Agent Builder — это визуальный конструктор ИИ-агентов от OpenAI, работающий по принципу drag-and-drop. До его появления создание агентов требовало месяцев работы: нужно было писать кастомный код, настраивать десятки интеграций, вручную создавать интерфейсы. Теперь те же задачи решаются за несколько часов с помощью визуальных блоков, которые соединяются линиями.
Agent Builder находится где-то посередине между инструментом для разработчиков и low-code платформой для нетехнических специалистов. Разработчики могут создавать прототипы в интерфейсе, а потом экспортировать код на Python или TypeScript для дальнейшей доработки. Менеджеры продуктов и бизнес-аналитики могут сразу использовать готовые workflow, встраивая их через ChatKit.
Компания Ramp сократила время разработки агента для управления закупками с нескольких месяцев до нескольких часов. Визуальная природа платформы помогла объединить усилия продуктовой команды, юристов и инженеров в одном интерфейсе, что сократило циклы итераций на 70%.
Подготовка к работе: что нужно для старта
Создание аккаунта и настройка доступа
Первый шаг — перейти на platform.openai.com/agent-builder и войти под учётными данными OpenAI. Если аккаунта нет, создайте новый и сразу добавьте платёжные реквизиты. Без настройки биллинга будут доступны только ограниченные возможности тестирования.
Купить кредиты API можно на суммы $5, $10 или $20. Это необязательный шаг на первых порах, но без него не получится создавать полноценные workflow и запускать агентов.
Верификация организации для preview mode
Чтобы тестировать агентов в режиме предпросмотра, нужно верифицировать организацию в настройках аккаунта. Верифицированные организации получают доступ к дополнительным reasoning-моделям, которые улучшают способности агента. Проверить текущий уровень доступа можно на странице Limits или попробовав модели в Playground.
Интерфейс Agent Builder: три основных вкладки
После входа в систему вы увидите интерфейс Agent Builder с тремя вкладками :
Workflows — здесь хранятся опубликованные рабочие процессы. По умолчанию может быть создан пример My Flow.
Drafts — здесь находятся незавершённые или неопубликованные workflow. Это рабочая зона для экспериментов.
Templates — предустановленные шаблоны, которые работают "из коробки". Это хороший способ для новичков понять, как устроены агенты.
Для максимальной гибкости рекомендуется начинать с пустого canvas. Нажмите кнопку "+ Create" в верхней части интерфейса, чтобы открыть чистый холст.
12 узлов Agent Builder: полный разбор
Agent Builder содержит 12 узлов (nodes), разделённых на четыре категории по три узла в каждой. Понимание того, как работает каждый узел, — это фундамент для создания сложных агентских систем.
Базовые узлы (Core)
Agent node — это "мозг" вашего агента. Узел вызывает языковую модель с вашими инструкциями, подключёнными инструментами и действиями агента. Используйте его, когда нужна обработка с помощью LLM. В одном workflow может быть несколько Agent nodes, каждый из которых выполняет специализированную задачу.
End node мгновенно завершает выполнение workflow и возвращает финальный результат. Используйте его для обработки ситуаций с guardrails или неожиданным поведением пользователя. Важно настроить формат выхода данных, чтобы результат соответствовал ожиданиям.
Note node добавляет стикер-заметку на canvas. Помогает документировать workflow и оставлять инструкции для команды.
Инструментальные узлы (Tools)
File Search — это альтернативное название для OpenAI Vector Store. Узел выполняет запросы к векторному хранилищу для поиска релевантной информации. Идеален для RAG-кейсов, когда агент должен отвечать на основе загруженных документов.
Guardrails отвечает за безопасность. Узел добавляет проверки на наличие персональных данных (PII), детектирует попытки jailbreak, проверяет входные и выходные данные на соответствие модерации, а также верифицирует галлюцинации. Обязателен для продакшн-окружений.
MCP node (Model Context Protocol) — это способ взаимодействия агента с внешними и внутренними сервисами компании. В отличие от n8n, Agent Builder использует MCP-серверы вместо webhook'ов и API. Это универсальный интерфейс, который соединяет агента с сотнями инструментов вроде Gmail, Google Drive, Slack, HubSpot и других.
Логические узлы (Logic)
If/Else создаёт условное ветвление workflow. Используйте его, чтобы направить выполнение по разным путям в зависимости от условий. На одном canvas можно создавать несколько параллельных workflow.
While выполняет цикл, пока условие истинно. Подходит для ситуаций, когда количество итераций заранее неизвестно — например, при опросе API до получения статуса "completed". Условие пишется на CEL (Common Expression Language).
User Approval добавляет "человека в петлю". Узел приостанавливает выполнение и ждёт, пока человек одобрит или отклонит действие. Критически важен для задач с высоким риском: финансовые операции, юридические документы, e-commerce.
Узлы данных (Data)
Transform преобразует данные с помощью CEL. Поддерживает вывод в JSON. Используйте его, когда нужно привести данные к определённому формату или предобработать входные данные для агента.
State — это глобальная переменная, доступная во всём workflow. Используйте её, когда нужно передавать входные и выходные данные между разными частями workflow. State variables сохраняют своё значение на протяжении всего выполнения.
Пошаговое создание агента: YouTube Q&A с RAG и безопасностью
Теперь создадим полноценного агента, который отвечает на вопросы о YouTube-видео на основе векторного хранилища, с проверками безопасности и поддержкой внешних MCP-серверов. Весь процесс займёт около 5 минут .
Шаг 1: Настройка Start Node
Нажмите "+ Create" в интерфейсе Agent Builder. Откроется чистый canvas с единственным узлом Start.
Start node — это точка входа в любой workflow. Он предлагает два типа переменных :
Input variables определяют входные данные workflow. Переменная input_as_text представляет текст, предоставленный пользователем, и добавляет его в историю чата. Это переменная по умолчанию, если не заданы state variables.
State variables — это дополнительные входные параметры, которые передаются во время выполнения. Они сохраняются на протяжении всего workflow и доступны через State nodes. Можно определить как обычные переменные и хранить в них любой тип данных.
Пока оставьте только Input variables.
Шаг 2: Добавление Guardrail для проверки безопасности
Следующий шаг — добавить валидацию входных данных, чтобы фильтровать запросы до того, как они попадут в модель .
Добавьте узел Guardrail и соедините его со Start node . Кликните на Guardrail node, чтобы открыть настройки .
Доступные опции :
- Name — имя узла для идентификации в workflow .
- Input — имя входной переменной; может меняться, если определены text state variables .
- Personally Identifiable Information (PII) — обнаруживает и маскирует персональные данные .
- Moderation — классифицирует и блокирует вредоносный контент, если он присутствует в запросе .
- Jailbreak — детектирует попытки взлома промпта и jailbreak; удерживает модель в рамках задачи .
- Hallucination — проверяет ввод, сопоставляя его с источником знаний (например, RAG vector store) .
- Continue on error — позволяет задать путь обработки ошибок, если guardrail не сработал; не рекомендуется для продакшн-систем.
Настройте следующим образом :
Moderation: Нажмите ⚙️ → Выберите "Most Critical" → Save → Toggle On .
Jailbreak: Toggle On (оставьте настройки по умолчанию) .
Hallucinations: Нажмите ⚙️ → Добавьте Vector Store ID (будет создан на следующем шаге) → Save → Toggle On .
После настройки у Guardrail node появятся два выходных пути: "pass" (проверка пройдена) и "fail" (проверка не пройдена) .
Шаг 3: Добавление Agent Node — сердца workflow
Добавьте узел Agent на canvas и соедините его с путём "pass" от Guardrail node .
Откройте настройки Agent node и заполните следующие поля :
Name: Название агента — например, "YouTube Q/A Agent" .
Instructions: Инструкции о том, как агент должен себя вести . Можно написать вручную, следуя руководству по промптингу OpenAI, или использовать иконку ✏️ для генерации промпта .
Include Chat History: Включать ли историю предыдущих сообщений . Помогает строить контекст, но увеличивает стоимость . Включите эту опцию .
Model: Модель для использования . Выберите GPT-5 для лучшего качества или gpt-4o-mini / gpt-4o для снижения затрат при высокой нагрузке .
Reasoning: Уровень рассуждений . Нельзя отключить полностью, минимум — "minimum" . Выберите "medium" .
Output Format: Поддерживает text, JSON и widgets . Оставьте text по умолчанию .
Verbosity: Уровень детализации ответов . "Low" для коротких ответов, "high" для развёрнутых . Выберите "medium" .
Summary: Показывать ли краткое содержание рассуждений в чате . Можно отключить .
Write Conversation History: Сохранять ли данные в историю разговора . Включите эту опцию .
Шаг 4: Подключение Vector Store для RAG
Чтобы агент мог отвечать на основе загруженных документов, нужно добавить File Search .
В настройках Agent node найдите раздел Tools и нажмите на "+" .
Выберите File Search из списка .
Нажмите "Add all files" для загрузки документов в векторное хранилище .
Сохраните настройки .
Скопируйте сгенерированный Vector Store ID .
Вернитесь в настройки Guardrail node, в раздел Hallucinations, и вставьте скопированный Vector Store ID в поле vector_id . Сохраните изменения .
Теперь агент будет проверять ответы на соответствие загруженным документам, предотвращая галлюцинации .
Шаг 5: Добавление MCP-сервера для внешних интеграций
MCP (Model Context Protocol) позволяет агенту взаимодействовать с внешними сервисами . Agent Builder поставляется с набором предустановленных MCP-серверов: Gmail, Google Drive, Outlook и другие .
Для добавления кастомного MCP-сервера :
В разделе Tools Agent node выберите MCP Servers .
Нажмите "+ Servers" .
В поле URL укажите адрес MCP-сервера (например, https://rube.app/mcp для Rube MCP, который поддерживает более 500 приложений) .
В поле Name введите идентификатор — например, rube_mcp .
Выберите метод аутентификации: No Auth, API Key/Access Token или Custom Headers .
Для API Key укажите токен доступа .
Сохраните настройки .
Теперь агент может вызывать инструменты из подключённого MCP-сервера: искать информацию на YouTube, отправлять email, работать с Google Sheets и многое другое .
Шаг 6: Настройка End Node для обработки ошибок
Вернёмся к пути "fail" от Guardrail node . Если проверка безопасности не пройдена, workflow должен завершиться с понятным сообщением для пользователя .
Добавьте узел End на canvas .
Соедините его с путём "fail" от Guardrail node .
End node принимает input_as_text и возвращает JSON .
Не нужно писать JSON-схему вручную — используйте встроенный генератор . Нажмите иконку ✏️ Generate и опишите на естественном языке, что должен возвращать узел . Например: "Return a JSON with error message saying that the input didn't pass safety checks" .
Нажмите "Update", чтобы применить сгенерированную схему .
Шаг 7: Тестирование агента в preview mode
Workflow готов . Теперь нужно протестировать его работу .
Нажмите кнопку Preview в верхней части интерфейса . Откроется окно чата .
Введите тестовый запрос . Например: "Расскажи мне о содержании этого видео" .
Агент обработает запрос, и вы увидите промежуточные шаги: прохождение guardrails, обращение к vector store, вызов MCP-инструментов и финальный ответ .
Если всё работает корректно, вы создали мультиязычного YouTube Q&A агента, который :
- Обладает заданной личностью
- Фильтрует вредоносный контент на входе и выходе
- Отвечает только на основе векторного хранилища
- Обрабатывает попытки jailbreak
- Принимает мультиязычный ввод и отвечает на нужном языке
На всё это ушло около 5 минут и четыре узла .
Шаг 8: Публикация и экспорт кода
Если агент работает как задумано, опубликуйте его . Нажмите кнопку Publish в верхней части интерфейса .
Чтобы получить код workflow для дальнейшей доработки :
Нажмите кнопку Code .
Выберите Agents SDK .
Выберите язык: Python или TypeScript .
Скопируйте код .
Теперь можно взять этот код, запустить его локально или на сервере, и расширить функциональность вручную.
Реальные примеры использования Agent Builder
Agent Builder подходит для широкого спектра задач . Вот несколько примеров с указанием необходимых MCP-инструментов :
Клиентская поддержка
Инструменты: HubSpot, Salesforce, Zendesk, Gmail, Outlook, Slack .
Кейс: Автоматическое создание и назначение тикетов поддержки из email или сообщений Slack . Агент анализирует входящие обращения, категоризирует их и создаёт задачи в системе поддержки .
Управление продажами
Инструменты: HubSpot, Salesforce, Pipedrive, Apollo, Freshdesk .
Кейс: Автоматическое обновление статуса лида, когда сделка продвигается дальше по воронке через email или чат . Агент отслеживает взаимодействия и синхронизирует данные между CRM и каналами коммуникации .
Управление проектами
Инструменты: Jira, Linear, Trello .
Кейс: Конвертация багрепортов из Slack или email напрямую в задачи Jira или Linear . Агент парсит описание проблемы, определяет приоритет и создаёт задачу с правильными метками .
Планирование встреч
Инструменты: Google Calendar, Calendly, Gmail, Notion, Docs .
Кейс: Автоматическое планирование встреч через Calendar, когда кто-то бронирует время через Calendly . Агент синхронизирует календари, отправляет подтверждения и создаёт заметки .
Разработка и DevOps
Инструменты: GitHub, GitLab, Supabase, Bitbucket, Sentry .
Кейс: Автоматическое создание issue в Jira или Linear, когда Sentry регистрирует ошибку в GitHub . Агент связывает ошибку с кодом, определяет ответственного и создаёт задачу .
Мультиплатформенный маркетинг
Инструменты: Reddit, Twitter/X, LinkedIn, YouTube, Facebook, WhatsApp, Discord .
Кейс: Публикация маркетинговых обновлений или видео одновременно на нескольких платформах . Агент адаптирует контент под форматы каждой платформы и отслеживает метрики вовлечённости .
Продвинутые техники работы с Agent Builder
Мультиагентные системы
Agent Builder позволяет создавать несколько Agent nodes в одном workflow. Каждый агент может быть специализирован на конкретной задаче.
Например, один агент отвечает за анализ входящего запроса, второй — за извлечение данных из базы знаний, третий — за форматирование ответа. Такой подход распределяет интеллектуальную нагрузку и повышает точность.
Использование State variables для сложной логики
State variables позволяют сохранять промежуточные результаты и передавать их между узлами. Это особенно полезно, когда workflow содержит несколько ветвлений или циклов.
Например, можно сохранить идентификатор пользователя в State variable и использовать его на разных этапах для персонализации ответов.
Условные ветвления с If/Else
If/Else nodes создают разные пути выполнения в зависимости от условий. Условия пишутся на CEL.
Пример: если пользователь — премиум-клиент, агент обрабатывает запрос с повышенным приоритетом и использует более дорогую модель. Если обычный клиент — используется стандартный путь.
Циклы с While для опроса состояний
While node выполняет повторяющиеся действия, пока условие истинно. Это полезно для случаев, когда нужно дождаться завершения внешней операции.
Пример: агент отправил запрос на генерацию видео через API. While node проверяет статус каждые 10 секунд, пока видео не будет готово. Как только статус меняется на "completed", цикл прерывается, и workflow продолжается.
Human-in-the-loop с User Approval
User Approval node приостанавливает выполнение workflow и ждёт ручного подтверждения. Это критично для задач с высоким риском.
Пример: агент для автоматизации закупок анализирует запрос, находит поставщиков и формирует заказ. Перед отправкой заказа workflow останавливается, и менеджер утверждает или отклоняет действие.
Управление контекстом для снижения затрат
Опция "Include Chat History" увеличивает точность агента, но также повышает стоимость запросов . Для простых задач, где контекст не нужен, отключите эту опцию .
Аналогично, подключение большого количества MCP-инструментов увеличивает размер контекстного окна . Используйте только те инструменты, которые действительно нужны для конкретного workflow .
Выбор модели в зависимости от задачи
GPT-5 даёт лучшее качество, но стоит дороже . Для задач с высокой нагрузкой и простыми запросами используйте gpt-4o-mini . Для задач средней сложности подойдёт gpt-4o .
Reasoning level также влияет на стоимость и скорость . "Minimum" подходит для простых задач, "high" — для сложных аналитических запросов .
Тестирование на разных сценариях
Используйте Preview mode для тестирования краевых случаев . Проверьте, как агент реагирует на некорректный ввод, попытки jailbreak, запросы вне его компетенции .
Guardrails должны отрабатывать на потенциально опасных входных данных . Если агент пропускает что-то нежелательное, усильте настройки Moderation и Jailbreak .
Версионирование и откат изменений
Agent Builder поддерживает версионирование workflow. Каждая публикация создаёт новую версию, к которой можно вернуться в случае проблем.
Перед публикацией крупных изменений сохраните текущую версию как стабильную. Это позволит быстро откатиться, если новая версия работает некорректно.
Документирование workflow с Note nodes
Используйте Note nodes для добавления комментариев на canvas. Это помогает команде понять логику workflow, особенно если над проектом работают несколько человек.
Документируйте назначение каждого сложного узла, объясняйте условия в If/Else и While, указывайте, какие данные ожидаются на входе и выходе.
Интеграция Agent Builder с ChatKit и Connector Registry
Встраивание агента через ChatKit
После публикации workflow его можно встроить в веб или мобильное приложение с помощью ChatKit. ChatKit — это набор готовых UI-компонентов, который превращает агента в полноценный чат-интерфейс.
Canva создала систему поддержки разработчиков с помощью ChatKit менее чем за час. HubSpot интегрировал ChatKit в клиентскую поддержку, превратив систему тикетов в диалоговую модель.
Централизованное управление через Connector Registry
Connector Registry — это единая админ-панель для управления всеми подключениями к данным и внешним сервисам. Администратор видит все интеграции (Google Drive, Dropbox, Microsoft Teams и другие), управляет ключами доступа, настраивает SSO и контролирует безопасность на уровне всей организации.
Это решает проблему хаоса в корпоративных внедрениях, где разные команды подключают разные сервисы без централизованного контроля. Connector Registry сейчас в бета-версии и доступен клиентам ChatGPT Enterprise и Edu с Global Admin Console.
Экспорт и развёртывание агентов в продакшене
Экспорт в Python или TypeScript
После создания агента в визуальном интерфейсе можно экспортировать его в код. Нажмите кнопку "Code" → "Agents SDK" → выберите Python или TypeScript.
Экспортированный код использует OpenAI Agents SDK и содержит всю логику workflow: узлы, условия, инструменты. Это позволяет дорабатывать агента вручную, добавлять кастомную логику, интегрировать в существующую кодовую базу.
Запуск агента локально или на сервере
Скопируйте экспортированный код в свой проект. Установите необходимые зависимости: openai, agents-sdk и другие библиотеки.
Настройте переменные окружения: API-ключ OpenAI, токены для MCP-серверов, идентификаторы Vector Store.
Запустите код локально для тестирования. Для продакшена разверните агента на сервере (AWS, GCP, Azure) или используйте serverless-платформы вроде Vercel или Railway.
Мониторинг и логирование
В продакшене важно отслеживать работу агента. Интегрируйте систему логирования для записи всех запросов, ответов и ошибок.
Обновлённая система Evals в AgentKit позволяет проводить трассировку выполнения — видно, на каком этапе агент совершил ошибку. Используйте эти данные для улучшения промптов и настройки узлов.
Ограничения и рекомендации
Agent Builder — это мощный инструмент, но у него есть ограничения.
Во-первых, это экосистема OpenAI — вы работаете внутри их инфраструктуры и зависите от их моделей. Хотя можно подключать сторонние MCP-серверы, базовые модели остаются от OpenAI.
Во-вторых, Agent Builder находится в бета-версии, что означает возможные изменения в функционале и интерфейсе. Будьте готовы адаптировать workflow при обновлениях.
В-третьих, визуальный интерфейс упрощает создание простых агентов, но для сложных мультиагентных систем с десятками узлов может стать громоздким. В таких случаях экспорт в код и ручная доработка — более практичный подход.
Наконец, стоимость запросов зависит от выбора модели, включения истории чата и количества подключённых инструментов . Мониторьте расходы и оптимизируйте настройки для снижения затрат .
