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: подключать любые LLM; интегрировать базы знаний; строить цепочки reasoning; и управлять всем этим без кода. 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. Пользователь пишет сообщение в чат (Telegram, WebChat, WhatsApp). Скрипт получает это сообщение и вызывает LLMClient внутри команды Выполнить асинхронный API-запрос — формируется запрос (prompt) к языковой модели. 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. Импорт данных: файлы (PDF, TXT, DOCX) можно загружать через Txt Importer, который разбивает их на чанки и векторизирует. Поиск: компонент KnowbaseSearch позволяет выполнять семантический поиск (по смыслу), а компонент кастомной таблицы позволяет реализовать поиск по точному совпадению. Контекст: найденные фрагменты подаются в LLM, обеспечивая точные и осмысленные ответы. 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: параметры LLM; промпты и конфигурации; параметры подключения к базам знаний; контексты для разных режимов общения. Отладка и трассировка Для разработки ИИ-агентов крайне важно видеть, почему модель дала тот или иной ответ. В Metabot встроена система трассировки: журнал запросов и ответов; сохранение контекста промптов; визуальная отладка reasoning-потока. Это помогает быстро улучшать промпты и повышать точность ответов. Интеграции и API Metabot легко соединяется с внешними системами: CRM ERP и LMS DataLens, Google Sheets, SQL-базы API партнёров и внутренних сервисов Встроенные Low-code возможности позволяют строить интеграции без необходимости писать сложный backend. 📎 Полезные уроки и материалы 📚 Смотрите также: Работа с LLMClient Сниппеты и конфигурация агентов База знаний и семантический поиск Трассировка и отладка Интеграция с внешними API 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: 🧠 LLM‑интеграцию (OpenAI, Claude, GigaChat, Gemini и др.); 📚 векторные базы знаний (PgVector, ClickHouse, Elastic); ⚙️ Low‑code/Full-code сценарии и скрипты на JavaScript; 🔀 интеграцию с API и CRM/ERP системами; 🗂️ память и атрибуты для хранения контекста; 🛰️ агентные пайплайны и маршрутизацию намерений. 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 Быстрая сборка LLM‑ассистентов под любые задачи. Поддержка RAG‑поиска и работы с корпоративными базами. Интеграция с CRM, ERP, LMS, аналитикой и BI‑дашбордами. Автоматизация поддержки, обучения и документооборота. Простое масштабирование от одного агента к мультиагентной сети. 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 Работа с LLMClient Knowledge Base и RAG Snippets и конфигурация агентов Tracing и отладка reasoning Интеграция с внешними API Следующий шаг: изучите уроки по MAS и попробуйте создать собственного агента — участника предстоящего Баттла ассистентов и рыцарей!