﻿---
title: "LLM: модель как ядро агента"
description: "Как выбирать языковую модель под агентную задачу: стоимость, задержка, поддержка вызова инструментов и размер контекста вместо гонки за бенчмарками."
---

## Что делает слой

Модель — ядро системы: она интерпретирует задачу, планирует шаги, решает, какой инструмент вызвать, и формулирует ответ. Всё остальное — данные, инструменты, оркестрация — только расширяет и ограничивает её решения.

Современные модели 2026 года уверенно работают в рассуждении, коде и агентных сценариях. Практическая разница между ними редко в том, кто выше в общем рейтинге, и почти всегда — в конкретных свойствах под вашу задачу.

## Что реально влияет на выбор

| Критерий | Почему важен |
|---|---|
| Поддержка вызова инструментов | Без надёжного tool-calling агент не работает: формат вызова, аргументы и ошибки — часть контракта |
| Размер контекста | Агент читает файлы, документацию и историю; окно в 1M+ токенов убирает целый класс обходных решений |
| Стоимость токенов | Многошаговый агент тратит в 5–20 раз больше одного чата — цена становится архитектурным ограничением |
| Задержка | Последовательные вызовы складываются; для интерактивных сценариев это решающий фактор |
| Мультимодальность | Скриншоты, макеты и PDF — обычная часть работы над интерфейсами |
| Доступность | Данные не всегда можно отправлять в закрытый контур; иногда нужна локальная или self-hosted модель |

## Классы моделей

- **Открытые и доступные** — семейства DeepSeek, Qwen, GLM, Kimi. Их можно разворачивать на своём железе и настраивать под домен.
- **Проприетарные модели верхнего уровня** — Claude (Anthropic), GPT (OpenAI), Gemini (Google). Обычно сильнее в агентных и сложных задачах, но дороже и с ограничениями по данным.

Деление условное: важен не лагерь, а то, насколько модель держит контракт вызова инструментов и не теряет инструкции на длинном контексте.

## Модель как заменяемая деталь

Здоровая архитектура предполагает, что модель можно поменять, не переписывая систему. Для этого:

- **Промпты и политики** хранятся отдельно от кода вызова и версионируются.
- **Формат ответа** задан схемой, а не «как получится»: JSON-схема или явные правила разметки.
- **Тесты качества** прогоняются на фиксированном наборе задач до и после смены модели (см. [Оценка качества](https://wpcraft.ru/kb/ai/agents/evaluation.md)).
- **Маршрутизация по шагам** — обычная практика: дешёвая модель для извлечения и классификации, сильная — для планирования и финального ответа.

Ещё один рабочий приём — не полагаться на одну модель в критичном шаге: второй проход другой моделью или проверка результата ловит часть ошибок, которые одна модель не заметит.

## Что проверить в проекте

- **Уложится ли задача в контекст.** Если документация проекта не входит в окно, вопрос не в модели, а в [RAG](https://wpcraft.ru/kb/ai/rag.md).
- **Хватит ли бюджета на многошаговость.** Оцените не цену одного запроса, а среднее число шагов до результата.
- **Есть ли деградация на длинном контексте.** Модель, которая «забывает» инструкции к середине, ломает весь агентный цикл.
- **Не завязан ли промпт на особенности одной модели.** При смене версии такие промпты разваливаются.

## Материалы и источники

- [Системное мышление для агентного ИИ](https://wpcraft.ru/blog/systems-thinking-for-agentic-ai) — статья WPCraft, раздел «LLM»