Сегодня хочу поделиться реальным кейсом автоматизации еженедельных отчётов для одного из клиентов. Задача стандартная — собирать данные из трёх источников, структурировать и отправлять в Slack. Но подходы можно использовать разные.
Подход 1: Классическая оркестрация
Первая версия выглядела так: n8n как центр управления, плюс несколько кастомных скриптов для сложного парсинга. Плюсы:
- Прозрачность каждого шага
- Возможность ручного вмешательства в любом месте
- Дешёвые запросы к GPT-3.5 для чистки данных
-
- Сборщик данных (использует Playwright)
- Валидатор (на Mistral 7B)
- Генератор отчётов (GPT-4 Turbo)
-
Как и в случае с историей Databricks, ключевым стало разделение ответственности. Но есть нюанс — токены для GPT-4 съедают бюджет, если данные «грязные».
Что в итоге?
Гибрид. Простые задачи остались в n8n, сложная логика переехала к агентам. Вывод: full-autonomy пока не работает, но точечное применение agentic workflows даёт +30% к скорости обработки.
P.S. Кофе в Таллине сегодня был отличный — возможно, поэтому пишу так много.
Но пришлось писать много кода для обработки исключений. Как в том анекдоте про сантехника — «$20 за удар молотком, $980 за знание, куда бить».
Подход 2: Agentic workflow
Переписал систему с использованием автономных агентов. Теперь это выглядит как цепочка из трёх микросервисов: