МТС (через дочернюю структуру MWS) выпустила платформу для создания и эксплуатации ИИ-агентов — MWS AI Agents Platform. В проде она работает с конца 2025 года, за это время вышло семь релизов. Разбираем, что платформа берёт на себя и где у неё границы.
Проблема, которую она решает
Стандартный путь при разработке агента для бизнеса выглядит так: быстрый прототип, демо, а потом месяцы на логирование, мониторинг, версионирование промптов, права доступа и выкатку в прод. Всё это — «обвязка», без которой LLM в бизнес-процессе не живёт.
MWS AI Agents Platform позиционируется именно как эта обвязка, собранная заранее и в одном месте. По описанию: среда, где агента можно собрать, подключить к данным и корпоративным системам, выпустить в прод и дальше за ним наблюдать.
Что внутри: граф, шаблоны и «ИИ-команда»
В центре платформы — конструктор проектов на основе графа. Проект собирается из компонентов: агенты, блоки кода, обращения к источникам данных, обработчики. Компоненты расставляются по графу — получается процесс с шагами, условиями и ветками.
Принципиально важная деталь: выбирать между жёстким сценарием и полностью автономным агентом не обязательно. Если бизнес-процесс детерминирован — описываете его обычной логикой. Агентский цикл (где решение принимает LLM) подключается только к тем шагам, где нужен контекст. Это снижает риск непредсказуемого поведения там, где оно не нужно.
Начать можно с пустого графа или с шаблона. В платформе есть каталог базовых темплейтов со встроенным поиском — например, шаблон «Аналитика данных».
Второй способ создания проекта — через промпт. За это отвечает модуль AI Force, или «ИИ-команда» — группа специально обученных агентов. Внутри три роли:
| Роль | Функция |
|---|---|
| Менеджер | Общается с пользователем, уточняет задачу, собирает требования, показывает план |
| Архитектор | Выбирает тип проекта, проектирует граф по каталогу архетипов, проверяет концепцию до сборки |
| Разработчик | Собирает сценарий инструментами платформы, валидирует структуру, исправляет ошибки, гоняет тесты |
Цикл «правка → тест» повторяется, пока проект не заработает. «ИИ-команда» знает абстракции платформы и работает с теми же сущностями, что и разработчик вручную. Если задача лучше решается детерминированной схемой — соберёт её, а не агентную.
Данные, модели и корпоративные системы
Платформа включает инструменты для работы с данными: RAG (retrieval-augmented generation — подключение внешних баз знаний к ответам модели), память агентов, разметку данных и дообучение.
Модели подключаются гибко: собственные модели MWS (линейка Cotype), свои модели или внешние. С корпоративными системами агенты общаются через API и MCP (Model Context Protocol). В платформе есть встроенный MCP-хаб со своими серверами и возможностью подключить сторонние.
Из дополнительных инструментов в меню конструктора:
- AI-сервисы — AutoML: классификаторы и определение именованных сущностей (NER).
- Диалоги — история переписок агента с пользователями.
- Разметка данных — инструменты для разметчиков.
- Каналы — HTTP-адаптеры для публикации решения наружу.
Enterprise-требования и безопасность
Через все слои платформы проходят требования корпоративного уровня: ролевая модель доступа, защита языковых моделей, возможность работы в закрытом контуре и отказоустойчивость. Это отдельный раздел в архитектуре, а не надстройка поверх.
Платформа также включает инструменты для контроля действий агентов, мониторинга и наблюдаемости — что именно делает агент, где ломается и почему.
Кому это нужно на практике
Платформа ориентирована на команды, которые уже понимают, что хотят сделать с ИИ-агентами, но не хотят строить инфраструктуру с нуля. Для разработчика это значит: не нужно самостоятельно собирать логирование, версионирование промптов и систему прав — всё это уже есть.
Для бизнеса — возможность описать задачу текстом и получить рабочий прототип через «ИИ-команду», не погружаясь в граф вручную.
Платформа выглядит разумно для корпоративного сценария: закрытый контур, интеграция с внутренними системами через API и MCP, контроль доступа. Для небольших команд или экспериментов без enterprise-требований это, похоже, избыточно.
Где информации не хватает
Источник не раскрывает ценообразование и условия доступа к платформе. Нет данных о производительности под нагрузкой, SLA и конкретных метриках из кейсов внедрения — только факт их существования. Сравнения с аналогами (LangGraph, Vertex AI Agent Builder, Microsoft Copilot Studio) в материале нет.
Семь релизов за неполный год — темп активный, но что именно менялось от версии к версии, в источнике не описано. Это важно для оценки зрелости платформы.
