Обзор MAS (старая версия)

Обзор разработки ИИ-агентов на Metabot

Введение

Metabot — это универсальная low-code / full-code платформа, объединяющая возможности чат-ботов, интеграций и backend-автоматизации.
Она служит коммуникационным и интеграционным ядром, где можно проектировать бизнес-процессы, собирать ассистентов и подключать внешние сервисы.

На этой основе создан Metabot Agent Stack (MAS) — фреймворк для разработки интеллектуальных ассистентов и мультиагентных систем, где можно:

MAS использует компоненты платформы (скрипты, атрибуты, API-шлюзы, базу знаний, трассировку) и расширяет их возможностями работы с LLM, RAG-поиском и reasoning-цепочками.

Именно связка Metabot + MAS превращает платформу из конструктора чат-ботов в инфраструктуру для создания ИИ-агентов, способных взаимодействовать с данными, людьми и процессами.

Основные компоненты

Все компоненты вместе формируют Metabot Agent Stack (MAS):

Компонент Назначение
Run asynchronous API-request Команда для выполнения асинхронного API-запрос c замыканием состояния на текущей команде и ожиданием результата выполнения запроса. Через нее происходит обращение к LLM.
LLMClient Универсальный компонент для работы с языковыми моделями (OpenAI, Claude, YandexGPT, GigaChat и др.) через API. Поддерживает синхронные и асинхронные запросы.
Snippets Параметризуемые фрагменты кода и настроек, которые позволяют конфигурировать агента под конкретный проект.
Knowledge Base База знаний на PostgreSQL с поддержкой PgVector. Позволяет хранить документы, разрезать их на чанки, векторизировать и выполнять семантический поиск.
KnowbaseSearch Компонент для RAG-поиска (Retrieval Augmented Generation). Ищет релевантные фрагменты знаний и формирует контекст для LLM.
Custom Tables Пользовательские таблицы для хранения данных, промптов и контекстов.
Txt Importer Скрипт для импорта текстовых файлов, разрезки на чанки и векторизации (эмбеддинги).
Tracing Встроенная трассировка запросов и ответов LLM — для отладки и анализа reasoning-процессов.
API/Webhooks Встроенные средства интеграции с внешними системами и сервисами.

Как работает агент в Metabot 

Создание ИИ-агента в Metabot строится вокруг сценария (script). Сценарий описывает последовательность шагов взаимодействия с пользователем и внешними системами.

  1. Пользователь пишет сообщение в чат (Telegram, WebChat, WhatsApp).

  2. Скрипт получает это сообщение и вызывает LLMClient внутри команды Выполнить асинхронный API-запрос — формируется запрос (prompt) к языковой модели.

  3. Ответ модели возвращается в нужную точку сценария и используется для следующего шага.

Пример логики:

Пользователь задаёт вопрос → скрипт вызывает LLMClient → LLM обращается к базе знаний → формируется ответ → отправляется пользователю.

Таким образом, агент — это цепочка вызовов между пользователем, памятью, моделью и логикой сценария.

📚 Работа с базой знаний

Metabot поддерживает векторную базу знаний с возможностью гибридного поиска.

Конфигурация и хранение настроек

Все параметры агента — ключи API, идентификаторы моделей, пути к данным — сохраняются в атрибутах бота. Это делает систему безопасной и удобной для тиражирования проектов.

Для каждого ассистента можно хранить:

Отладка и трассировка

Для разработки ИИ-агентов крайне важно видеть, почему модель дала тот или иной ответ. В Metabot встроена система трассировки:

Это помогает быстро улучшать промпты и повышать точность ответов.

Интеграции и API

Metabot легко соединяется с внешними системами:

Встроенные Low-code возможности позволяют строить интеграции без необходимости писать сложный backend.

📎 Полезные уроки и материалы

📚 Смотрите также:

Metabot Agent Stack (MAS)

Мир переходит от интерфейсов кликов к взаимодействию с ИИ через естественный язык. Ассистенты и агенты становятся основой нового поколения программ — они умеют понимать контекст, учиться и действовать.

Но как программировать таких агентов — без сложной архитектуры и кода?

Ответ — MAS (Metabot Agent Stack). Это не просто набор инструментов.
MAS — это фреймворк проектирования разумных агентов, встроенный в инфраструктуру Metabot.

Что такое MAS

MAS (Metabot Agent Stack) — это архитектурный стек, который объединяет:

MAS разворачивается поверх платформы Metabot и превращает её из конструктора чат‑ботов в полноценную мультиагентную среду.

Архитектура MAS

MAS построен по принципу мультиагентных пайплайнов, где каждый агент выполняет конкретную роль, а их взаимодействие обеспечивает целостное поведение системы.

Компонент Назначение
Intent Router Анализирует запрос пользователя и направляет его в нужный агент.
RAG‑агент Извлекает информацию из внутренних документов, формирует контекст и передаёт в LLM.
SQL‑агент Строит SQL‑запросы к базам данных и формирует аналитические ответы.
Knowledge Base Search Обеспечивает семантический поиск по базе знаний.
LLMClient Управляет вызовами языковых моделей и их конфигурацией.
Snippets Хранят параметры, промпты и настройки агента.
Tracing Отслеживает взаимодействия и reasoning‑потоки между агентами.

MAS поддерживает работу в мессенджерах, web‑чатах, корпоративных интерфейсах и может интегрироваться с BI‑инструментами и DataLens.

MAS vs другие фреймворки

Функциональность MAS (Metabot) LangChain/LangGraph LlamaIndex Botpress / Rasa
Память и контекст ✅ ⚠️ вручную ⚠️ ограничено ✅ FSM
Поддержка RAG ✅ ✅ ✅ ⚠️ частично
Асинхронность ✅ ⚠️ зависит от infra ⚠️ ⚠️
Flow Logic ✅ (визуально) ⚠️ вручную ⚠️ ✅
Интеграции (API, CRM, SQL) ✅ встроенные ❌ ⚠️ ⚠️
JS + Low‑Code ✅ ❌ (Python) ❌ (Python) ✅
Поддержка мессенджеров ✅ ❌ ❌ ✅
Запуск без кода ✅ ❌ ❌ ⚠️

MAS занимает нишу между классическими LLM‑фреймворками и бизнес‑платформами:
он даёт архитектурную гибкость LangChain/LangGraph, но упрощает программирование.

🧬 MAS как философия

“Нейросети не мыслят. Интеллект рождается в инфраструктуре вокруг них.”
— Юрий Гарашко, «Сети жизни vs Deep Learning»

MAS воплощает идею событийно‑коммуникативной архитектуры:
агент не существует изолированно, а живёт в потоке событий, контекстов и действий.

Каждый агент хранит собственную память, имеет зону ответственности и взаимодействует через Intent Router.
Вся система строится вокруг атрибутов лида — единой модели состояния, что позволяет связывать диалоги, данные и действия без написания backend‑кода.

Что даёт MAS разработчикам и бизнесу

MAS позволяет компаниям перейти от «чат‑ботов с ИИ» к когнитивным операционным системам — где агенты не просто отвечают, а управляют процессами и принимают решения.

📚 Рекомендуемые материалы

Следующий шаг: изучите уроки по MAS и попробуйте создать собственного агента — участника предстоящего Баттла ассистентов и рыцарей!