировать ответы.

Структура сценария

• Один центральный ИИ-агент
• Подключён к:
  • weather_tool (например, wttr.in)
  • exchangerate_tool (например, exchangerate.host)
  • web_search_tool (например, фактологический поиск)
• Вход от Триггера, выход в SetVariables

Пример вызова 1 — Погода + Валюта

Промпт:

«Какая погода в Берлине и сколько стоит 100 EUR в USD?»

• Агент запускает:
  • weather_tool с городом «Берлин»
  • exchangerate_tool для конвертации EUR в USD
• Пропускает нерелевантные инструменты

Ожидаемый результат:

Сейчас в Берлине 17°C. 100 EUR — это примерно 108 USD.

Пример вызова 2 — Простой факт

Промпт:

«Кто CEO Apple?»

• Агент пропускает погоду и валюту
• Запускает только web_search_tool

Ожидаемый результат:

CEO Apple — Тим Кук.

🎯 Этот сценарий отлично подходит для легковесных помощников, которые отвечают контекстно без сложных логических деревьев.

🔗 Вы можете скопировать этот шаблон здесь: Базовый пример сценария с ИИ-агентом

2. Мультиагент — Пример взаимодействия нескольких ИИ-агентов

Этот подход использует главного агента для разбиения пользовательских запросов и передачи подзадач специализированным агентам. Каждый суб-агент работает независимо и может иметь собственную API-логику.

Структура сценария

• main_agent контролирует общую логику
• Делегирует задачи:
  • weather_agent
  • finance_agent
  • web_search_tool
• Каждый суб-агент подключён к выделенным API или логическим блокам

Пример вызова 1 — Погода + BTC

Промпт:

«Какая погода в Токио и какая цена BTC?»

• main_agent отправляет:

  • Часть про погоду → weather_agent
  • Часть про цену биткоина → finance_agent

  

Ожидаемый результат:

Текущая погода в Токио — 27°C, солнечно. Текущая цена Bitcoin (BTC) — $119,218 USD.

Пример вызова 2 — CEO + Погода в штаб-квартире

Промпт:

«Кто CEO Apple и какая погода в их штаб-квартире?»

• Агент анализирует:

  • Местоположение штаб-квартиры Apple → через web_search_tool
  • Погода в этом месте → через weather_agent

  

Ожидаемый результат:

CEO Apple — Тим Кук. Он занимает эту должность с августа 2011 года, сменив Стива Джобса.

Что касается погоды в штаб-квартире Apple в Купертино, Калифорния — сейчас 27°C, солнечно.

🧩 Этот паттерн хорошо подходит для масштабируемых помощников, где логика должна быть чётко разделена.

🔗 Вы можете скопировать этот шаблон здесь: Пример взаимодействия нескольких ИИ-агентов

3. ИИ-агент с базой данных Cloudflare AutoRAG

Интегрируйте ИИ-агента с Cloudflare AutoRAG для извлечения структурированных внешних знаний — таких как документация продукта, политики или внутренние данные.

Структура сценария

• cloudflare_rag_agent обрабатывает свободные промпты
• Подключены два HTTP-инструмента:
  • rag-database_docs — глубокий семантический поиск
  • raw_data — быстрый фактологический поиск

Пример вызова 1 — Вопрос по документации

Промпт:

«Как работает система биллинга Cloudflare?»

• Агент определяет, что это общий вопрос
• Выбирает rag-database_docs для получения семантического контекста
• Отвечает на основе проиндексированного контента

Ожидаемый результат:

Система биллинга Cloudflare использует модель ежемесячной подписки с пропорциональными начислениями...

Пример вызова 2 — Быстрый факт

Промпт:

«Какая максимальная пропускная способность на бесплатном тарифе Cloudflare?»

• Агент определяет, что это фактологический запрос
• Выбирает raw_data для прямого получения значения

Ожидаемый результат:

Бесплатный тариф Cloudflare включает до 1 ТБ ежемесячной пропускной способности.

📘 Используйте интеграции в стиле AutoRAG для помощников, которые могут рассуждать над вашими документами и давать контекстно-зависимые, точные ответы — без необходимости хостить собственную векторную базу данных или пайплайн эмбеддингов.

🔗 Вы можете скопировать этот шаблон здесь: ИИ-агент с базой данных Cloudflare AutoRAG

Лучшие практики

• Давайте узлам описательные имена — они становятся видимыми «инструментами» для агента
• Используйте Agent ID для поддержания памяти на основе сессий
• Устанавливайте Max Iterations для предотвращения циклов
• Используйте Output JSON Schema, если ответ должен быть структурированным