Недавно мы опубликовали статью о том, как создать и обучить нейросеть с нуля. Это интересный подход, однако даже небольшой проект требует много времени. Вам необходимо изучить основы машинного обучения, понять архитектуру нейросетей, подготовить датасеты и настроить параметры обучения. Такой путь подходит тем, кто хочет глубоко разобраться в технологии и получить практический опыт работы с AI.
Однако чтобы адаптировать нейросети под себя и использовать их на полную, не обязательно изучать их устройство. Можно воспользоваться готовыми инструментами и спроектировать собственного GPT-агента вообще без навыков программирования. Сегодня мы так и поступим — создадим ассистента, который будет помогать откликаться на вакансии.
Чем AI-агент отличается от нейросети и что нужно для его создания
Нейросеть — это математическая модель, которая принимает данные на входе, обрабатывает их по заданным параметрам и выдает результат. Ее можно сравнить с калькулятором: она выполняет вычисления, но не понимает контекста задачи, не анализирует смысл и не способна самостоятельно решить, что делать с полученным результатом.
AI-агент больше напоминает персонального бухгалтера, который использует калькулятор как один из инструментов. Он может выбирать шаги, планировать действия, анализировать данные и выполнять последовательность задач до достижения цели. Агент также способен искать нужные файлы, взаимодействовать с API, принимать решения на основе условий и комбинировать результаты из разных источников.
Чтобы создать AI-агента, нужно объединить несколько компонентов: нейросеть для обработки запросов, базу знаний для контекста, набор инструкций для логики работы и интеграцию с внешними сервисами. К примеру, агент для поиска работы может использовать ChatGPT для генерации текста отклика, API сайта вакансий для поиска объявлений и заранее загруженное резюме для рассылки в подходящие компании.
Вручную запрограммировать такую систему довольно сложно, поэтому есть специальные платформы для сборки AI-агентов — конструкторы с визуальным интерфейсом и готовыми блоками. В них вам достаточно описать задачу, загрузить данные и настроить логику работы через понятный интерфейс. Всю техническую часть сервис берет на себя.
В конце 2025 года n8n считается одной из самых мощных платформ для проектирования агентов. Она поддерживает сотни интеграций, позволяет создавать многошаговые сценарии и работать с базами данных. Однако новичкам с ней будет непросто: вы должны понимать логику API, уметь настраивать различные переменные и условия, работать с JSON-форматом и разбираться в запросах между сервисами.
Чтобы упростить задачу, дальше в статье мы будем использовать Agent Builder — облачный сервис от OpenAI. Он проще n8n и имеет меньше функций, но позволяет создавать агентов практически для любых задач.
Знакомимся с компонентами Agent Builder
Перейдите на сайт platform.openai.com, зарегистрируйтесь и в левом боковом меню выберите Agents → Build agents → Agent Builder. Затем ознакомьтесь с описанием платформы и нажмите Open Agent Builder:
Вы попадете на страницу создания рабочих процессов. Кликните на кнопку Create, чтобы создать собственный новый процесс, или воспользуйтесь одним из готовых шаблонов во вкладке Templates:
После нажатия на Create откроется пустое рабочее пространство со связкой Start → My agent. Это минимальный каркас будущего процесса: Start — точка входа, с которой начинается любой процесс. My agent — блок первого агента. Он может принимать входные данные, анализировать их, выполнять задачи и передавать результат по цепочке.
Start, My agent и другие компоненты из левого меню называются нодами (узлами). Каждый нод — отдельный блок с определенной функцией, который вы можете соединять с другими узлами для построения рабочих процессов. Ноды организованы в четыре группы:
- Core — базовые ноды, которые задают структуру процесса: Agent — главный компонент, в котором хранятся инструкции; Classify помогает маршрутизировать запросы; End завершает выполнение процесса; Note позволяет оставлять заметки возле любого блока.
- Tools — инструменты, которыми агент может пользоваться в процессе: File search ищет информацию в подключенных файлах и базе знаний; Guardrails применяет политики безопасности, чтобы агент не выходил за рамки допустимого поведения; MCP подключает внешние сервисы по специальному протоколу.
- Logic — ноды для управления логикой процесса: If/else создает условные ветвления; While запускает повторения действий до выполнения заданного условия; User approval приостанавливает процесс и запрашивает подтверждение перед следующим шагом.
- Data — ноды для работы с данными: Transform преобразует структуру данных; Set state сохраняет промежуточные результаты в памяти, чтобы использовать их на последующих шагах процесса.
Перечисленных блоков достаточно, чтобы собрать агентский процесс без единой строки кода. Все их, кроме Start, можно менять, удалять или перестраивать под свои задачи. Start удалить нельзя, потому что без него платформа не сможет определить, когда и как запускать процесс.
Создаем GPT-агента с помощью ChatGPT
В этом разделе мы разобьем создание агента на несколько шагов — от формулировки цели до запуска готовой логики. На каждом этапе вы сформулируете запрос в ChatGPT и получите готовые инструкции или структуру данных, которые останется только перенести в Agent Builder.
Шаг 1. Формулируем идею
Начните с вопроса: «Какую задачу должен решать агент?» Это может быть помощник по откликам на вакансии, подборщик курсов, генератор тезисов для статей, ассистент для обработки писем или персональный планировщик — любое действие, которое можно разбить на шаги.
Опишите задачу в ChatGPT — он предложит структуру процесса и подскажет, какие возможности понадобятся агенту. Первый промпт:
Для примера создадим AI-агента, который помогает откликаться на вакансии. Он будет анализировать описание вакансии, сравнивать его с нашим резюме и формировать персонализированное письмо-отклик.
Шаг 2. Превращаем идею в структуру агента
Попросите ChatGPT описать, какие конкретные ноды и логика понадобятся для вашего агента в Agent Builder. Укажите в запросе, что вам необходима пошаговая структура процесса и связи между ними.
Наш агент будет работать по следующей схеме:
- текст вакансии попадает в нод Agent, который сравнит требования работодателя с нашим резюме;
- блок Transform извлекает текст из ответа агента и преобразует его в стандартный формат для дальнейшей обработки;
- узел If/else делит процесс на три сценария: «Не подходит», «Частично подходит» и «Подходит». Каждая ветка связана с отдельным агентом: первый объясняет причины несоответствия, второй помогает готовить отклик и сопроводительное письмо, а третий перечислит навыки, которые необходимо подтянуть, чтобы в следующий раз полностью соответствовать похожей вакансии.
В данном случае логика простая, и можно было бы объединить все в одного агента. Однако мы специально разделяем процесс на несколько узлов, чтобы сделать систему гибкой и масштабируемой. В будущем это позволит нам легко добавить новые функции — например, автоматически собирать данные о вакансиях в Excel-таблицу, отслеживать статусы откликов с датами и комментариями или настроить интеграцию с телеграм для уведомлений о новых подходящих позициях.
Шаг 3. Собираем агента в интерфейсе Agent Builder
Откройте Agent Builder и перенесите структуру, которую описал ChatGPT на предыдущем этапе. Чтобы упростить работу, попробуйте запрос:
После настройки первого нода сделайте скриншот, отправьте его в ChatGPT и попросите проверить, правильно ли все заполнено:
Если все правильно, продолжайте и попросите перейти к следующему шагу. Если во время настройки возникла непонятная ошибка — сделайте скриншот и передайте его ChatGPT вместе с таким промптом:
На первом шаге мы создали нод Agent и прописали правила, по которым ассистент будет обрабатывать вакансии. Затем по рекомендации ChatGPT мы выбрали модель gpt-4.1 и подключили векторную базу знаний. В базу мы загрузили резюме и шаблоны в PDF-формате, которые агент должен использовать при сравнении вакансий с нашим профилем.
Шаг 4. Тестируем и запускаем готового агента
Когда структура нодов готова, нажмите кнопку Run в верхней части полотна и введите тестовый запрос прямо в интерфейс Agent Builder:
Для теста скопируем несколько первых попавшихся вакансий из телеграм-чата Frontend Jobs и посмотрим, как их оценит GPT-агент.
В первом случае сработал поток «Не подходит», и агент перечислил основные критерии, почему нам не стоит откликаться на эту вакансию:
Вторая вакансия «Частично подошла», и GPT-агент порекомендовал откликнуться. Кроме того, он предложил навыки, которые стоит подтянуть перед откликом, и собрал список материалов для изучения:
Третья вакансия попала в категорию «Подходит», поэтому AI-агент подготовил сопроводительное письмо, указал обязательные блоки, которые нужно подсветить в резюме, и составил чек-лист отклика:
Наш GPT-агент полностью работает, но есть нюанс — он платный. Во время подготовки мы протестировали около трех десятков вакансий, и каждый запрос расходовал токены. Всего вышло семьдесят центов — и это при том, что мы выбрали gpt-4.1, а не более современную модель.
Поэтому на этапе проектирования ассистента рекомендуем посетить страницу API Pricing, изучить тарифы и попросить ChatGPT выбрать для своей задачи оптимальную модель, чтобы не переплачивать за токены.
