LLM: модель как ядро агента
Что делает слой
Заголовок раздела «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
Заголовок раздела «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
Заголовок раздела «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
Заголовок раздела «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).
- 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
Заголовок раздела «Что проверить в проекте»- Уложится ли задача в контекст. Если документация проекта не входит в окно, вопрос не в модели, а в RAG.
- 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
Заголовок раздела «Материалы и источники»- Системное мышление для агентного ИИ — статья WPCraft, раздел «LLM»