Главная мысль урока: автоматизация — это всегда три части: триггер (что запускает) → шаги (что происходит) → действия (что меняется в мире). LLM — один из шагов, а не вся система. Надёжный продакшн 2026 года — это в основном обычный предсказуемый код с точечными LLM-вкраплениями там, где нужно понимать текст или принимать суждение. Агентная свобода — не дефолт, а осознанная покупка.
Три триггера: будильник, дверной звонок, датчик
Любая автоматизация начинается с вопроса «что её запускает?». Вариантов три, и у каждого бытовой образ:
Расписание (cron) — будильник: «каждый понедельник в 9:00 собери отчёт». Запуск по времени, независимо от событий.
Вебхук (webhook) — дверной звонок: внешний сервис «звонит» вашей автоматизации, когда у него что-то случилось. Оплата прошла в GetCourse → звонок → запускается выдача доступа.
Событие/наблюдение — датчик движения: автоматизация следит за чем-то сама. Новое письмо в ящике, новый файл в папке → запуск.
В конструкторах типа n8n это буквально первый блок схемы: триггер → AI-блок → действия. У вебхука из коробки есть защита: отдельные тестовый и боевой адреса, фильтры «кто может звонить». (доки n8n, Webhook)
Шаги: где код, а где LLM
Вспомните развилку из урока 1: workflow — маршрут задан заранее, агент — модель сама решает, что делать дальше. В автоматизации процессов эта развилка решается на уровне каждого шага, а не всей системы.
оплата (вебхук) → [код] найти ученика → [код] выдать доступ → [LLM] написать персональное приветствие → [код] отправить
Посмотрите: из четырёх шагов LLM нужен в одном. Найти ученика и выдать доступ — задачи с точным ответом, их делает обычный код: быстро, бесплатно, без сюрпризов. А вот тёплое приветствие с учётом купленного курса — суждение и текст, здесь LLM на своём месте.
Это консенсус практиков 2026 года, выведенный из сотни интервью с командами: надёжный продакшн-ИИ — это «в основном детерминированный код» (то есть предсказуемый: одинаковый вход → одинаковый выход) «с точечными LLM-решениями в нужных местах». (12-Factor Agents)
Когда шагу нужна агентная свобода
Правило Anthropic из урока 1 никуда не делось: «ищите простейшее возможное решение». Агентность — размен: вы покупаете гибкость, платя задержкой, токенами и непредсказуемостью. (Anthropic, Building Effective Agents)
Чеклист OpenAI, когда агент оправдан: сложные многошаговые решения (возврат денег: правила, история клиента, исключения), неструктурированные данные (понять, что хочет человек в письме на пять абзацев), хрупкие системы правил (когда «если-то» разрослись до неподдерживаемых). И начинать всегда с одного агента — мультиагентность только когда упёрлись. (OpenAI, Practical Guide to Building Agents)
Шаг = код
Точный ответ существует: найти, посчитать, скопировать, отправить. Бесплатно, мгновенно, всегда одинаково.
Шаг = один вызов LLM
Нужно суждение или текст, но задача одна: классифицировать письмо, написать черновик, извлечь данные из заявки.
Шаг = агент
Маршрут заранее неизвестен: разобраться в нетипичной ситуации, найти причину расхождения в данных.
🔬 Под капотом: почему LLM-шаги лучше держать маленькими
Соблазн — дать модели всю задачу целиком: «вот оплата, разберись и сделай всё». Работает в демо, ломается в проде, и вот почему. Большой LLM-шаг — это длинная цепочка решений внутри одного вызова: вероятность ошибки перемножается с каждым звеном, а когда результат плохой — непонятно, какое звено подвело.
Маленький шаг («только классифицируй письмо: вопрос/жалоба/оплата») проверяется элементарно: собрали 50 примеров, посмотрели точность. Большой шаг («разберись с письмом и отреагируй») не проверяется никак — каждый запуск уникален. Помните error analysis из урока 7? Он возможен только тогда, когда у шагов есть границы.
Отсюда принцип «small, focused agents» из 12-Factor: много маленьких проверяемых LLM-вкраплений лучше одного всемогущего. И бонус: маленькие шаги можно делать дешёвой моделью — классификация письма не требует флагманской.
Зачем это вам как заказчику
Просите подрядчика нарисовать карту: «триггер → шаги → действия; какие шаги — код, какие — LLM, и почему?» Дыры и лишняя агентность видны на карте сразу.
Вопрос к каждому LLM-шагу: «почему здесь модель, а не обычный код?» Ответ «так гибче» без конкретики — флаг: гибкость стоит денег и предсказуемости.
Вопрос к каждому агентному шагу: «почему здесь цикл с свободой, а не один вызов?» Правильные ответы — из чеклиста OpenAI выше.
Проверьте себя
Повторение урока 17. Подрядчик предлагает «собрать вашу автоматизацию отчётов на нашей платформе — у нас всё в личном кабинете». Что спросить в первую очередь?
Верно, урок 17! Логика в чужом закрытом продукте — это привязка (vendor lock-in): кейс OpenAI Agent Builder показал, что даже платформы гигантов закрываются за год. Сначала — условия съезда, потом скидки.
Скидка и фреймворк — вторично. Главный риск чужой платформы — привязка: вспомните Agent Builder (13 месяцев жизни). Первый вопрос — «как мы съедем и что заберём».
Автоматизация: «после оплаты курса выдать доступ, добавить в чат потока и отправить приветствие». Сколько здесь шагов, которым нужна LLM?
Именно! Точные операции — коду (бесплатно и без сюрпризов), суждение и текст — модели. «В основном детерминированный код + точечные LLM-решения» — формула надёжного продакшна.
Крайности обе неверны. Выдать доступ — задача с точным ответом, LLM здесь только добавит цену и риск ошибки. А вот тёплый персональный текст — законное место модели. Один шаг из трёх.
Какой триггер правильный для «когда ученик оплатил — выдать доступ»?
Верно! Реакция на событие = вебхук («дверной звонок»): мгновенно и без холостых проверок. Расписание тут даст ученику ждать доступа до часа — и тысячи пустых запусков в месяц.
Проверка по расписанию — холостые запуски плюс ожидание для ученика. Когда внешний сервис умеет сообщать о событии сам — это вебхук, «дверной звонок» автоматизации.
По чеклисту OpenAI, какая задача из этих — кандидат на агентный шаг (а не код и не один вызов)?
Точно! Маршрут заранее неизвестен: причина может быть где угодно, нужно исследовать шаг за шагом — это профиль агента. Сумма и статус — точные операции, код справится бесплатно.
Сумма и смена статуса — задачи с точным алгоритмом, агент там — деньги на ветер. Агентный профиль — у расследования: маршрут неизвестен, нужно проверять гипотезы по очереди.
Практика: карта одного вашего процесса
🛠 Задание на 10 минут
Возьмите один процесс школы, который хочется автоматизировать (например: обработка заявки на возврат, еженедельный отчёт по воронке, выдача доступов).
Откройте Claude Code и попросите: «Нарисуй схему автоматизации процесса [ваш процесс]: триггер → шаги → действия. Для каждого шага укажи: обычный код, один вызов LLM или агент — и почему. Стремись к минимуму LLM-шагов».
Проверьте результат вопросами урока: правильный ли триггер? у каждого LLM-шага есть «почему не код»? Это упражнение — будущий раздел вашего ТЗ.
Что дальше
Карта процесса есть. Но LLM-шаг — самое ненадёжное звено конвейера: следующий урок про обвязку, которая не даёт одному сбою уронить всю автоматизацию — и удвоить счёт.