LLM — это языковая модель, «мозг», который генерирует текст. RAG — способ подключить к этому мозгу ваши данные, чтобы он отвечал по фактам, а не выдумывал. AI-агент — конструкция, которая даёт мозгу цель и инструменты, чтобы он не только отвечал, но и действовал: искал, проверял, оформлял. Это не конкурирующие технологии, а три уровня одного продукта: мозг → знания → руки.

Это формальное определение. Теперь — как я рисую это заказчикам на салфетке.

Представьте, что вы наняли гениального эрудита. Он блестяще говорит на любую тему, прочитал половину интернета — но в вашей компании первый день и ничего о ней не знает.

Это LLM. Умеет говорить — не знает ваших данных. Спросите его «что у нас на складе» — и он либо честно растеряется, либо, что хуже, уверенно придумает ответ. У нас есть отдельная статья про то, почему модель сочиняет, — это называется галлюцинацией.

Теперь вы дали эрудиту доступ к базе: каталог, документы, регламенты. Перед каждым ответом он сначала заглядывает туда и отвечает по фактам, с опорой на источник.

Это RAG. Тот же мозг плюс ваши знания. Он уже полезен: отвечает клиентам про ваши товары, сотрудникам — по вашим регламентам. Но он всё ещё только отвечает.

И наконец вы выдали ему полномочия и инструменты: доступ к системам, право оформлять заказы, создавать заявки, отправлять письма. Теперь фраза «собери корзину на ужин» заканчивается не советом, а собранной корзиной.

Это AI-агент. Мозг + знания + руки. Он планирует шаги, вызывает инструменты, проверяет результат — и возвращается с выполненной задачей, а не с текстом о ней.

Три уровня: LLM (говорит) → + RAG (знает ваши данные) → + агент (действует). Мозг → знания → руки.

В Sigma.AI — ассистенте продуктового маркетплейса, который мы разрабатывали, — работают все три слоя, и на нём хорошо видно, кто за что отвечает.

Покупатель пишет: «что приготовить из курицы и грибов». Слой RAG находит подходящие рецепты в базе из 1 155 позиций и проверяет ингредиенты по складу — поэтому в ответе только блюда, которые реально можно собрать из наличия. Слой LLM оформляет это в живой ответ. А агентный слой делает главное для бизнеса: по одному тапу превращает рецепт в наполненную корзину с реальными товарами и ценами.

И контринтуитивный факт, который экономит нашим заказчикам заметные деньги: значительная часть запросов в этой схеме вообще не доходит до модели. Типовые сценарии — подборки, квизы — отрабатывают по детерминированной логике и кэшу за 4–6 секунд и ноль токенов. Мозг — самая дорогая часть системы, и хороший инженер включает его только там, где без него никак.

За годы проектов у меня сложился простой диагностический вопрос: что должно произойти после ответа?

Если ничего — вам нужен LLM с хорошим промтом: генерация текстов, саммари документов, черновики ответов. Если ответ должен опираться на ваши данные — вам нужен RAG: база знаний для поддержки, ассистент по каталогу, поиск по документации. Если после ответа должно совершиться действие — заказ, заявка, письмо, запись — вам нужен агент.

Хорошая новость: это не три разных проекта, а одна лестница. Продукты почти всегда стартуют с уровня RAG — он запускается за несколько недель и сразу приносит пользу, — а агентные сценарии добавляются итерациями к уже работающей системе. Именно так рос Sigma.AI: от подборок по каталогу до агента с собственной моделью и голосовым вводом.

Sigma.AI — ассистент продуктового маркетплейса Sigma.Market: собирает корзину из товаров, которые есть на складе.