ЧАСТЬ III: НОВАЯ ПАРАДИГМА

Платформы для агентов

Глава 20. Платформы для агентов

"No-code платформы делают AI-агентов доступными каждому. Но знание основ критично для мастерства."

20.1. От кода к визуальному программированию

Эволюция создания агентов

Уровень 1: Чистый код (2023)

# 200 строк кода для простого агента
agent = Agent(...)
tools = [...]
memory = ...
# etc.

Уровень 2: Фреймворки (2024)

# LangChain, CrewAI сократили до 50 строк
from crewai import Agent, Task, Crew
agent = Agent(role="...", goal="...")

Уровень 3: No-code платформы (2024-2025)

┌───────────┐       ┌───────────┐       ┌──────────┐
│  Trigger  │ ────> │  Agent    │ ────> │  Action  │
└───────────┘       └───────────┘       └──────────┘
     ↑                    │                    ↑
     └────────────────────┴────────────────────┘

Визуальное программирование — без кода!

Зачем нужны no-code платформы

Преимущества:

  • ✅ Быстрее: Минуты вместо часов
  • ✅ Доступнее: Не нужно быть программистом
  • ✅ Визуально: Видишь flow сразу
  • ✅ Интеграции: Сотни готовых коннекторов

Недостатки:

  • ❌ Меньше гибкости
  • ❌ Ограничения платформы
  • ❌ Сложнее debugging

Вывод: Используйте no-code для быстрых прототипов и стандартных задач. Код — для сложной логики.

20.2. n8n — автоматизация с AI

Что такое n8n

n8n — open-source платформа для автоматизации workflows.

Особенности:

  • Визуальный редактор (drag-and-drop)
  • 400+ интеграций (Google, Slack, DB, etc.)
  • AI-ноды (OpenAI, Anthropic, etc.)
  • Self-hosted или cloud

Сайт: n8n.io

Установка

Docker (рекомендуется):

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v ~/.n8n:/home/node/.n8n \
  n8nio/n8n

NPM:

npm install -g n8n
n8n

Откройте: http://localhost:5678

Первый workflow: Email summarizer

Задача: Получать emails, суммировать AI, сохранять в Notion.

Workflow:

┌──────────┐     ┌─────────┐     ┌─────────┐     ┌─────────┐
│  Gmail   │ ──> │ OpenAI  │ ──> │ Notion  │ ──> │  Done   │
│ Trigger  │     │Summarize│     │  Save   │     │         │
└──────────┘     └─────────┘     └─────────┘     └─────────┘

Шаги в n8n:

  1. Gmail Trigger Node

    • Trigger: On new email
    • Label: "Important"

  2. OpenAI Node

    • Model: gpt-4
    • Prompt: "Summarize this email: {{ $json.body }}"

  3. Notion Node

    • Operation: Create page
    • Database: "Email Summaries"
    • Title: {{ $json.subject }}
    • Content: {{ $json.summary }}

Готово! Workflow работает автоматически.

AI Agent в n8n

Пример: Customer Support Bot

┌──────────┐     ┌─────────────┐     ┌─────────────┐
│ Webhook  │ ──> │ AI Agent    │ ──> │  Response   │
│  Input   │     │ + Tools     │     │             │
└──────────┘     └─────────────┘     └─────────────┘

AI Agent Node:

  • Model: GPT-4
  • System Prompt: "You are a customer support agent"
  • Tools:
    • Search Knowledge Base (Pinecone)
    • Get Order Status (HTTP Request)
    • Create Ticket (Zendesk)

Как это работает:

  1. Пользователь: "Where is my order #12345?"
  2. Agent понимает → нужен инструмент "Get Order Status"
  3. Вызывает HTTP Request к вашему API
  4. Получает статус
  5. Отвечает пользователю

Весь flow — визуальный, без кода!

Memory в n8n

Sticky Note Node — память для агента:

┌──────────┐     ┌──────────────┐     ┌─────────┐
│ Message  │ ──> │ Sticky Note  │ ──> │ AI Agent│
│  Input   │     │   (Memory)   │     │         │
└──────────┘     └──────────────┘     └─────────┘

Sticky Note хранит историю → Agent помнит контекст.

Пример из практики: Мой опыт с n8n

Задача: Автоматизировать обработку заявок.

Flow:

  1. Новая заявка → Google Form
  2. n8n получает данные
  3. AI классифицирует заявку (urgent/normal/low)
  4. Если urgent → Slack notification
  5. Создаёт задачу в Jira
  6. Отправляет email клиенту

Время создания: 30 минут.

Без n8n: Пришлось бы писать код, настраивать сервер, деплоить. 2-3 дня.

20.3. LangFlow — визуальный LangChain

Что такое LangFlow

LangFlow — визуальный редактор для создания LangChain flows.

Особенности:

  • Drag-and-drop для LangChain компонентов
  • Реальное время: видишь выполнение
  • Export в Python код
  • Векторные БД, агенты, chains

GitHub: logspace-ai/langflow

Установка

pip install langflow
langflow run

Откройте: http://localhost:7860

Создание RAG-системы

Компоненты:

┌──────────┐     ┌────────────┐     ┌─────────┐
│Documents │ ──> │ Embeddings │ ──> │Chroma DB│
└──────────┘     └────────────┘     └─────────┘
                                          │
                                          ↓
┌──────────┐     ┌────────────┐     ┌─────────┐
│  Query   │ ──> │ Retriever  │ ──> │   LLM   │
└──────────┘     └────────────┘     └─────────┘

Шаги:

  1. File Loader — загрузить документы
  2. Text Splitter — разбить на chunks
  3. OpenAI Embeddings — создать векторы
  4. Chroma — сохранить в векторную БД
  5. Retriever — поиск по запросу
  6. Conversational Retrieval Chain — LLM + контекст
  7. Chat Output — ответ пользователю

Всё визуально!

Export в код

После создания flow → Export:

# Автоматически сгенерированный код
from langflow import load_flow_from_json

flow = load_flow_from_json("my_rag_system.json")
result = flow("What is quantum computing?")

Удобно:

  • Прототип в LangFlow (визуально)
  • Production в коде (больше контроля)

20.4. Flowise — no-code LLM apps

Что такое Flowise

Flowise — open-source drag-and-drop для LLM приложений.

Особенности:

  • Похож на LangFlow, но проще
  • Встроенный UI для чат-ботов
  • API для интеграции
  • Много шаблонов

GitHub: FlowiseAI/Flowise

Установка

npm install -g flowise
npx flowise start

Откройте: http://localhost:3000

Создание чат-бота за 5 минут

Шаблон: Conversational Agent

  1. Chat Model (GPT-4)
  2. Memory (Buffer Memory)
  3. Tools:
    • Calculator
    • Wikipedia
    • Web Browser
  4. Output (Chat UI)

Готово! Встроенный UI для тестирования.

API Endpoint:

curl -X POST http://localhost:3000/api/v1/prediction/YOUR_CHATFLOW_ID \
  -H "Content-Type: application/json" \
  -d '{"question": "What is 2+2 and who is Einstein?"}'

Интеграция:

// Frontend
const response = await fetch('http://localhost:3000/api/v1/prediction/...', {
  method: 'POST',
  body: JSON.stringify({ question: userInput })
});
const data = await response.json();
console.log(data.text);  // Ответ агента

20.5. Dify — all-in-one платформа

Что такое Dify

Dify — полная платформа для LLM приложений.

Возможности:

  • Visual orchestration
  • Prompt management
  • RAG engine
  • Agent framework
  • Multi-tenant (для SaaS)

Сайт: dify.ai

Установка

git clone https://github.com/langgenius/dify.git
cd dify/docker
docker-compose up -d

Откройте: http://localhost

Создание Chatbot

Режимы в Dify:

  1. Chatbot — простой чат-бот
  2. Text Generator — генерация текста
  3. Agent — автономный агент с инструментами
  4. Workflow — сложные flows

Создание Agent:

Studio → Create Application → Agent

Настройки:

  • Model: GPT-4
  • Instructions: System prompt
  • Tools: Добавить инструменты (Google Search, Calculator, etc.)
  • Memory: Включить

Публикация:

  • Получить API key
  • Встроить виджет на сайт
  • Или использовать API

RAG в Dify

Knowledge Base:

  1. Upload documents (PDF, TXT, MD)
  2. Chunking strategy (авто/ручной)
  3. Embedding model (OpenAI/Cohere)
  4. Vector DB (Pinecone/Weaviate/Qdrant)

В Agent:

  • Enable "Knowledge Retrieval"
  • Select knowledge base

Агент теперь использует ваши документы!

20.6. Сравнение платформ

n8n vs LangFlow vs Flowise vs Dify

Критерийn8nLangFlowFlowiseDify
ФокусАвтоматизацияLangChain визуалLLM appsAll-in-one
Простота⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
Гибкость⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
AI focus⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐⭐
RAG❌✅✅✅
Agents✅✅✅✅
API✅✅✅✅
Self-hosted✅✅✅✅
Open-source✅✅✅✅

Когда использовать что

n8n:

  • Нужна автоматизация + AI (emails, CRM, etc.)
  • Много интеграций с сервисами
  • Комплексные workflows

LangFlow:

  • Прототипирование LangChain flows
  • Нужен export в Python код
  • Сложные цепочки и агенты

Flowise:

  • Быстрый чат-бот
  • Простота важнее гибкости
  • Встроенный UI

Dify:

  • Полноценное LLM приложение
  • RAG критичен
  • Multi-tenant SaaS

20.7. Лимиты no-code платформ

Что no-code НЕ может

1. Сложная бизнес-логика

# Такое сложно сделать визуально
if user.role == "admin" and order.status == "pending":
    if order.total > 1000 and user.vip_level >= 3:
        apply_discount(0.15)
    elif order.items_count > 10:
        apply_discount(0.1)

2. Тонкая настройка промптов

No-code платформы предлагают шаблоны, но:

  • Сложно итерировать над промптами
  • Нет A/B тестирования промптов
  • Ограниченный контроль над контекстом

3. Кастомные инструменты

Добавить свой инструмент:

  • В коде: 10 строк
  • В no-code: Нужен webhook → сервер → API

4. Производительность

  • No-code добавляет overhead
  • Для high-load лучше код

Hybrid подход (лучшее из двух миров)

Прототип в no-code → Production в коде

1. Идея → n8n (30 минут, прототип)
2. Тестирование → работает!
3. Переписать в Python (2 часа, оптимизация)
4. Deploy production код

Или:

No-code для UI + Код для логики

Frontend: Flowise (визуальный чат-бот)
          ↓ (API)
Backend:  Python (сложная логика, ML models)

20.8. Практика: Полный проект в n8n

Задание: AI Email Assistant

Функции:

  1. Мониторинг входящих emails
  2. Классификация (важные/спам/обычные)
  3. Автоответы на простые вопросы
  4. Создание задач для сложных
  5. Еженедельный summary

Workflow:

┌─────────────────────────────────────────────────┐
│  Trigger: Gmail (every 5 min)                   │
└──────────────┬──────────────────────────────────┘
               │
               ↓
┌─────────────────────────────────────────────────┐
│  AI: Classify email (urgent/normal/spam)        │
└────┬───────────────┬────────────────────┬───────┘
     │               │                    │
     ↓               ↓                    ↓
┌─────────┐   ┌──────────┐      ┌────────────┐
│  Spam   │   │  Normal  │      │   Urgent   │
│ (ignore)│   │          │      │            │
└─────────┘   └────┬─────┘      └─────┬──────┘
                   │                   │
                   ↓                   ↓
           ┌───────────────┐   ┌──────────────┐
           │ Can answer?   │   │ Create task  │
           │ (AI check)    │   │ in Todoist   │
           └───┬───────┬───┘   └──────────────┘
               │       │
               ↓       ↓
         ┌─────┐  ┌────────┐
         │ Yes │  │   No   │
         └──┬──┘  └───┬────┘
            │         │
            ↓         ↓
      ┌──────────┐ ┌──────────┐
      │Send reply│ │Create    │
      │(AI gen)  │ │task      │
      └──────────┘ └──────────┘

Nodes:

  1. Gmail Trigger
  2. OpenAI: Classify (prompt: "Classify this email as urgent/normal/spam")
  3. If (spam → stop)
  4. If (urgent → create task)
  5. OpenAI: Can Answer? (prompt: "Can this be answered with standard info?")
  6. If (yes → generate reply)
  7. Gmail: Send Reply
  8. Todoist: Create Task (if complex)

Weekly Summary Node:

┌─────────────────────────────────────────────────┐
│  Cron: Every Monday 9am                         │
└──────────────┬──────────────────────────────────┘
               │
               ↓
┌─────────────────────────────────────────────────┐
│  Get: All tasks from last week (Todoist)        │
└──────────────┬──────────────────────────────────┘
               │
               ↓
┌─────────────────────────────────────────────────┐
│  AI: Summarize tasks and generate report        │
└──────────────┬──────────────────────────────────┘
               │
               ↓
┌─────────────────────────────────────────────────┐
│  Send: Email with summary                       │
└─────────────────────────────────────────────────┘

Готово! AI Email Assistant работает 24/7.

20.9. Будущее no-code AI платформ

Тренды

1. Мультимодальность

  • Не только текст, но и изображения, видео, аудио
  • Unified workflows

2. Автономные агенты

  • Агенты работают самостоятельно дни/недели
  • Human-in-the-loop только для критичных решений

3. Marketplace инструментов

  • Библиотеки готовых flows
  • Покупка/продажа AI workflows

4. AI помогает создавать AI

You: "Create a workflow that monitors Twitter and generates weekly report"

AI Platform: [создаёт workflow автоматически]

5. Интеграция с кодом

  • Бесшовный переход no-code ↔ code
  • Гибридные workflows

Ключевые выводы главы

✅ No-code платформы: n8n (автоматизация), LangFlow (LangChain визуал), Flowise (чат-боты), Dify (all-in-one)

✅ Преимущества: Скорость, доступность, визуализация, интеграции

✅ Ограничения: Меньше гибкости, сложнее debugging, лимиты платформы

✅ n8n: Лучший для автоматизации workflows + AI

✅ LangFlow/Flowise: Лучшие для прототипирования LLM приложений

✅ Dify: All-in-one для полноценных LLM apps

✅ Hybrid подход: No-code для прототипа → код для production

✅ Будущее: AI создаёт AI workflows автоматически

Завершение Части III: Поздравляю! Вы освоили новую парадигму Growing Software.

Следующая часть: ЧАСТЬ IV — Масштабирование: Production, Performance, Security