Практические подходы к API, инструментам и автоматизации для AI-агентов: CLI и Skill, MCP, агентные приложения и B2B-анализ.
Собрано в Sveska из открытых обсуждений сообщества. Авторы сообщений не указываются.
Обновлено
При проектировании инструментов для AI-агентов учитывайте, что агент может получать данные из API самостоятельно — через CLI или Skill. В таком сценарии особенно важны скорость ответа API и качество хранения данных; необходимость MCP зависит от конкретной задачи.
По сообщениям за август 2026, один из подходов — дать агенту доступ к API через CLI или Skill. Тогда он сам вызывает API и забирает необходимые данные.
Для такого доступа выделяют два ключевых требования:
MCP не рассматривается как обязательный компонент: его необходимость участники оценивают по-разному.
Для глубокого B2B-анализа можно сначала определить, что и где искать, а затем создать отдельного агента под каждую цель и нужную семантику.
В примере из сообщений за август 2026 настройка заняла около 8 часов. Затем агенты работали 16 часов и собрали:
На такой анализ потребовалось примерно два лимита Claude по $200. Расходы в подписочной модели были оценены как немного превышающие $200.
По описанию за сентябрь 2026 процесс устроен так:
Важно: в описанном опыте защиты останавливали автоматизацию примерно в 30–40% случаев, поскольку агент не мог разобраться с ними самостоятельно.
Для разработки агентных приложений рекомендуют PydanticAI. По сообщению за сентябрь 2026, фреймворк из коробки поддерживает контекст, память, цели и циклы событий.
Важно: даже при использовании фреймворка архитектуру и настройку системы нужно прорабатывать самостоятельно — одного подключения недостаточно.
У магазина «ВкусВилл» есть публичный MCP-сервер: https://mcp.vkusvill.ru
Статья собрана по сообщениям за август–сентябрь 2026 года.