О клиенте
Клиент хотел активнее использовать ИИ во внутренних процессах компании. Отдельные ИИ-инструменты уже применялись, но создание новых агентов и настройка сценариев требовали технических знаний и участия разработчиков.
Из-за этого ИИ оставался инструментом инженерных команд. Другие отделы не могли быстро запускать собственных агентов для поиска информации, анализа документов, исследования внешних источников и работы с корпоративной базой знаний.
Клиенту требовалась платформа, которая позволила бы сотрудникам без технических знаний самостоятельно создавать ИИ-агентов, настраивать их и подключать к внутренним процессам.
Задача
По мере роста интереса к ИИ внутри компании стало понятно, что точечные инструменты плохо масштабируются. Для каждой новой задачи приходилось привлекать разработчиков: описывать логику агента, подключать источники данных, настраивать обработку документов и запуск.
Это замедляло внедрение ИИ в отделах, которым нужны были быстрые эксперименты и прикладные сценарии: поиск по документам, сбор информации из открытых источников, подготовка кратких сводок, анализ данных и работа с внутренними знаниями.
Основные задачи проекта:
- дать сотрудникам возможность создавать ИИ-агентов через чат, без написания кода;
- позволить пользователю описывать задачу обычным языком;
- автоматически переводить описание задачи в логику работы агента;
- подключать агентов к документам, внутренним базам знаний и внешним источникам;
- поддержать исследовательские задачи: сбор, сравнение и анализ информации из разных источников;
- дать командам инструменты для настройки, запуска и управления ИИ-агентами;
- упростить внедрение ИИ в разных отделах компании.
Обзор проекта
Мы разработали платформу, в которой ИИ-агенты создаются через чат-интерфейс. Пользователь описывает, что должен делать агент, а система собирает из этого рабочий сценарий: какие данные использовать, какие шаги выполнить и какой результат вернуть.
Архитектура строилась вокруг LangGraph, который задает порядок работы агента: какие шаги выполнить, какие данные запросить и как обработать промежуточные результаты. Crawl4AI и Tavily отвечают за сбор данных из открытых источников, Docling — за подготовку документов, а Docker помогает запускать агентов в отдельных окружениях.
Платформа подходит для исследовательских задач, поиска по внутренним знаниям, обработки документов и автоматизации повторяющихся операций. Вместо разработки отдельного инструмента под каждую задачу сотрудник может собрать нужного агента через диалоговое окно.
- География проекта: Европа
- Отрасль: Корпоративное ПО / ИИ-платформы
- Сроки: 5 месяцев
Решение
Команда СКЭНД разработала платформу для создания и управления ИИ-агентами без программирования.
Пользователь работает с системой через чат. Он описывает задачу, источники данных и ожидаемый результат, а платформа собирает рабочую логику агента: определяет шаги, подключает документы или внешние источники и запускает задачу.
ИИ-агенты могут искать информацию в документах, работать с корпоративной базой знаний, собирать данные из открытых источников и готовить исследовательские сводки. Также в платформу входят инструменты для управления файлами, поиска, настройки агентов и контроля их запуска.
За счет LangChain и LangGraph команда реализовала управляемую работу агентов: система не просто отправляет запрос в LLM, а выстраивает последовательность действий, обрабатывает данные и возвращает результат в понятном формате.
Ключевые возможности
- создание и настройка ИИ-агентов через чат;
- описание задач обычным языком без написания кода;
- автоматическое формирование логики агента на основе инструкций пользователя;
- создание рабочих процессов для ИИ-автоматизации без написания кода;
- поиск по внутренним документам и корпоративным базам знаний;
- сбор данных из внешних источников для исследовательских задач;
- обработка документов и управление файлами;
- поиск по внутренним и внешним источникам;
- управление запуском и настройками ИИ-агентов;
- поддержка внешних и локальных LLM;
- поддержка моделей для векторного поиска и семантического сопоставления.
Технологический стек
- Управление логикой агентов: LangChain, LangGraph;
- Сбор данных из внешних источников: Crawl4AI, Tavily;
- Обработка документов: Docling, NumPy, Pandas;
- Инфраструктура и запуск: Docker, Docker Compose.
Результаты
Платформа упростила внедрение ИИ внутри компании: сотрудники получили возможность создавать ИИ-агентов, настраивать рабочие сценарии и запускать инструменты для поиска, анализа и обработки информации без кода.
Чат-интерфейс снизил барьер для использования ИИ в разных отделах: команды теперь самостоятельно запускают агентов для исследовательских задач, работы с документами и поиска по корпоративной базе знаний.
В результате клиент получил:
- платформу для создания ИИ-агентов без участия разработчиков;
- создание и настройку агентов через обычный диалог с системой, без технических команд;
- инструменты для поиска по документам и внутренним базам знаний;
- сбор информации из внешних источников;
- управление файлами, настройками и запуском агентов;
- изолированный запуск агентов через Docker;
- среду для быстрых экспериментов с ИИ в разных отделах компании.