☰
02.09.2026

Как создать личного AI-агента по типу Pi с веб-поиском

В 2023 году появился чатбот Pi от Inflection AI, который вместо того чтобы просто выполнять команды, вёл разговор как живой собеседник и запоминал детали между сессиями. С тех пор компания сменила фокус на корпоративных клиентов, но сам подход прижился. Люди хотят не только исполнителя задач, но и агента с характером, который помнит контекст и способен проверить актуальную информацию в интернете, а не полагаться только на знания модели.

В этой статье разберём, как собрать такого агента самостоятельно, на своём сервере. Понадобится языковая модель с поддержкой function calling, простое хранилище памяти и инструмент веб-поиска. Инструкция подойдёт тем, кто пишет код и хочет получить личного ассистента без чужих лимитов и без привязки к готовому продукту.

Речь пойдёт не о копировании конкретного продукта, а о паттерне, который за ним стоит: личность, заданная заранее, память между сессиями и способность проверять факты в интернете вместо того, чтобы полагаться исключительно на данные обучения модели. Такой агент можно собрать на скромном сервере за один вечер, если заранее понимать, из каких частей он состоит и какие инструменты подходят пользователю из России.

Чем агент в духе Pi отличается от обычного чат-бота

Обычный чатбот отвечает на вопрос и забывает разговор, как только закрывается вкладка. Агент в духе Pi устроен иначе. У него есть личность, заданная заранее (стиль общения, манера, тон), и память, которая переживает конец сессии. При новом обращении он помнит, что вы обсуждали раньше.

Второе отличие в способе работы с фактами. Обычная модель отвечает исходя из данных, на которых обучалась, а у этих данных есть дата отсечения. Агент с веб-поиском умеет остановиться и свериться с актуальным источником, прежде чем дать ответ, если вопрос касается того, что могло измениться.

Важно отличать такой агент от task-агентов вроде OpenClaw, которые читают почту, обновляют CRM и выполняют команды в терминале. Там в приоритете исполнение задач. Здесь в приоритете разговор, память о пользователе и точность фактов, а не автоматизация рутины.

Сам продукт Pi после ухода части команды в Microsoft сместил фокус на корпоративных клиентов, и это не единичный случай. Многие консьюмерские AI-продукты рано или поздно переориентируются на бизнес, потому что там устойчивее выручка. Для человека, который хочет разговорного ассистента себе, а не подписку с меняющимися условиями, вывод один: такого агента спокойнее держать у себя, тогда никто не поменяет правила игры посреди месяца.

Из каких трёх частей состоит такой агент

Под капотом три компонента.

Языковая модель. Она отвечает за рассуждение и формулирование ответа. От выбора модели зависит качество диалога, скорость и то, на каком языке агент звучит естественнее.

Память. Делится на короткую (последние сообщения текущего разговора) и долгую (факты о пользователе, которые сохраняются между сессиями: имя, предпочтения, детали проектов). Без разделения на два слоя агент либо забывает всё после перезапуска, либо тащит весь диалог целиком в каждый запрос, а это дорого и медленно.

Инструмент веб-поиска. Отдельная функция, которую модель может вызвать, когда ей не хватает актуальных данных. Технически это tool calling: модель формулирует поисковый запрос, получает результаты и продолжает ответ уже с ними.

Эти три части независимы друг от друга. Модель можно поменять, не трогая память, поисковый сервис можно заменить на другой без переписывания логики диалога. Такая раздельность удобна на практике: если один из провайдеров поднимет цены или ограничит доступ, меняется один блок, а не весь агент целиком.

Дальше разберём, как выбрать модель и поисковый сервис под эти три компонента.

Какую модель выбрать: GigaChat, YandexGPT или зарубежный API через прокси

Прямой доступ к API OpenAI и Anthropic из России не работает: запрос возвращает ошибку о том, что страна не поддерживается. Обойти это можно через VPN или зарубежную карту, но для личного проекта это лишний слой сложности и рисков.

Более прямой путь для пользователей из России, это одна из локальных моделей.

GigaChat от Сбера даёт бесплатный персональный тир по scope GIGACHAT_API_PERS и поддерживает function calling, то есть агент сможет вызывать инструмент поиска. Минус в том, что API GigaChat не совместим с форматом OpenAI из коробки, поэтому понадобится прокси-мост, который переводит запросы из одного формата в другой. Один из таких мостов, gpt2giga, ставится через pip и поднимает локальный сервер, к которому агент обращается уже как к обычному OpenAI-совместимому эндпоинту.

YandexGPT через Yandex Cloud работает похожим образом. Тоже нужен переходник, который приводит формат запросов к OpenAI-стандарту. Авторизация здесь через сервисный аккаунт, и тут есть частая ловушка: роль на использование модели (ai.editor) нужно назначить именно на уровне папки (folder) в Yandex Cloud, а не выдать права самому сервисному аккаунту. Без этого шага запросы будут падать с ошибкой доступа, даже если ключ выглядит рабочим.

Для старта без VPN и без карты другой страны стоит взять один из этих двух вариантов. Если план строже, с расчётом на английский язык и более сложное рассуждение, тогда имеет смысл смотреть в сторону зарубежного API через прокси, понимая, что это добавит слой обхода блокировки.

На практике для агента-компаньона, который в основном общается по-русски и подсказывает бытовые вещи, разницы в качестве между GigaChat и YandexGPT для рядового пользователя почти не заметно. Выбор чаще определяется тем, какой аккаунт уже есть и какой из двух прокси-мостов проще завести на конкретной инфраструктуре.

Как выбрать инструмент веб-поиска для агента

Модель без поиска отвечает по памяти, а память имеет дату отсечения. Если агент должен подсказывать курс валют, свежие новости или актуальные цены, ему нужен отдельный инструмент, который обращается в интернет прямо во время разговора.

Ниже основные сервисы, которые встраиваются в агента как tool, с их лимитами и ценами.

Сервис Бесплатный лимит Цена сверх лимита Особенность
Tavily 1000 запросов в месяц около $5–8 за 1000 запросов заточен под LLM-агентов, есть ранжирование релевантности результатов
Brave Search API 2000 запросов в месяц около $3 за 5000 запросов низкая цена, не хранит данные пользователей, хорош для grounding
SerpAPI 250 запросов в месяц от $25 в месяц самое широкое покрытие поисковых систем, но заметно дороже аналогов
Yandex XML 1000 запросов в сутки доступ по заявке работает без зарубежной карты, но требует статический IP

Для аудитории из России стоит отдельно учитывать, что оплата зарубежных сервисов вроде Tavily или Brave картой российского банка часто требует обходных путей. Yandex XML в этом смысле проще для старта, поскольку работает без карты, но лимит в 1000 запросов в сутки и требование статического IP делают его вариантом скорее для тестов, чем для агента с активной аудиторией.

Что подготовить перед стартом

Прежде чем переходить к настройке, соберите следующее:

Для запуска подойдёт обычный VPS. Например, аренда VPS-сервера с Ubuntu на борту закрывает все требования из списка выше, а настройка от получения сервера до первого теста агента занимает около часа.

Пошаговая инструкция: собираем агента

Дальше разберём процесс по шагам, от сервера до первого сообщения в Telegram.

Разворачиваем сервер и окружение

Арендуйте VPS и подключитесь по SSH. Дальше обновите систему и поставьте зависимости:

sudo apt update && sudo apt upgrade -y
sudo apt install docker.io nodejs npm python3-pip -y

Если вы ещё не выбирали хостинг, VPS с преднастроенным Ubuntu экономит время на этом шаге: система приходит уже готовой, остаётся поставить пакеты из примера выше.

Подключаем модель через прокси-мост

Для GigaChat поставьте gpt2giga и запустите его с вашими учётными данными:

pip3 install gpt2giga

export GIGACHAT_CREDS=$(echo -n "CLIENT_ID:CLIENT_SECRET" | base64)

gpt2giga \
--gigachat.credentials $GIGACHAT_CREDS \
--gigachat.scope GIGACHAT_API_PERS \
--proxy.port 8443

Прокси поднимется на порту 8443 и будет принимать запросы в формате OpenAI. Проверить его можно обычным curl-запросом:

curl -X POST http://localhost:8443/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{"model": "GigaChat-Pro", "messages": [{"role": "user", "content": "Привет"}]}'

Если ответ пришёл, мост работает и агент готов обращаться к нему как к обычному API.

Даём агенту доступ к веб-поиску

Веб-поиск подключается как function: модели описывают, что за инструмент доступен, какие параметры он принимает и когда его стоит вызывать. Пример описания на JSON:

{
"name": "web_search",
"description": "Ищет актуальную информацию в интернете",
"parameters": {
"type": "object",
"properties": {
"query": {"type": "string", "description": "Поисковый запрос"}
},
"required": ["query"]
}
}

Когда модель решает, что ей не хватает данных, она вызывает эту функцию с сформулированным запросом. Код на вашей стороне отправляет запрос в выбранный поисковый API, получает результаты и возвращает их модели, а та уже формулирует финальный ответ пользователю.

Строим память: короткую и долгую

Короткую память проще всего реализовать как буфер последних сообщений текущего разговора, который передаётся модели вместе с новым вопросом.

Долгую память стоит вынести отдельно. Простой вариант, таблица в SQLite с полями вроде «пользователь», «факт», «дата». После каждого разговора отдельным вызовом модели можно попросить выделить из диалога факты, которые стоит запомнить (имя, предпочтения, детали текущих задач), и сохранить их в эту таблицу. При следующем обращении факты подтягиваются и добавляются в system prompt перед основным диалогом.

Разделение важно, потому что без него агент либо забывает контекст между сессиями, либо тянет весь накопленный диалог в каждый запрос, а это увеличивает стоимость и замедляет ответ.

Прописываем характер агента

Личность агента задаётся в system prompt, отдельным текстовым файлом, который подгружается при старте. Здесь описывают имя, манеру речи, границы того, что агент может и не может делать. Например:

Ты личный ассистент по имени Ева.
Общаешься тепло, но по делу, без лишней воды.
Помнишь детали из прошлых разговоров и используешь их к месту.
Если не хватает актуальных данных, всегда уточняешь через поиск,
а не гадаешь.

Такой файл легко редактировать и подстраивать тон под себя, не трогая остальной код.

Выводим агента в Telegram и запускаем

Проще всего дать агенту интерфейс через Telegram-бота. На Python это делается через библиотеку python-telegram-bot: бот получает сообщение пользователя, передаёт его в функцию обработки (модель плюс память плюс поиск), а результат отправляет обратно.

Чтобы агент не отключался при перезагрузке сервера, оформите процесс как systemd-сервис или запустите в Docker с флагом restart always. Первое сообщение стоит отправить с простого вопроса, чтобы проверить, что все три компонента, модель, память и поиск, работают вместе.

Сильные и слабые стороны такого агента

Из плюсов: полный контроль над данными и логикой, никаких чужих лимитов на сообщения, вычисления происходят на вашем сервере, а не в закрытом продукте, стоимость предсказуема и зависит только от объёма запросов к API.

Из минусов: обслуживание целиком на вас, включая обновления и мониторинг. Качество ответов у GigaChat и YandexGPT на английском языке заметно слабее, чем на русском, и заметно отстаёт от топовых зарубежных моделей на сложных рассуждениях. Плюс придётся следить за расходом лимитов поискового API, особенно на бесплатном тире, чтобы агент не замолчал в середине месяца.

Ещё один момент, который стоит учитывать заранее: агент, который хранит долгую память о пользователе, по сути хранит переписку с личными данными. Если проект выходит за рамки личного хобби и им пользуется кто-то ещё, стоит заранее продумать, где физически лежит база с фактами и кто может получить к ней доступ.

Где применять такого агента: сценарии применения

Личный ассистент с памятью о предпочтениях. Агент помнит, какие темы вам интересны, и при новом разговоре подтягивает свежие материалы по ним через поиск.

Компаньон для изучения языка или темы. Помнит прогресс между занятиями и может проверить актуальный пример или новость по теме прямо в разговоре.

Трекер личных проектов. Хранит контекст по задачам и может свериться с актуальными данными, будь то курс валют, цена на оборудование или статус релиза библиотеки.

Утренний или вечерний бриф. Агент, который каждый день коротко пересказывает то, что важно, опираясь на свежие данные из поиска и на то, что вы обсуждали накануне.

Прототип для более сложного проекта. Если в планах агент с более широким набором инструментов, связка модель плюс память плюс поиск, это разумная стартовая точка перед усложнением.

Частые ошибки при настройке

Смешивают короткую и долгую память в одном контексте без структуры. В результате либо агент забывает важные детали, либо каждый запрос становится неоправданно длинным и дорогим.

Оставляют решение искать или нет полностью на модель без явных правил. Модель либо игнорирует поиск там, где он нужен, либо обращается к нему по каждому поводу, растрачивая лимит API.

Пытаются подключить GigaChat или YandexGPT напрямую как OpenAI-совместимый эндпоинт, без прокси-моста. Запросы просто не проходят, потому что форматы API разные.

Не назначают роль на уровне folder в Yandex Cloud, а выдают права только сервисному аккаунту. В итоге YandexGPT возвращает ошибку доступа, хотя ключ выглядит корректным.

Хранят ключи API в аргументах командной строки вместо переменных окружения. Такие ключи видны в списке процессов на сервере, что создаёт лишний риск утечки.

Недооценивают лимиты бесплатных тиров поисковых API при тестировании, а потом агент неожиданно перестаёт отвечать на вопросы про актуальные данные в середине месяца.

Забывают ограничить память по времени. Если долгая память копит факты без ревизии, через несколько месяцев в ней накапливаются устаревшие или противоречивые записи, и агент начинает путать актуальные предпочтения пользователя со старыми.

Что делать дальше

Агент с личностью, памятью и веб-поиском собирается из трёх понятных частей: модель с function calling, разделённая память и поисковый tool. Для старта из России разумно взять GigaChat или YandexGPT через прокси-мост и один из доступных поисковых API, а инфраструктуру под это, включая VPS с Docker, поднять один раз и дальше только поддерживать.

Дальнейшее развитие такого агента обычно идёт в сторону расширения набора инструментов (календарь, заметки, свои базы знаний) и более умной долгой памяти с семантическим поиском по накопленным фактам. Но и в базовой связке, описанной выше, агент уже способен вести разговор, который помнит контекст и не полагается на устаревшие данные.