Перейти к основному контенту

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.

  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.

  • 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:

Нет комментариев
Наверх