Курс Google × Kaggle · Практика · октябрь 2026

Как создать ИИ-агента: пять шагов от спецификации до прода

Порядок работы из интенсива Google × Kaggle «5-Day AI Agents», проверенный на моём капстоун-проекте: он занял первое место в треке Agents for Business.

Артём Борисов - бизнес-консультант, внедрение AI-сотрудников · октябрь 2026

Коротко

Чтобы создать ИИ-агента, нужно пройти пять шагов: описать поведение в спецификации, подключить инструменты и данные через MCP, оформить знания в навыки и память, проверить агента оценками и защитой, а затем вывести его в прод с мониторингом. Так этот путь выстроен в интенсиве Google × Kaggle «5-Day AI Agents». Ниже каждый шаг с цифрами из вайтпейперов курса и мой ответ на неудобный вопрос: что из этого бизнес может сделать без своего разработчика.

Шаг 1. Спецификация до кода (Spec-Driven Development)

Финальный вайтпейпер курса целиком про Spec-Driven Development: сначала спецификация, потом код. Логика такая. Агент пишет код быстро, значит, код становится одноразовым, а источником правды становится спека. Без неё агент угадывает. На демо угадывание выглядит как сообразительность, в рабочей системе оно превращается в инциденты.

Что входит в хорошую спеку	Зачем
Техническое описание: требования, схемы данных, контракты API	Агент не придумывает структуру сам
Схемы и список библиотек с номерами версий	Меньше несовместимостей и выдуманных зависимостей
Контекст: зачем это нужно бизнесу	Агент понимает следующие шаги
Сценарии: как выглядит «хорошо» и граничные случаи	Есть с чем сверить результат

Сценарии пишут в формате Gherkin: «Дано - Когда - Тогда». Например: «Дано: в заявке нет объёма работ. Когда: агент разбирает заявку. Тогда: он задаёт уточняющий вопрос, а не подставляет число». Выглядит бюрократично, зато вынуждает думать через состояние, действие и результат. На мой взгляд, это самый дешёвый шаг из пяти, и пропускать его обиднее всего.

Шаг 2. Инструменты и MCP: как агент получает доступ к данным

Агент без инструментов только разговаривает. Инструменты открывают ему CRM, таблицы, базы и почту. Стандарт подключения в курсе - MCP (Model Context Protocol), его сравнивают с USB-C для ИИ. За сравнением стоит простая арифметика из вайтпейпера второго дня: 5 моделей и 10 инструментов без общего протокола требуют 50 отдельных интеграций, а с MCP каждую сторону подключают один раз.

Сначала ищите готовый MCP-сервер и только потом пишите свой. В курсе это сказано прямо: «потребление важнее создания».
Публичные серверы из реестров за вас никто не проверял. Проверьте сами до подключения.
Доступы храните в переменных окружения. Не в коде и тем более не в промпте.
С реальными данными начинайте в режиме только чтения и урезайте серверу права.
Перед важным вызовом показывайте человеку, что агент собирается отправить.

Шаг 3. Навыки и память: как научить агента вашему процессу

Знание «как у нас принято» упаковывают в навыки (skills). Навык - папка с файлом SKILL.md, где написано, когда и как выполнять задачу, плюс скрипты и справочники. В контексте агент держит только короткие описания навыков, а нужный подгружает целиком, когда задача совпала. В курсе приводят пример Anthropic: так контекст сократился со 150 000 до 2 000 токенов, на 98%.

Обратная сторона: плохой навык вредит. По данным бенчмарка SkillsBench, который разбирают в вайтпейпере «Agent Skills», 19% навыков работали хуже, чем агент вообще без навыка. Почти каждый пятый. Поэтому для навыка сначала пишут 3 тестовых кейса и только потом сам текст. Больше всего внимания требует описание: по нему агент решает, когда навык включать. Опишете размыто - и навык не сработает в тот момент, ради которого его писали.

«Навык без теста - это надежда, а не способность.»
Вайтпейпер «Agent Skills», день 3 интенсива Google × Kaggle

Шаг 4. Безопасность и оценка: проверить до запуска

Доверие к агенту курс раскладывает на две оси: безопасность (остался ли агент в границах) и оценка (стоит ли выпускать то, что он сделал). Нужны обе. Агент может пройти все проверки безопасности и при этом неправильно понять задачу, то есть аккуратно и в рамках прав сделать не то.

Тесты и оценки - разные вещи

Тесты проверяют детерминированное: такой вход, такой выход. Оценки (evals) проверяют путь агента: те ли инструменты он выбрал, верно ли понял намерение. Для этого нужны эталонные наборы и модель-судья с рубрикой.

Один успех ничего не значит

Пример из курса: модель решала задачу в 61% случаев на одном прогоне. Когда потребовали успех на всех 8 прогонах подряд, осталось меньше 25%.

Правила - вне промпта

Запрет в промпте хрупкий. В курсе разбирают случай, когда агент в автономном режиме разослал фейковые письма 50 сотрудникам. Защищают внешние правила по ролям, песочница и подтверждение человеком важных действий.

Выдуманные пакеты

Модель может назвать несуществующую библиотеку, а злоумышленники заранее публикуют вредонос под такими именами. Зависимости ставьте только из проверенных источников и с фиксированными версиями.

О защите агентов подробнее - в статье о безопасности ИИ-агентов.

Шаг 5. Вывод в прод: AgentOps

Компаньон-вайтпейпер «Prototype to Production» начинается с мысли, под которой я подпишусь: построить агента легко, доверять ему трудно. Около 80% усилий уходит не на «ум» агента, а на инфраструктуру, безопасность и проверки. Авторы называют это разрывом последней мили. Опор у AgentOps, по их версии, три.

Оценка как ворота. Новая версия не выходит, пока не прошла эталонный набор кейсов.
CI/CD. Тесты и проверки до слияния, потом постепенный выкат на малую долю трафика с возможностью откатиться.
Наблюдаемость. Логи, трассировки и метрики, чтобы понимать, почему агент сделал то, что сделал.

Дальше крутится цикл «наблюдай, действуй, улучшай»: сегодняшний сбой в проде становится завтрашним тест-кейсом. Для действий с деньгами курс требует идемпотентности. Пример оттуда же: повторный запрос погоды безвреден, повторное списание с карты - нет.

Что это значит для бизнеса в России

Я прошёл этот путь на капстоуне интенсива: AI-сметчик для электромонтажной компании занял первое место в треке Agents for Business. Подробно о проекте - на странице о курсе Google × Kaggle, бизнес-версия кейса - в статье про ИИ-смету для электромонтажа. Оттуда я забрал во внедрения три вывода.

Языковая модель стоит в одной точке: разбирает фото, голос и текст. Деньги считает обычный код, финальное решение принимает человек. Арифметику сметы я бы модели не доверял.
Спека, написанная до кода, до сих пор описывает систему. Самые полезные строчки в ней короткие: «спрашивать, а не выдумывать» и «неизвестную позицию помечать, а не оценивать».
Тестировать нужно на реальных данных. На синтетике сопоставление цен работало, на реальных фото молча выдавало нули. Неприятнее всего здесь слово «молча».

Теперь о пути без разработчика. Собрать прототип за выходные сейчас может почти любой. С шагами 4 и 5 так не выйдет: там инженерная работа, и как раз она отделяет демо от системы, которой можно доверить клиентов. Если своего разработчика нет, разумно взять внедренца, который пройдёт все пять шагов на ваших данных. У меня внедрение стоит от 250 000 ₽. Первый шаг в любом случае за вами: выбрать один повторяющийся процесс и описать, как выглядит хороший результат.

Вывод

Создать ИИ-агента - это пять шагов, и самые трудные из них последние два: проверки и вывод в прод. По оценке курса Google × Kaggle, на инфраструктуру, безопасность и проверки уходит около 80% усилий. Прототип без спецификации и тестов работает на демо и ломается на реальных данных, как сопоставление цен в моём сметчике. Начинать стоит со спецификации одного процесса с примерами правильного результата, и этот шаг собственник делает сам, без разработчика.

Что сделать

1Выберите один повторяющийся процесс и опишите на трёх реальных примерах, как выглядит хороший результат.
2Запишите 3-5 сценариев в формате «Дано - Когда - Тогда», включая случай, когда во входных данных чего-то не хватает.
3Составьте список систем, к которым агенту нужен доступ, и пометьте, где хватит режима только чтения.
4Соберите из прошлых месяцев реальные кейсы с правильными ответами: на этом эталонном наборе будете проверять агента перед запуском.

Частые вопросы

Как создать ИИ-агента с нуля?+

Со спецификации: что агент делает, на каких данных и как выглядит правильный результат. Потом подключить инструменты через MCP, оформить знания в навыки и проверить агента на эталонных кейсах. Только после этого выводить его в работу с мониторингом.

Можно ли создать ИИ-агента без программирования?+

Прототип можно собрать без кода, современные агентные инструменты это позволяют. Проверки, защита и вывод в прод требуют инженерной работы, и на неё, по данным курса Google × Kaggle, уходит около 80% усилий. Бизнесу без разработчика проще идти через внедренца.

Что такое MCP и зачем он агенту?+

MCP - открытый стандарт подключения ИИ к инструментам и данным: CRM, таблицам, базам. MCP-сервер подключают один раз, и с ним работает любой совместимый агент, без отдельной интеграции под каждую модель.

Как проверить, что ИИ-агент работает правильно?+

Собрать эталонный набор реальных кейсов и прогонять по нему агента перед каждым обновлением. Смотреть не только на итоговый ответ, но и на путь: какие инструменты агент вызвал и в каком порядке. Успех должен повторяться на каждом прогоне, одного удачного раза мало.

Сколько стоит создать ИИ-агента для бизнеса?+

Зависит от процесса и от числа систем, к которым нужно подключиться. У меня внедрение начинается от 250 000 ₽. В цену входят спецификация, подключение к данным, тестирование на реальных кейсах и запуск.

Источники

5-Day AI Agents Intensive, Google × Kaggle, июнь 2026
Вайтпейпер «Spec-Driven Production Grade Development in the Age of Vibe Coding» (день 5), автор Lee Boonstra
Вайтпейпер-компаньон «Prototype to Production» (день 5, AgentOps)
Вайтпейпер «Agent Tools & Interoperability» (день 2)
Вайтпейпер «Agent Skills» (день 3), авторы Tanvi Singhal, Gabriela Hernandez Larios, Debanshu Das, Lavi Nigam, Smitha Kolan
Вайтпейпер «Vibe Coding Agent Security and Evaluation» (день 4)

Об авторе. Артём Борисов - бизнес-консультант, внедряет AI-сотрудников в малом и среднем бизнесе: продажи, документы, учёт, мониторинг. Кейсы с цифрами - на главной странице.

Хотите применить это в своей компании?

Опишите процесс, который съедает больше всего ручного времени. Я покажу, как выглядело бы решение на ИИ-агенте и какие метрики оно изменит.

Обсудить в Telegram