У меня простое правило: если задача повторяется больше двух раз — её пора делегировать. Раньше я делегировал людям. Теперь — AI-агентам, которые работают напрямую с базой данных, таблицами и трекерами.
За три месяца я собрал систему из 17 AI-скиллов, которая полностью закрыла финансовую отчётность B2B-платформы с 200+ партнёрами. Без единой строки традиционного кода.
Контекст: B2B-платформа и финансовая рутина
Я работаю продуктовым менеджером в B2B-платформе на стыке страхования и финансов. Мы агрегируем финансовые продукты для партнёров: банков, кредитных организаций, маркетплейсов. Каждый партнёр хочет видеть свою воронку: заявки, конверсии, выдачи, комиссию.
При 200+ активных партнёрах отчётность превращается в рутинный конвейер:
- Ежедневные отчёты — каждый день партнёр ждёт цифры за вчерашний день
- Месячные сверки — сотни строк сделок с разными процентами деления по поставщикам
- Ad-hoc запросы — например, «покажи конверсию по продукту за две недели»
- Юридические документы — генерация типовых договоров для новых партнёров
Это занимало 2–3 часа в день на двух человек. Классическая задача на делегирование — но делегировать было некому. Зато появился инструмент, способный самостоятельно работать с SQL, API и таблицами.
Не один агент — цепочка агентов
Важно: это не один универсальный бот. Это система специализированных агентов, каждый из которых решает конкретную задачу. В терминологии Claude Code каждый агент — это скилл (slash-команда) с чётко описанной логикой.
Агенты связаны общей инфраструктурой:
- MCP-сервер для базы данных (MS SQL, read-only) — агент формирует SQL и получает данные
- Google Sheets API — создание, запись и форматирование таблиц
- Google Drive — хранение файлов и загрузка выгрузок
- Таск-трекер — синхронизация с задачами команды
- GitLab API — анализ активности разработчиков
Один агент генерирует финансовый отчёт, другой — делает месячную сверку, третий — собирает статистику по команде, четвёртый — транскрибирует встречи. Они не взаимодействуют напрямую, но работают в единой экосистеме.
Как работает самый частый скилл: финансовый отчёт
Менеджер вводит команду — название партнёра и период. Через 40 секунд в Google Sheets появляется готовый отчёт. За это время происходит:
1. Резолв контрагента
Агент знает, как сопоставить человеческое имя партнёра с внутренним идентификатором. Не нужно помнить UUID — достаточно короткого псевдонима.
2. Запрос к базе данных
Формируется SQL-запрос, строящий воронку: заявки → переходы → выдачи → комиссия. Запрос учитывает актуальные статусы сделок — в документации и реальных данных часто есть расхождения.
3. Агрегация
Данные группируются по дням, рассчитываются конверсии и суммы комиссий. Учитываются индивидуальные условия деления прибыли для каждого партнёра.
4. Запись и форматирование
Таблица создаётся или обновляется: заголовки, данные, итоги, числовые форматы, ширина колонок. Форматирование — строго после записи. Если делать одновременно, API может применить стили к пустым ячейкам.
5. Самопроверка
Агент перечитывает результат и сверяет с исходными данными. Это не перестраховка: Google Sheets API иногда теряет строки при batch-записи. Без верификации ошибки неизбежны.
Месячные сверки: когда одного агента мало
Ежедневный отчёт — относительно простая задача. Месячная сверка — сложнее.
У одного партнёра трафик может идти через 3–4 поставщика. У каждого — свой формат выгрузки, правила маппинга и проценты комиссии. Нужно:
- Загрузить файлы поставщиков из облака
- Сопоставить сделки с данными из нашей базы
- Рассчитать комиссии с учётом разных сплитов
- Сформировать итоговый лист с формулами
- Объединить всё в один документ с отдельными листами
Раньше одна сверка занимала целый день. Сейчас — команда с двумя параметрами и 3–5 минут ожидания.
Что ещё закрывает система
За три месяца агенты вышли за рамки отчётности:
- Финансовый отчёт — воронка по одному партнёру
- Дневной дайджест — отчёт по всем активным партнёрам
- Месячная сверка — с расчётом по поставщикам и формулами
- Генератор договоров — типовой договор для нового партнёра
- Командный трекер — управление продуктовой командой
- GitLab-аналитика — сравнение активности разработчиков по 17 репозиториям
- Митинг-репорт — транскрипция встречи (600+ сегментов) → структурированный отчёт
- Поиск кандидатов — подбор по параметрам
Итого: 17 скиллов, 9 MCP-серверов (SQL, Google Sheets, Drive, Calendar, Gmail, GitLab, Tracker, Telegram, GitHub). Ни одной строки Python, Go или TypeScript. Вся логика — в markdown-файлах с инструкциями для агентов.
Почему Claude Code, а не LangChain
Я пробовал разные подходы:
- ChatGPT + Zapier — слишком примитивно, нет доступа к базе
- LangChain / LangGraph — требует разработчика, долгий цикл итераций
- Custom API + GPT-4 — работает, но каждое изменение = пересборка и деплой
Claude Code выиграл благодаря одному параметру: цикл обратной связи — 30 секунд. Написал инструкцию → протестировал → поправил → работает. Без деплоя, CI/CD или Docker. MCP-серверы дают прямой доступ к инфраструктуре, а скиллы — это просто текстовые файлы с бизнес-логикой.
Архитектура:
- Claude Code — рантайм, «мозг»
- MCP-серверы — мост к внешним системам (БД, Google, GitLab, Tracker)
- Скиллы — markdown-файлы с инструкциями (бизнес-логика)
- Google Sheets / Drive — слой представления для пользователей
Грабли, которые стоят вашего времени
Google Sheets API не атомарен.
Записали 100 строк — может оказаться 97. Правило: после записи обязательно перечитать и сверить. Без этого баги будут молча накапливаться.
Документация базы врёт.
MCP-сервер возвращает глоссарий, но реальные значения полей могут не совпадать. Мы потеряли день, пока не начали джойнить справочные таблицы напрямую.
Форматирование — отдельный этап.
Если запись и стилирование идут одновременно, API может отформатировать пустые ячейки. Сначала данные → проверка → потом визуал.
Контекст не бесконечен.
При обработке 200+ строк агент может потерять начальный контекст. Решение: агент ведёт лог каждого шага и периодически перечитывает его. Это внешняя память — странно, но работает.
Merge-коммиты дублируют статистику.
В GitLab API и feature-, и merge-коммиты считаются отдельно. Автогенерация (например, миграции ORM) может раздуть статистику на 20 000+ строк. Без фильтрации — цифры бессмысленны.
Алиасы людей не совпадают между системами.
Один разработчик может быть под разными именами в GitLab, трекере и почте. Агент хранит маппинг алиасов — без этого отчёты по команде из 11 человек не собрать.
Три вещи, которые я вынес
AI-агенты — инструмент менеджера, не разработчика.
PO, который понимает процесс, собирает рабочую автоматизацию быстрее, чем команда через цикл ТЗ → спринт → ревью → деплой. Потому что нет перевода с «бизнес-языка» на «код» и обратно.
MCP-серверы — это то, что превращает чат-бот в оператора.
Без доступа к БД и API агент может только генерировать текст. С MCP он становится полноценным участником процесса, работающим с теми же системами, что и живой сотрудник.
Верификация важнее генерации.
80% усилий ушло не на промпты, а на систему проверок. Каждый шаг проверяется: данные записались? формулы сходятся? формат корректный? Агент, который не проверяет свою работу, рано или поздно ошибётся молча.
Если вы менеджер и тратите часы на рутину с данными — начните с одного скилла. Автоматизируйте самый болезненный отчёт. Когда увидите, что задача на три часа делается за минуту — остальные 16 скиллов появятся сами.