Обзор разработки ИИ-агентов на Metabot

Введение

Metabot — это универсальный Low-сode/Full-code фреймворк для создания ИИ-агентов, где можно:

подключать любые LLM;
интегрировать базы знаний;
строить цепочки reasoning;
и управлять всем этим без кода.

Платформа Metabot позволяет создавать интеллектуальных ассистентов, чат-ботов и целые AI-приложения.

Metabot объединяет скрипты, атрибуты, API-шлюзы, базу знаний и инструменты трассировки, формируя полноценный фреймворк для построения когнитивных систем.

Основные компоненты

Все компоненты вместе формируют Metabot Agent Stack (MAS) — стек для мульти-агентной разработки.

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: