Как создать контент-агента (WriterAgent) в Laravel с помощью Laragent.ai

(практический кейс интеграции с оркестрацией и несколькими агентами)

Интеграция LLM в production-приложения всё чаще требует не «чата с ИИ», а управляемой системы агентов, встроенной в существующую архитектуру. Ниже — практическое описание того, как это реализуется в Laravel с использованием Laragent.ai.

Задача интеграции

Целью было встроить ИИ-агентов в уже существующее приложение-сервис без ломки архитектуры, с возможностью:

• добавлять новые роли агентов,

• менять LLM-провайдеров и модели,

• расширять функциональность через инструменты,

• управлять контекстом и историей взаимодействий,

• масштабировать решение от одного агента к мультиагентной системе.

Почему Laragent.ai подошёл для этой задачи

Пакет Laragent.ai показал себя как ненавязчивый agent-layer, который:

• подключается к Laravel как инфраструктурный слой;

• не требует переписывания существующих сервисов;

• позволяет конфигурировать агентов декларативно;

• не жёстко привязан к одному провайдеру или модели.

После подключения пакета появляется возможность создавать агентов с чётко определённой ролью и поведением, не вмешиваясь в бизнес-логику приложения.

Конфигурация агента: базовая модель

Каждый агент в системе может быть настроен по следующим параметрам:

• Инструкция — определяет роль, стиль и логику анализа запроса

• Провайдер — например, YandexGPT или ChatGPT

• Модель — конкретная версия LLM под задачу

• Набор инструментов — доступные действия агента

• Преобразование промпта — препроцессинг и постпроцессинг

• История взаимодействий — контекст и память агента

Ключевой вывод из практики:
инструкция агента — центральный элемент, именно она в наибольшей степени влияет на качество анализа запроса и корректный выбор инструментов.

Реализованный агент: WriterAgent / ArticleGeneratorAgent

В рамках текущей интеграции был реализован агент генерации контента:

ArticleGeneratorAgent

Агент, отвечающий за создание и обновление статей.

Функции:

• генерация текста статьи;

• работа с уточняющими вопросами при недостатке данных;

• использование инструментов для расширения возможностей;

• генерация изображений для статей через Yandex Art;

• возврат результата в виде статьи, доступной для редактирования.

На текущем этапе:

• текстовая генерация — через YandexGPT;

• генерация изображений — через Yandex Art.

Онлайн-чат в административной панели

Для взаимодействия пользователя с агентами был реализован онлайн-чат прямо в существующей админ-панели.

Это принципиально важно:

• агент воспринимается как часть продукта, а не внешний сервис;

• история диалога сохраняется;

• контекст управляется на стороне backend;

• пользователь может уточнять и корректировать результат.

Общая схема взаимодействия агентов

Фактическая архитектура работы системы выглядит так:

1. Пользователь отправляет сообщение

2. Сообщение передаётся в OrchestratorAgent

3. OrchestratorAgent вызывает DetectUserIntentAgent для определения намерения пользователя

4. Определённое намерение возвращается оркестратору

5. В зависимости от намерения вызываются целевые агенты, например:

   • ArticleGeneratorAgent

     • при наличии достаточных данных — формирует статью;

     • при недостатке данных — запрашивает уточнение через чат

6. Результат (статья с возможностью редактирования) возвращается пользователю

Таким образом, пользователь всегда работает с единым входом, а вся сложность логики скрыта внутри системы агентов.

Оркестрация как основа масштабирования

В системе выделены ключевые роли:

OrchestratorAgent

• управляет последовательностью вызова агентов;

• принимает решения на основе намерения пользователя;

• агрегирует результаты предыдущих шагов;

• выступает “точкой управления” всей AI-логикой.

DetectUserIntentAgent

• анализирует входящий запрос;

• классифицирует намерение (создание статьи, правка, вопрос, уточнение);

• избавляет остальные агенты от лишней логики.

ArticleGeneratorAgent

• концентрируется только на контенте;

• не знает о маршрутизации и UI;

• легко расширяется новыми инструментами.

Такое разделение ролей позволило разложить сложную задачу на независимые компоненты и упростить дальнейшее развитие системы.

Инструменты и расширяемость

Агентам можно добавлять новые инструменты без изменения их основной логики.
Это критично для production-систем:

• новые API;

• дополнительные проверки;

• интеграции с CMS;

• аналитика;

• публикация.

LLM остаётся «мозгом», а PHP-приложение — системой действий и контроля.

Контекст и память

Контекст взаимодействия агентов настраивается и может храниться в выбранном хранилище в зависимости от требований:

• краткосрочный контекст диалога;

• история взаимодействий пользователя;

• проектный контекст (шаблоны, стиль, правила).

Архитектура не привязана к конкретному типу хранилища, что упрощает адаптацию под разные нагрузки и требования.

Ключевые выводы из практики

Из отчёта и внедрения можно выделить два принципиальных наблюдения:

1. Оркестрация позволяет разложить сложную задачу на независимые роли, что существенно упрощает масштабирование и сопровождение системы.

2. Разные модели подходят под разные типы задач — это даёт возможность:

   • ускорять разработку,

   • снижать стоимость,

   • оптимизировать использование ресурсов.

Дополнительно важно: используемые LLM-модели и провайдеры легко заменяются, без переписывания архитектуры.

Итог

Использование Laragent.ai позволило:

• встроить ИИ-агентов в существующее Laravel-приложение;

• сохранить чистоту архитектуры;

• реализовать мультиагентную систему с оркестрацией;

• гибко управлять моделями, провайдерами и инструментами;

• получить основу для дальнейшего масштабирования.

В результате агентная система перестаёт быть экспериментом и становится частью backend-инфраструктуры, готовой к росту и усложнению в 2026+.