Агенты: автоматизация цепочек задач

Что такое ИИ-агенты и как они могут автоматизировать сложные юридические процессы.

Когда юрист работает с ИИ в режиме «вопрос — ответ», он решает одну задачу за раз. Это полезно, но не раскрывает весь потенциал технологии. ИИ-агенты — следующий уровень: они способны выполнять цепочки задач, принимать промежуточные решения, использовать внешние инструменты и доводить сложные процессы до результата с минимальным участием человека.

Что такое ИИ-агент

ИИ-агент — это система, в которой языковая модель выступает не просто генератором текста, а «мозгом», управляющим процессом. Агент умеет:

• Планировать: разбивать сложную задачу на последовательность шагов.
• Использовать инструменты: обращаться к базам данных, поисковым системам, файловым хранилищам, API.
• Принимать решения: на основе промежуточных результатов определять следующий шаг.
• Итерировать: если результат неудовлетворительный, пробовать другой подход.

Простой промпт — это один запрос и один ответ. Агент — это многошаговый процесс, где модель сама решает, что делать дальше.

Чем агент отличается от цепочки промптов

Практические примеры для юридической работы

Агент для автоматизированного Due Diligence

Представьте агента, который получает набор документов по сделке и выполняет следующую цепочку:

1. Классификация документов — определяет тип каждого документа (устав, договор, лицензия, бухгалтерская отчётность).
2. Извлечение ключевых данных — для каждого типа документа извлекает релевантную информацию по заранее определённому чеклисту.
3. Перекрёстная проверка — сопоставляет данные из разных документов (совпадают ли даты, суммы, наименования сторон).
4. Выявление пробелов — определяет, какие документы отсутствуют или содержат неполную информацию.
5. Формирование отчёта — генерирует структурированный DD-отчёт с указанием рисков и рекомендаций.

Каждый шаг зависит от результатов предыдущего, и агент принимает решения: если документ не распознан, он может запросить уточнение; если найдено критическое несоответствие, он выделяет его отдельно.

Агент для мониторинга регуляторных изменений

Описание агента:

Цель: Мониторинг изменений законодательства, релевантных для клиентов фирмы.

Шаги:
1. Ежедневно проверяй публикации на сайте pravo.gov.ru, Consultant.ru и Garant.ru
   по ключевым темам: [корпоративное право, трудовое право, налоговое право].
2. Для каждого нового нормативного акта определи:
   - Затрагивает ли он практику наших клиентов
   - Какие конкретно клиенты могут быть затронуты
   - Требуется ли срочная реакция
3. Если изменение критическое — сформируй краткий алерт для соответствующего
   партнёра с указанием сути изменения и рекомендуемых действий.
4. Еженедельно формируй дайджест всех изменений с приоритизацией.

Агент для подготовки договора

Автоматизированная цепочка создания первого драфта договора:

1. Получает вводные данные (тип сделки, стороны, ключевые условия).
2. Выбирает подходящий шаблон из внутренней базы (через RAG).
3. Заполняет шаблон конкретными данными.
4. Проверяет заполненный документ на внутренние противоречия.
5. Сверяет условия с внутренними политиками компании (лимиты ответственности, обязательные условия).
6. Формирует финальный драфт и список вопросов для юриста.

Инструменты для создания агентов

LangChain Agents

LangChain предоставляет фреймворк для создания агентов на Python. Пример минимального агента:

from langchain.agents import initialize_agent, Tool
from langchain_anthropic import ChatAnthropic
from langchain.tools import tool

@tool
def search_contracts(query: str) -> str:
    """Поиск по базе договоров компании"""
    # Здесь логика поиска по вашей базе
    return search_results

@tool
def check_compliance(contract_text: str) -> str:
    """Проверка договора на соответствие внутренним политикам"""
    # Здесь логика проверки
    return compliance_report

llm = ChatAnthropic(model="claude-sonnet-4-6")

tools = [search_contracts, check_compliance]

agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent="zero-shot-react-description",
    verbose=True
)

result = agent.run(
    "Подготовь первый драфт договора поставки оборудования "
    "с компанией 'Альфа' на сумму 50 млн рублей, используя "
    "наш стандартный шаблон."
)

Claude с использованием tool_use

Anthropic API поддерживает механизм tool use, позволяющий Claude вызывать внешние функции:

import anthropic

client = anthropic.Anthropic()

tools = [
    {
        "name": "search_precedents",
        "description": "Поиск судебных прецедентов по заданной правовой проблеме",
        "input_schema": {
            "type": "object",
            "properties": {
                "legal_issue": {"type": "string", "description": "Правовой вопрос"},
                "court_level": {"type": "string", "description": "Уровень суда"}
            },
            "required": ["legal_issue"]
        }
    }
]

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    tools=tools,
    messages=[{
        "role": "user",
        "content": "Найди прецеденты по вопросу солидарной ответственности "
                   "участников ООО по долгам общества при банкротстве."
    }]
)

Готовые платформы

Если вы не пишете код, агентные возможности доступны через:

• Claude Projects + Artifacts — для несложных многошаговых задач внутри одного сеанса.
• Microsoft Copilot Studio — для создания агентов в экосистеме Microsoft 365.
• n8n или Make — для автоматизации через визуальные конструкторы без кода.

Как внедрять агентов в юридическую практику

1. Начните с узкой задачи. Не пытайтесь автоматизировать весь рабочий процесс сразу. Выберите одну повторяющуюся цепочку задач — например, первичный скрининг NDA.

2. Определите точки контроля. Агент не должен работать полностью автономно в юридических задачах. Определите, на каких этапах юрист должен проверить промежуточный результат.

3. Тестируйте на реальных данных. Прогоните агента на прошлых задачах, где вы знаете правильный результат, и оцените точность.

4. Логируйте всё. Сохраняйте все промежуточные шаги и решения агента. Это важно для отладки и для демонстрации процесса клиенту или руководству.

Ограничения и риски

• Ошибки каскадируются. Если агент ошибся на первом шаге, все последующие шаги могут быть основаны на неверных данных. Точки контроля критически важны.
• Непредсказуемость. Агент может пойти неожиданным путём. Ограничивайте набор доступных инструментов и действий.
• Стоимость. Многошаговые агенты потребляют значительно больше токенов, чем простые запросы. Учитывайте это при планировании бюджета.
• Ответственность. Юридическая ответственность за результат остаётся на юристе, независимо от степени автоматизации.

Ключевые выводы

• ИИ-агенты позволяют автоматизировать многошаговые юридические процессы: от due diligence до подготовки договоров и мониторинга законодательства.
• Агент отличается от простого промпта способностью планировать, использовать инструменты и принимать промежуточные решения.
• Начинайте с узких задач и обязательно определяйте точки контроля, где юрист проверяет результат.
• Для создания агентов используйте LangChain, Anthropic API (tool use) или no-code платформы вроде n8n и Make.
• Помните: автоматизация не снимает юридическую ответственность — она освобождает время для задач, требующих профессионального суждения.