В условиях массового перехода компаний на ИИ-агентов для каждого сотрудника возникает новая проблема: управление этими агентами. Один администратор, обслуживающий около 60 человек, столкнулся с тем, что агенты сотрудников начали писать ему письма с вопросами, а он пересылал их своему агенту и возвращал ответы обратно. Сотрудники в шутку называли его «прокладкой между ИИ». Чтобы решить эту проблему, он разработал прототип профильного ИТ-суперагента, который берёт на себя роль центрального узла знаний и прав для всех подключённых агентов. Автор подчёркивает: это не продукт и не реклама, а рабочий прототип, который сейчас проходит пилотную эксплуатацию.

Сначала предпринимались попытки создавать агентов под конкретные задачи, но каждый раз выяснялось, что не учтены нюансы, известные только исполнителю, и допиливание растягивалось надолго. Затем была опробована платформа Paperclip, позволяющая сотрудникам самостоятельно собирать агентов: агент-аналитик помогает создавать других агентов, у него есть инструкции и доступ к базе знаний компании, а над всеми стоит агент-«гендиректор». Однако она оказалась слишком трудоёмкой и непрозрачной: сотрудники просто не понимали, как собирать агентов, а внутри платформы что-то происходило за кулисами — агенты зацикливались, уходили решать задачи, не связанные с исходной, расходовали токены без результата. Тогда было решено выдать нескольким опытным сотрудникам Claude Code с преднастроенными инструкциями и доступом на чтение к инфраструктуре (аналитика и задачи, 1С, CRM, сайты, почта). Изначально всё работало на виндовом терминальном сервере, где администратор мог управлять профилями и своим Claude поправлять инструкции, разрешения и режимы работы агентов сотрудников. Но уже два-три человека с несколькими сессиями съедали всю оперативную память терминала. Выделять каждому виртуалку не стали: всё давно ушло в веб, люди работают с домашних машин через VPN. Перевод на домашние машины лишил централизованного управления — доступа к md-файлам и конфигам Claude на чужих компьютерах у администратора нет — и породил вторую проблему: админ-прокладку, когда агент сотрудника не находит что-то в инфраструктуре или ему не хватает прав, пишет письмо администратору, тот передаёт его своему Claude, получает ответ и пересылает обратно.

Прототип суперагента представляет собой HTTP-сервис на Python (около 4 тысяч строк), построенный на FastAPI и MCP, с базой данных SQLite в режиме WAL. Собирался он несколько дней в паре с Claude Code. Развёрнут на внутреннем сервере за nginx и доступен только через VPN. Для агентов сотрудников он выглядит как MCP-сервер (streamable HTTP), подключаемый одной командой с личным токеном. После подключения у агента появляются инструменты: ask, get_instructions, consult. Агенту без разницы, что внутри суперагента, а суперагенту без разницы, какой у сотрудника агент: сейчас это Claude Code, но MCP понимают и другие клиенты. Централизованное управление реализовано через единый markdown-файл на стороне суперагента: MCP-сервер отдаёт инструкции при подключении и в каждом ответе, что позволяет менять поведение всех подключённых агентов сразу после правки файла и перезапуска сервиса, где бы они ни работали. Со стороны сотрудника в его CLAUDE.md достаточно пары строк — например, что факты по инфраструктуре берутся через superagent.ask, права на задачу — через superagent.get_instructions, а если нужно спросить администратора (нет данных, нужен доступ, решение), используется superagent.consult, при этом изменения в пределах прав выполняются самостоятельно.

Знания суперагента опираются на два RAG-источника. Первый — административный каталог серверов, который ведётся в GitLab и синхронизируется с векторной таблицей: около 570 файлов, порядка 940 фрагментов, разбиение по заголовкам с перекрытием. Полная индексация на CPU занимает около девяти минут, далее инкрементально по хешам файлов раз в 10 минут. Доступ фильтруется по правам на уровне фрагментов. Второй источник — общая корпоративная база знаний на pgvector (регламенты, процессы, инструкции), из которой суперагент берёт ИТ-область и добавляет к ответу с указанием источников. Поиск по админской части гибридный: SQLite FTS5 плюс эмбеддинги локальной модели Ollama. Кроме того, реализованы проверки на серверах и эскалация в мессенджер при необходимости. Суперагент отвечает не «из головы» модели, а из этих двух баз знаний.

Контекст: рынок мультиагентных платформ сейчас активно развивается, но большинство решений замыкают всех агентов в одной программе. Здесь же предложен децентрализованный подход: у каждого сотрудника свой агент (любой, поддерживающий MCP), а в компании есть профильный суперагент, к которому они обращаются. Автор подчёркивает, что ИИ учился на теории — на том, что нашёл в интернете, — и применяет лучшие практики без практики. В реальной работе лучшие практики всегда идут с добавками реальности: особенностями конкретной инфраструктуры, историей, договорённостями. Поэтому, когда непрофильный человек решает задачу с ИИ, часто получается «всё по учебнику, а результат не тот». Суперагент как раз накладывает лучшие практики на опыт компании. По замыслу, суперагенты должны быть по направлениям: ИТ, юристы, маркетинг. Начато с ИТ.

Для российского рынка эта история показательна: многие компании уже экспериментируют с ИИ-агентами, но сталкиваются с теми же проблемами управления и масштабирования. Решение на открытых технологиях (Python, FastAPI, MCP, SQLite, pgvector, Ollama) может быть воспроизведено без привязки к западным облачным сервисам, что важно в условиях санкций и импортозамещения. Отраслевые эксперты отмечают рост интереса к локальным RAG-системам и MCP-протоколу, который набирает популярность как стандарт взаимодействия агентов. Однако прототип пока не является продуктом и проходит пилотную эксплуатацию.

По сравнению с альтернативами (например, Paperclip или другими мультиагентными платформами), предложенный подход даёт большую гибкость и контроль. Вместо того чтобы заставлять сотрудников разбираться в создании агентов, компания предоставляет централизованный сервис, который отвечает на запросы и управляет правами. Это снижает нагрузку на администраторов и ускоряет внедрение ИИ. В то же время остаются открытые вопросы: масштабируемость на сотни сотрудников, безопасность токенов, стоимость поддержки и обучение модели. Автор планирует развивать проект, добавлять новые направления и улучшать эскалацию. Ожидается, что подобные суперагенты станут типовым элементом корпоративной ИТ-инфраструктуры в ближайшие годы.