Изграждането на AI агенти днес е достъпно за почти всеки. И точно това е проблемът.
Преди около три години започнах да се уча да работя с n8n – една от най-използваните платформи за автоматизация на бизнес процеси последните няколко години. Оттогава не съм спирала. Появиха се десетки нови инструменти, смениха се няколко „модерни“ подхода, но аз все се връщам към основите.
Причината не е носталгия.
Причината е, че основите определят дали една система ще работи.
В момента много хора говорят за изграждане на агенти изцяло чрез кодови асистенти като Claude Code – AI, който върши всичко вместо вас. А преди около месец започна да се чува и нов термин: “harness”. Подход, който описва не самия модел, а структурата около него.
Аз през цялото време търся хибридния вариант. Система от AI агенти, дигитални служители, които са контролируеми, проследими и, много важно, които харчат възможно най-малко токени, защото токените са реални пари, които бизнесът плаща всеки месец.
Тази статия е разделена на две части.
В първата ще обясня защо архитектурата идва преди кода, защо камарата от умения (agent skills) и инструменти не е същото като работещ процес и какво всъщност означава “harness” метода.
Във втората ще навляза в по-технични детайли и ще ви покажа конкретен експеримент с Claude Code – една и съща задача, дадена два пъти, с драстично различен резултат.
За да стигнем дотам, ще ви досадя за кратко с малко теория. Тя си заслужава.
Защо изграждането на AI агенти започва с архитектура, а не с код
Повечето провали при AI агентите не се случват в самия код. Те се получават много преди него.
Бизнесът решава, че иска дигитални служители. Сяда пред някой инструмент, описва какво иска с няколко изречения и очаква система. Това, което получава, работи на демо. При пускане в реална среда се разпада.
Не защото моделът е слаб. А защото никой не е описал процеса, който агентът трябва да следва.
AI агентът не измисля как работи вашият бизнес. Той изпълнява логиката, която му е зададена. Ако логиката не е дефинирана ясно – кои са стъпките, кога се взима решение, какво се случва при грешка, кой какво получава – този дигитален служител просто запълва празнините с предположения. А предположенията в реална работна среда струват пари.
Затова първата стъпка никога не е техническа.
Първата стъпка е да се изгради архитектурата на процеса.
- Кои са входните точки?
- Какви данни влизат?
- Какво решение се взима на всяка стъпка?
- Какъв е резултатът?
- Къде може да се обърка нещо?
Това е и причината автоматизацията понякога да е грешен ход в грешния момент.
Ако процесът е хаотичен, автоматизацията просто ускорява хаоса. Писала съм отделно за това – кога автоматизацията създава повече проблеми, отколкото решава, и кои са признаците, че не трябва да автоматизирате точно сега.
Истината е проста: не се автоматизира инструмент. Автоматизира се процес.
И ако не разбирате какво всъщност означава автоматизация на бизнес процеси, нито един инструмент няма да ви спаси.
n8n: средата, в която се ражда добрата автоматизация
Тук на помощ идва n8n.
n8n е платформа за автоматизация на бизнес процеси, която последните години се наложи като една от най-предпочитаните за изграждане на работни потоци с изкуствен интелект. Силата ѝ е в комбинацията: визуален редактор, в който се вижда всяка стъпка, и възможност за пълен контрол върху логиката.
Още преди сегашната вълна от AI инструменти, в n8n вече можеше да се изграждат AI агенти директно вътре в работния поток или да се извикват отделни модели на изкуствен интелект само в онези стъпки, където това е нужно.
Но за мен истинската стойност на n8n е друга.
n8n е средата, в която можеш бързо да изградиш прототип на един бизнес процес. Виждаш го целия пред себе си. Когато се появи грешка я хващаш веднага и точно. Изграждаш различни сценарии, тестваш ги, чупиш ги, поправяш ги. За броени часове имаш работещ модел на процеса – не описание, а реално функциониращ поток.
И тук идва ключовата идея на тази статия.
Този готов n8n работен поток не е просто автоматизация.
Той е знание.
Той е напълно описана, тествана логика на конкретен бизнес процес. А това знание може да се предостави на кодов асистент като Claude Code и да послужи като основа, върху която той изгражда същата автоматизация, но вече в кодова среда, по-дълбока, по-устойчива и по-евтина за поддръжка.
С други думи: n8n става мястото, където се ражда архитектурата. Кодът идва след това.
Harness методът: новият начин да мислим за AI агенти
За да разберете защо този подход работи, трябва да знаете какво е “harness”.
Терминът идва от софтуерното тестване, където „test harness“ е скелето, което подготвя, изпълнява и оценява една система при контролирани условия – имитираща инфраструктура, която заобикаля тествания компонент, когато реалната среда липсва или не е желателна.
В контекста на AI агентите “harness” е всичко около модела – структурата, която определя как агентът получава информация, какви инструменти може да използва, как се справя с грешки и как решава какво да прави след това. Както го определя подробния анализ на MindStudio за harness инженерството, това е дисциплината да се проектира скелето около модела умишлено, а не като нещо, за което се сещаш накрая.
Защо това е важно?
Защото изследванията показват нещо неудобно за всеки, който вярва, че по-добрият модел решава всичко.
Същият анализ посочва и конкретни числа. При тестове върху един и същ базов модел, поставен в различни „harness“ конфигурации, дава успеваемост, която варира от около 5% до над 30%.
Един и същ модел. Разликата е изцяло в структурата около него.
Това обяснява и по-голямата промяна в индустрията.
През 2025 г. всички гонеха по-мощни модели с презумпцията, че по-високите способности ще решат проблемите с внедряването.
През 2026 г. стана ясно, че дори най-напредналия модел не може да компенсира липсата на архитектура.
Фокусът се измести от дизайн, центриран върху модела, към дизайн, центриран върху инфраструктурата – промяна, която Salesforce описва подробно в материала си за agent harness.
Има едно изречение, с което Anthropic – създателите на Claude и Claude Code – описват това особено ясно: всеки компонент в „harness“-а кодира предположение за това какво моделът не може да направи сам.
Сега свържете това с n8n.
Когато изградите един бизнес процес в n8n като подробен, тестван работен поток, вие на практика създавате точно това скеле. Прототипът от n8n е harness – описаната логика, по която агентът трябва да се води. Не е окончателната система. Той е чертежът, който превръща един общ AI агент в агент, който знае как работи конкретно вашият бизнес.
Моделът е важен. Но моделът сам по себе си не е продукт.
Защо изграждането на AI агенти не е камара от умения
Ако „harness“-ът е отговорът, остава въпросът как точно се изгражда той. И тук повечето хора правят една и съща грешка.
Подходът, който в момента се приема почти за стандарт, изглежда така. Дава се на агента голям набор от инструменти, добавят му се няколко “умения” (“skills”, въведени от Anthropic преди няколко месеца) и оттам нататък се разчита, че той ще се справи.
Умението (skill) е текстово описание на това как се изпълнява дадена задача. То е полезно. Спестява повтаряне на едни и същи инструкции отново и отново и до известна степен описва процеса, през който агентът трябва да премине.
Но има граница, която рядко се изговаря.
Умението е инструкция. Не е ограничение.
То живее в контекстовия прозорец на модела като текст. А моделът е свободен да го следва, да го следва наполовина или в някой момент да реши нещо, което изобщо не е описано в умението. Умението не спира халюцинацията. Не спира грешката. Не спира агента да направи на стъпка 4 нещо, което на стъпка 4 няма работа.
Точно това е причината “harness” методът да започва да се налага.
Anthropic правят разграничение, което си струва да се запомни. В своята статия “Building Effective Agents” те разделят агентните системи на два вида.
Workflow (работен процес) е система, в която моделът и инструментите се оркестрират през предварително зададени кодови пътища.
Agent (агент) е система, в която моделът сам направлява процеса си и сам решава кои инструменти да използва.
Има едно по-кратко обобщение на тази разлика – от лекцията на Barry Zhang от Anthropic, „How We Build Effective Agents“, предадена в анализ на Shelly Palmer: при работен процес ти владееш водопровода; при агент моделът владее водопровода.
Цялата разлика е там.
Умението оставя водопровода в ръцете на модела. Работният процес го връща във вашите.
В операционната система за AI агенти – MarinextAIOS, която развивам, не давам на агента камара от инструменти и умения с надеждата, че всеки път ще върне перфектен резултат. Правя обратното.
Изграждам работни процеси. Не текстово умение, което се надявам агентът да следва, а реална последователност от стъпки, които вървят една след друга. Стъпка 2 идва след стъпка 1, защото системата така е устроена, а не защото моделът се е съгласил.
И тук идва най-важното.
Не всяка стъпка има нужда от агент!
Някои стъпки са обикновен код – детерминистични, предвидими, без нужда от „мислене“. На други стъпки наистина е нужно включване на модел или на агент, защото изискват преценка. Но това включване е точково. То се случва там, където има реална стойност, а не навсякъде по подразбиране.
Точно тук се крие огромна икономия на токени. А токените са пари.
Това не е дребна оптимизация. Това е разликата между бизнес модел, който работи, и такъв, който не работи. Писала съм отделно за това как се изчислява реалната стойност на една автоматизация и защо тя е инвестиция, а не разход.
Има и по-дълбока причина да не оставяте всяка стъпка на агента. Грешката се натрупва.
Обзорен научен труд от 2025 г., “LLM-based Agents Suffer from Hallucinations“, стига до извод, че халюцинациите при агентите се появяват на различни етапи от работния процес и че се усилват именно заради последователната, многостъпкова природа на агента. По-ново изследване, AgentHallu, го формулира още по-ясно: халюцинация, появила се на междинна стъпка, се разпространява по цялата траектория и влошава крайния резултат.
Преведено на езика на бизнеса: всяка стъпка, на която допускате агента да реши сам, е още една възможност за грешка. Като свеждате агентските стъпки до тези, които наистина изискват преценка, вие не просто пестите токени, но и намаляте възможността от появата на халюцинация.
А обратната посока също е изследвана. Научна рамка, която налага правило-базирана логика върху поведението на модела, постига 85,5% подобрение в консистентността на отговорите. Детерминистичните граници работят.
Може би вече усещате накъде води това.
Повечето хора слагат AI вътре в n8n. Викат модел в някоя стъпка на иначе предсказуем работен поток. Това, което описвам, е обратното.
Слагам n8n-стил оркестрация около и вътре в самия AI агент. Предсказуемият скелет носи процеса. Агентът се включва само там, където е незаменим.
Това е „harness“ методът на практика.
И тук трябва да направя едно важно уточнение, защото без него картината е наполовина.
Това не е битка „умения срещу работни процеси“. Двете се композират. Работният процес решава коя стъпка се изпълнява и кога. Умението оформя как моделът работи вътре в стъпка, която така или иначе изисква модел. Умението не е враг, то просто не е заместител на контролния поток.
И още нещо, не по-малко важно. Работният процес купува надеждност и евтини токени, но плаща с гъвкавост. Предварително изградената архитектура на работния процес не може да обработи ситуация, която не сте предвидили. Затова и Anthropic не казват „винаги работен процес“ – казват, че работните процеси дават предвидимост за добре дефинираните задачи, а агентът е по-добрият избор там, където са нужни гъвкавост и решения в реално време.
Истинският продукт не е „всичко в работен процес“ (workflow). Истинският продукт е преценката кои стъпки изобщо подлежат на архитектура и кои не. Това е инженерна и бизнес преценка едновременно. И точно тук стои човешката експертиза.
Claude Code: какво се промени за една година
Дотук говорихме за принципи. Сега да видим какво се случва на практика.
Преди да стигна до моя експеримент, трябва да обясня докъде стигна Claude Code.
Claude Code е инструмент на Anthropic, който превръща модела Claude в кодов агент – работи директно с кодови хранилища, изпълнява задачи и помага при същинската разработка. През изминалата година се превърна от асистент за писане на код в платформа за изграждане на цели системи от агенти.
Само за последните месеци посоката стана недвусмислена. Claude Code получи Agent View – централен изглед, от който се управляват множество автономни сесии едновременно, всяка работеща по различна задача във фонов режим. На своето събитие „Code with Claude“ през 2026 г. Anthropic не пусна нов модел, а нарочно представи нещо друго – функции, които изграждат скелето около модела, както обобщава MindStudio от събитието.
Сред тях три са особено показателни.
Multiagent orchestration – водещ агент делегира задачи на специализирани подагенти, които работят паралелно, всеки със собствен модел, промпт и инструменти.
Dreaming – планиран процес, който преглежда минали сесии на агента, открива повтарящи се модели и грешки и подрежда паметта, така че агентите се подобряват между отделните изпълнения.
Outcomes – разработчикът дефинира критерий за това какво е добър резултат, а отделен оценител проверява всеки изход и връща агента да преработи, докато не покрие летвата.
Забележете какво е общото между трите. Нито една от тези функции не е „по-умен модел“.
И трите са архитектура около модела – координация, памет, проверка на качеството. Това е същият принцип, който описах в предишната секция: контролът се изгражда около модела, не се очаква от него.
Точно затова в индустрията се говори, че състезанието вече не е между моделите, а между „harness“-ите.
Тази логика, че бизнесите печелят не от по-голям модел, а от по-добра система около него, е причината все повече компании да спират да наемат готов софтуер и да започват сами да го изграждат. Писала съм подробно за това в статията за края на SaaS модела.
Моя експеримент: една и съща задача, два коренно различни резултата
Сега конкретното.
Преди няколко дни, докато работех по моята операционна система за AI агенти, дадох на Claude Code ясна задача: проектирай работните процеси, които стоят зад нея. Точно тези работни процеси, за които говорих по-горе – последователности от стъпки, не камара от умения.
Първият резултат изглеждаше прилично. Беше диаграма с четири блока, свързани със стрелки. Всеки блок носеше име. На пръв поглед – логично, не грешно.
Но беше празно.
Нямаше стъпки. Нямаше фази. Нямаше описание какви данни се пишат и четат на всяка стъпка. Нямаше инструменти. Нямаше нито една точка, в която процесът може да бъде наблюдаван, докато се изпълнява. Това не беше работен процес. Това беше диаграма на система – нещо, което изглежда добре на картинка, но не казва нищо за това как реално работи.
Тогава направих едно-единствено нещо.
Не написах по-дълъг и по-подробен промпт. Не добавих правила. Написах едно изречение. Казах му, че в системата вече съществува един изграден, изключително подробен работен процес, посочих му го по име и казах: анализирай го, искам точно това ниво на изчерпателност и качество.
С други думи – не описах какво е „добро“. Дадох му за ориентир вече съществуващ работен процес, изграден с детайлността на сериозна n8n автоматизация (самият процес първо беше създаден в n8n и след това прехвърлен и преработен в кодова среда), и го помолих да достигне същата летва.
Минути по-късно същият модел, в същия разговор, по същата задача, върна нещо съвсем различно.
Три нови, напълно структурирани работни процеса. Общо 49 стъпки. Всяка стъпка със собствена фаза. Всяка стъпка с изброени данни, които пише и чете. Всяка стъпка с инструментите, които използва. Запазена стъпка за памет в края на всеки процес. Всичко това проследимо и готово за изпълнение.
Един и същ модел. Една и съща задача. Един и същ разговор.
Разликата беше едно изречение, което посочи към вече изграден, тестван, истински работен процес.
Защо това работи: контекстът е продукта
Лесно е този резултат да се обясни погрешно.
„Моделът се е подобрил.“ Не – беше абсолютно същия модел.
„Намерила е магическия промпт.“ Не – вторият промпт беше по-кратък от първия.
Същинската причина е друга и тя си струва да се разбере.
Това, което наричаме промпт, всъщност не е инструкция. То е заявка към системата да навигира в едно огромно пространство от възможни отговори и да избере един. Когато пространството не е стеснено, моделът избира най-безопасния, най-усреднения отговор. Обучен е върху практически всичко написано в интернет и средния отговор на „проектирай ми работен процес Х“ изглежда като средната стойност на всичко. Точно затова се появи обикновената диаграма с четирите малки блока за изграждане на работните процеси, които поисках.
Готовият, подробен работен процес, към който го насочих е стегнато ограничение. Моделът вече не трябва да измисля каква е летвата за качество. Летвата стои в конкретен файл, на конкретно място.
Това обяснява и защо различни хора получават толкова различни резултати от един и същ модел на изкуствен интелект. Хората, които получават най-добрите резултати, не са тези с най-хитрите промптове. Те са тези, които са изградили най-полезните работни процеси, които агентите да могат да следват.
Всъщност точно така работят и добрите ръководители с младшите хора в екипа. Не описваш с думи какво е качество. Посочваш конкретен пример и казваш: „Ето това.“ Изкуственият интелект просто направи този принцип измерим. Можете да пуснете една и съща задача със и без ориентир и да видите как качеството се движи в пъти.
Това е и причината човешката експертиза да остава решаваща. Някой трябва да е изградил онзи първи качествен работен процес. Някой трябва да знае кой да е той. Писала съм и за обратната страна на това – случаите, в които ChatGPT, Claude и Gemini се объркаха, защото нямаше човек, който да зададе правилната рамка.
Какво означава това за вашия бизнес
Ако управлявате бизнес и обмисляте изграждане на AI агенти, ето практическият извод.
Спрете да търсите по-добрия инструмент или по-хитрия начин да формулирате заявката. Вместо това инвестирайте в три неща.
Първо – в архитектурата. Напревте си графика на целия работен процес, преди да го автоматизирате. Опишете стъпките, решенията, изключенията. Платформа като n8n е идеална за това, защото ви позволява да изградите и тествате прототипа бързо и видимо.
Второ – в работните процеси, а не само в уменията. Не давайте на агента камара от инструменти с надеждата за перфектен резултат. Изградете последователност от стъпки, в която агентът се включва само там, където наистина е нужна преценка. Това е, което ще направи системата ви едновременно по-надеждна и по-евтина.
Трето – в артефактите. Изградете един отличен пример на това, което искате. Не описание. Самото нещо. Един работещ процес, една ясна структура. Той става еталонът, по който се изгражда всичко следващо – независимо дали следващата стъпка я прави човек, или кодов агент.
Това е и логиката, по която изграждаме системи от дигитални служители. Един добре структуриран централен агент, който координира специализирани подагенти, върши работата на цял екип – стига архитектурата под него да е здрава. Описала съм конкретен такъв случай в статията за дигиталния маркетингов отдел, а защо умните агенти сами по себе си не стигат в материала за операционната система за AI агенти.
Размерът на компанията спира да определя нейния капацитет. Но качеството на архитектурата започва да го определя изцяло.
Изграждането на AI агенти е работа по архитектура, а не по промптове
Ако трябва да остане едно нещо от тази статия, ето го.
Цялата индустрия в момента говори за модели и за промптове. Реалният лост е другаде.
Изграждането на AI агенти не е състезание кой ще намери по-мощния модел или по-точните думи. То е работа по архитектура. n8n е средата, в която тази архитектура се ражда – бързо, видимо, тествано. “Harness” методът обяснява защо структурата около модела носи повече тежест от самия модел. Работните процеси са начинът тази структура да стане надеждна и евтина, вместо да остане камара от умения, на които се надяваме. А Claude Code е инструментът, който превръща всичко това в реална, дълбока, устойчива система, но само когато му дадете истински ориентир, а не общо описание.
Един модел не става по-добър, защото сте го помолили любезно. Става по-добър, когато му дадете причина да спре да гадае.
Тази причина е контекстът. И контекстът не е нещо, което се добавя накрая. Контекстът е продуктът.
Бизнесът, който започне да изгражда тази дисциплина днес, не изостава след пет години. Той вече води.
Аз съм Мариела Славенова, собственик на Marinext AI, и помагам на компании да изградят система от дигитални служители, която прави бизнеса им по-ефективен, по-предвидим и по-печеливш.
