ИИ-агента на Python можно написать самому: что придётся кодить вокруг вызова модели, чем это отличается от платформы и как связать свой код с Савви.
ИИ-агента на Python можно написать самому: вызов модели занимает несколько строк, а историю диалога, инструменты, каналы, хранилище, проверку ответов и мониторинг придётся писать вокруг него. Код оправдан для нестандартной логики и собственного продукта. Клиентского агента быстрее собрать на платформе Савви и подключить свой Python-код через API и вебхуки.
Первые сорок строк на Python отвечают в консоли за вечер. Вы задаёте вопрос, модель отвечает, и кажется, что агент готов. Следующие недели и месяцы уходят на всё, что вокруг этих строк: чтобы он помнил клиента, заглядывал в прайс, отвечал в Telegram и переживал перезагрузку сервера.
ИИ-агент на Python — это программа, которая вызывает языковую модель через API, хранит историю диалога и исполняет инструменты, которые модель просит вызвать.
Вокруг вызова модели нужно написать шесть частей: историю диалога, инструменты с исполняющим их кодом, приём и отправку сообщений в каналах, хранилище данных, проверку ответов и мониторинг. Сам вызов модели — самая короткая часть работы.
По документации Anthropic («Get started with Claude») официальный SDK ставится как пакет anthropic, ключ он читает из переменной ANTHROPIC_API_KEY, а минимальный вызов выглядит так:
import anthropic
client = anthropic.Anthropic()
message = client.messages.create(
model="claude-opus-5-5",
max_tokens=1000,
messages=[{"role": "user", "content": "What should I search for to find the latest developments in renewable energy?"}],
)
for block in message.content:
if block.type == "text":
print(block.text)
Дальше начинается обвязка. По документации Anthropic про tool use модель сама решает, когда вызвать инструмент, и возвращает структурированный вызов. Клиентский инструмент исполняет ваш код и отправляет результат обратно (tool_result). У OpenAI схема из пяти шагов: запрос со списком инструментов, запрос модели на вызов, выполнение у вас, второй запрос с результатом, итоговый ответ или новые вызовы. Путь одного сообщения в самописном агенте выглядит так:
Фреймворки забирают часть рутины. Что берёт каждый, по их документации:
| Библиотека | Для чего |
|---|---|
OpenAI Agents SDK (pip install openai-agents) | Цикл агента, передача задач другим агентам, ограничители входа и выхода, сессии с памятью, трассировка; минимальный агент занимает четыре строки |
| LangChain | Агент из модели, списка инструментов и системного промпта; единый интерфейс к моделям разных провайдеров |
| LangGraph | Процесс графом, пауза для проверки человеком, продолжение после сбоя; промпты и архитектуру агента за вас не задаёт |
Вокруг любой из них вы всё равно выбираете канал, хранилище и способ следить за ответами.
Платформа Савви закрывает ту же обвязку настройками в кабинете — историю, инструменты, каналы, знания, контроль ответов и мониторинг. Ниже каждая часть самописного агента рядом с тем местом кабинета, где её настраивают.
| Часть агента | Своим кодом на Python | На платформе Савви |
|---|---|---|
| История диалога | Вы храните сообщения и решаете, сколько отдавать модели | «Доп. настройки» → «Передавать историю сообщений»: всю, за Х сообщений или за Х минут |
| Каналы | Клиент, токены и обработка вложений под каждый мессенджер | Около 25 каналов во вкладке «Каналы»: Telegram, WhatsApp, MAX, VK, Авито, «Савви Виджет» и другие |
| Инструменты | Описания функций и код, который их исполняет | Вкладка «Действия»: типы шагов, в том числе «Вебхук» для обращения к вашему сервису |
| Знания | Своё хранилище и поиск по нему | Вкладка «База Знаний»: быстрые ответы и поиск по смыслу; таблицы CSV, Excel и Google |
| Контроль ответа | Свои проверки перед отправкой | «Контроль поведения» → «LLM-барьеры», например готовый «Числа только из источников» |
| Мониторинг и передача человеку | Логи, подсчёт токенов, своя остановка диалога и уведомления | «Аналитика» и журнал диалогов; функции «Остановка диалога» и «Вызов менеджера (отправка уведомления в Telegram)»; лимиты «Максимальная стоимость диалога» и «Максимальное количество сообщений в диалоге» |
Код оправдан в трёх случаях — агент встроен в ваш собственный продукт, логика нестандартна (расчёт, которого не выразить таблицей, закрытая внутренняя система) или команда готова годами вести обвязку. Для агента, который отвечает клиентам компании, ту же работу делают настройки, и править их может сотрудник без разработчика. Если выбираете между своей командой, подрядчиком и платформой, у каждого пути свои вопросы про поддержку агента после запуска.
Ваш код пишет в Савви двумя путями. Через «Персональный канал (API)» ваш сервис ведёт диалоги через Савви. Через действие «Вебхук» агент сам вызывает ваш HTTP-адрес посреди разговора. Третий путь касается настройки: через MCP-сервер ассистент для кода собирает самого агента по вашим словам, а ваш код при этом никуда не пишет.
Персональный канал. В кабинете откройте агента, вкладку «Каналы», карточку «Персональный канал (API)», введите URL вебхука и нажмите «Подключить». Токен канала показывается один раз — потерянный только сбрасывают. По руководству, для этого канала нужен опыт настройки веб-серверов. Сообщение клиента ваш сервис отправляет POST-запросом на https://api.suvvy.ai/api/webhook/custom/message с заголовком Authorization: Bearer <токен>. Пример со страницы руководства на Python, необязательные поля убраны:
import requests
response = requests.post(
'https://api.suvvy.ai/api/webhook/custom/message',
headers={
'Authorization': 'Bearer ваш_токен',
'Content-Type': 'application/json'
},
json={
'api_version': 1,
'message_id': 'уникальный_айди_сообщения',
'chat_id': 'уникальный_айди_чата',
'text': 'Привет!',
'source': 'Иванов Иван из Авито',
'message_sender': 'customer'
}
)
Ответ агента Савви присылает POST-запросом на ваш адрес с полями event_type, chat_id и new_messages. Адрес должен вернуть код 200–299 не позднее чем за 20 секунд, поэтому тяжёлую работу лучше выносить из обработчика. Если вы заведёте ещё и тестовый адрес, формат запросов и коды ошибок удобно отработать на персональном канале API.
Действие «Вебхук». Здесь направление обратное — агент сам обращается к вашему сервису, когда ему нужны данные или действие. Откройте вкладку «Действия», нажмите «Добавить» и выберите тип шага «Вебхук» из раздела «API-вызовы». В шаге задаются «URL», «Метод запроса» (GET, POST, PUT, DELETE, PATCH), параметры, заголовки и тело. Переменные, которые агент заполняет сам, вставляются в URL кнопкой «+».
Агент решает, когда вызвать действие, по двум полям на вкладке «Условия срабатывания»: «Название функции» (английское, без пробелов) и «Описание функции». Готовый шаблон для проверки статуса заказа в вашей системе:
Название функции: check_order_status
Описание функции: Проверяет статус заказа по номеру. Вызывай, когда клиент
спрашивает, где его заказ, и назвал номер.
Переменные действий: order_number (номер заказа, который назвал клиент)
URL: https://ваш-сервис.example/orders/status
Метод запроса: GET
Параметры, которые будут передаваться в URL: number = переменная order_number
Настроенное действие проверяют кнопкой «Тестировать вебхук», запрос при этом уходит на реальный адрес. С переменными, ошибками и таймаутами проще, когда вебхук для ИИ-агента сначала проверен на тестовых значениях.
MCP-сервер для настройки. Он нужен, когда агента собирает ассистент для кода. Подключите MCP-сервер платформы по адресу https://api.suvvy.ai/mcp (авторизация OAuth). В Claude Code это одна команда:
claude mcp add --scope user --transport http suvvy https://api.suvvy.ai/mcp
После этого ассистент создаёт и правит агента по вашим словам. Если хотите повторить это у себя, начните с пошаговой настройки агента через MCP.
Выбор идёт от того, чей это продукт и кто будет править агента через месяц после запуска. Для проверки идеи хватает SDK и одного вечера — для клиентского агента компании хватает настроек, для нестандартной логики добавляется свой сервис за вебхуком.
Нужно понять, как модель отвечает на ваши вопросы. Для этого хватает одного вызова SDK и нескольких строк цикла.
Клиенты пишут в мессенджеры и CRM, агент отвечает по базе знаний и передаёт сложное человеку.
Агенту нужны заказы, остатки или расчёт из закрытой системы. Вы пишете небольшой сервис, агент вызывает его сам.
У вас есть собственный интерфейс и база клиентов, агент должен отвечать внутри них.
Посчитайте, сколько часов уйдёт на шесть частей из первого раздела: историю, инструменты, каналы, хранилище, мониторинг и проверку ответов. Выпишите их построчно и поставьте напротив каждой оценку разработчика. Эта сумма и есть ваш ответ.
Два ориентира для этой суммы. По средним ставкам, менеджер за 40 000 ₽ в месяц отвечает примерно на 450 обращений, около 89 ₽ на обращение (оценка по средним ставкам). Средняя цена диалога агента на платформе — около 15 ₽, при этом 1000 токенов равны 1 ₽. На своём коде к токенам провайдера добавляются часы разработки и сопровождения.
Если часов выходит много, а задача типовая, стоит попробовать платформу на своём сценарии и оставить Python для того, что живёт в вашей системе. Тогда код сводится к одному обработчику за вебхуком — его вы проверяете кнопкой «Тестировать вебхук».
Можно. Вызов модели через официальный SDK занимает около десяти строк, в примере документации Anthropic их 11. Основная работа идёт вокруг этого вызова: память диалога, инструменты, каналы, хранение данных и мониторинг. Именно они определяют срок.
Ключ API провайдера модели, SDK или фреймворк, описания инструментов с кодом, который их исполняет, хранилище истории и канал, через который пишут клиенты. Для клиентского агента добавляются проверка ответов, передача человеку и учёт расходов.
Фреймворк подходит, когда агент встроен в ваш продукт или логика нестандартна. Платформа быстрее, когда агент отвечает клиентам компании в мессенджерах и CRM: каналы, база знаний, барьеры и аналитика настраиваются в кабинете без кода.
Код подключается двумя путями. Через «Персональный канал (API)» ваш сервис отправляет сообщения в Савви и принимает ответы на свой вебхук. Через действие «Вебхук» агент сам вызывает ваш адрес. Отдельно MCP-сервер позволяет ассистенту для кода настроить самого агента словами.
На платформе диалог обходится около 15 ₽, 1000 токенов равны 1 ₽. На своём коде вы платите провайдеру модели за токены и добавляете часы разработчика на обвязку, поэтому честное сравнение начинается со списка этих часов.
Для агента, который отвечает клиентам, нет: инструкция, база знаний, каналы и контроль настраиваются в кабинете. Разработчик нужен, когда агенту надо обратиться к вашей собственной системе, например к заказам или расчёту. Тогда он пишет небольшой сервис за вебхуком.
Хотите сразу к продукту: Разработка чат-ботов для бизнеса
Дарим 500 ₽ на баланс при регистрации
Хватит на 33 диалога с ИИ-агентом. Карта не нужна.