Перейти к содержимому

LLM: модель как ядро агента

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.

КритерийПочему важен
Поддержка вызова инструментовБез надёжного tool-calling агент не работает: формат вызова, аргументы и ошибки — часть контракта
Размер контекстаАгент читает файлы, документацию и историю; окно в 1M+ токенов убирает целый класс обходных решений
Стоимость токеновМногошаговый агент тратит в 5–20 раз больше одного чата — цена становится архитектурным ограничением
ЗадержкаПоследовательные вызовы складываются; для интерактивных сценариев это решающий фактор
МультимодальностьСкриншоты, макеты и PDF — обычная часть работы над интерфейсами
ДоступностьДанные не всегда можно отправлять в закрытый контур; иногда нужна локальная или self-hosted модель
  • 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.

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.

  • 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.