Подключение AI-агентов к JinPix API: Hermes Agent, LangChain, AutoGen, CrewAI

Что такое AI-агент и зачем ему нужен надёжный API

В отличие от простого чат-бота, AI-агент действует в несколько шагов: получает задачу, формулирует план, вызывает внешние инструменты (браузер, базу данных, калькулятор, внешние API), оценивает промежуточный результат и корректирует следующий шаг. Каждый шаг — это отдельный вызов языковой модели.

Типичный агент делает 5–50 обращений к LLM на одну задачу. Значит, надёжность, задержка и стоимость каждого запроса умножаются на это число. Перебои в API или неожиданный рост цен сразу бьют по всему пайплайну.

• Нужна стабильность: если API упал на шаге 7 из 10, весь план агента сбрасывается.
• Нужна предсказуемая цена: агент может итерировать непредсказуемо долго — лимит бюджета критичен.
• Нужна совместимость: большинство фреймворков написаны под формат OpenAI — смена провайдера не должна требовать переписывания логики.

JinPix закрывает все три требования: стабильный эндпоинт, фиксированная рублёвая стоимость per-токен, OpenAI-совместимый формат.

Популярные AI-агентские фреймворки в 2026 году

Разберём пять наиболее распространённых инструментов, которые российские разработчики используют для построения агентов:

Как работает подключение: общий принцип

JinPix публичный API доступен по адресу https://api.jinpix.ai/v1 и реализует эндпоинт POST /chat/completions в формате OpenAI. Чтобы подключить любой агентский фреймворк:

1. Зарегистрируйтесь на jinpix.ru и получите API-ключ в разделе «API ключи» — он выглядит как jp-sk-…
2. Пополните баланс рублями через ЮKassa (карта РФ, СБП, ЮMoney)
3. В настройках фреймворка укажите base_url = "https://api.jinpix.ai/v1" и api_key = "jp-sk-ваш_ключ"
4. Выберите модель из доступного списка (например gpt-4.1-mini, gemini-2.5-flash)

Список доступных моделей всегда актуален по адресу GET /api/v1/models.

Hermes Agent — подключение к JinPix

Hermes Agent — это агентская обвязка над серией моделей NousHermes/OpenHermes, которая работает через стандартный OpenAI-совместимый интерфейс. Несмотря на то что сами веса Hermes распространяются открыто, для запуска агента нужен бэкенд — инференс-сервер или облачный API. JinPix выступает именно таким бэкендом через свой OpenAI-совместимый эндпоинт.

Если вы используете любой Python-клиент поверх Hermes, достаточно переопределить клиент:

from openai import OpenAI

# Клиент, совместимый с Hermes Agent и любой OpenAI-обвязкой
client = OpenAI(
    api_key="jp-sk-ваш_ключ",
    base_url="https://api.jinpix.ai/v1",
)

# Пример: агент-планировщик с system prompt в стиле Hermes
response = client.chat.completions.create(
    model="gpt-4.1-mini",
    messages=[
        {
            "role": "system",
            "content": (
                "You are a helpful assistant that answers in steps. "
                "Think step by step, then provide a final answer."
            ),
        },
        {"role": "user", "content": "Напиши план продвижения мобильного приложения за 30 дней."},
    ],
    temperature=0.6,
)

print(response.choices[0].message.content)

Если вы используете готовую библиотеку, реализующую протокол Hermes (например, hermes-agent или аналогичный пакет), ищите в её документации параметры base_url / api_base / openai_api_base — они все сводятся к одному и тому же месту.

LangChain — пошаговое подключение

Установка

pip install langchain-openai langchain

Простой агент с инструментами

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

# ── Инструменты агента ──────────────────────────
@tool
def search_web(query: str) -> str:
    """Ищет информацию в интернете по запросу."""
    # Здесь — ваша реальная логика поиска
    return f"Результаты поиска по запросу '{query}': ..."

@tool
def calculate(expression: str) -> str:
    """Вычисляет математическое выражение."""
    try:
        return str(eval(expression, {"__builtins__": {}}))
    except:
        return "Ошибка вычисления"

# ── Модель через JinPix ─────────────────────────
llm = ChatOpenAI(
    model="gpt-4.1-mini",
    api_key="jp-sk-ваш_ключ",
    base_url="https://api.jinpix.ai/v1",
    temperature=0,
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "Ты умный ассистент с доступом к инструментам. Решай задачи пошагово."),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),
])

tools = [search_web, calculate]
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True, max_iterations=5)

result = executor.invoke({"input": "Сколько будет 15% от 47 800 рублей?"})
print(result["output"])

RAG-агент (ответы по документам)

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import FAISS
from langchain.chains import RetrievalQA
from langchain_core.documents import Document

# Embeddings — тоже через JinPix (OpenAI-совместимо)
embeddings = OpenAIEmbeddings(
    api_key="jp-sk-ваш_ключ",
    base_url="https://api.jinpix.ai/v1",
    model="text-embedding-3-small",
)

docs = [
    Document(page_content="JinPix принимает оплату рублями через ЮKassa."),
    Document(page_content="API совместим с форматом OpenAI Chat Completions."),
]
vectorstore = FAISS.from_documents(docs, embeddings)

llm = ChatOpenAI(
    model="gemini-2.5-flash",
    api_key="jp-sk-ваш_ключ",
    base_url="https://api.jinpix.ai/v1",
)

qa = RetrievalQA.from_chain_type(llm=llm, retriever=vectorstore.as_retriever())
print(qa.invoke("Как оплатить JinPix из России?"))

AutoGen — мультиагентный диалог

Microsoft AutoGen позволяет запустить несколько агентов, которые «разговаривают» друг с другом для решения сложных задач. Например: Менеджер формулирует задачу → Разработчик пишет код → Тестировщик проверяет.

pip install pyautogen

import autogen

# Единая конфигурация для всех агентов
jinpix_config = {
    "config_list": [{
        "model": "gpt-4.1-mini",
        "api_key": "jp-sk-ваш_ключ",
        "base_url": "https://api.jinpix.ai/v1",
    }],
    "temperature": 0.3,
    "timeout": 120,
}

# Агент-разработчик
developer = autogen.AssistantAgent(
    name="Developer",
    llm_config=jinpix_config,
    system_message="Ты опытный Python-разработчик. Пиши чистый, работающий код.",
)

# Агент-ревьюер
reviewer = autogen.AssistantAgent(
    name="Reviewer",
    llm_config=jinpix_config,
    system_message=(
        "Ты ревьюер кода. Ищи баги, проблемы безопасности и производительности. "
        "Давай конкретные улучшения."
    ),
)

# Пользователь-оркестратор
user = autogen.UserProxyAgent(
    name="User",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=4,
    code_execution_config={"work_dir": "workspace", "use_docker": False},
)

# Групповой чат: Developer → Reviewer → User
groupchat = autogen.GroupChat(
    agents=[user, developer, reviewer],
    messages=[],
    max_round=6,
)
manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=jinpix_config)

user.initiate_chat(
    manager,
    message="Напиши функцию для парсинга CSV-файла с обработкой ошибок.",
)

CrewAI — команда агентов с ролями

CrewAI позволяет создать «команду» агентов, каждый из которых выполняет свою роль: исследователь собирает данные, автор пишет текст, редактор полирует. Фреймворк использует LangChain под капотом, поэтому настройка идентична.

pip install crewai crewai-tools

from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI

# Общая модель для всей команды
llm = ChatOpenAI(
    model="gpt-4.1-mini",
    api_key="jp-sk-ваш_ключ",
    base_url="https://api.jinpix.ai/v1",
    temperature=0.5,
)

# ── Агенты ─────────────────────────────────────
researcher = Agent(
    role="Исследователь",
    goal="Собрать факты и данные по теме",
    backstory="Опытный аналитик с доступом к открытым источникам.",
    llm=llm,
    verbose=True,
)

writer = Agent(
    role="Автор",
    goal="Написать понятную статью на основе данных исследователя",
    backstory="Журналист с 10-летним опытом технических текстов.",
    llm=llm,
    verbose=True,
)

# ── Задачи ─────────────────────────────────────
research_task = Task(
    description="Найди топ-5 трендов в AI-агентах в 2026 году.",
    expected_output="Список из 5 трендов с кратким описанием каждого.",
    agent=researcher,
)

write_task = Task(
    description="Напиши статью-обзор на основе результатов исследования.",
    expected_output="Статья 400–600 слов в формате Markdown.",
    agent=writer,
)

# ── Запуск команды ─────────────────────────────
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential,
    verbose=True,
)

result = crew.kickoff()
print(result)

n8n — агент без кода

Если вы предпочитаете визуальную автоматизацию, n8n поддерживает AI-агентов через встроенный узел «AI Agent» с кастомным провайдером. Настройка занимает 2 минуты:

1. В n8n добавьте узел «OpenAI Chat Model»
2. В настройках credentials укажите: API Key = ваш ключ JinPix (jp-sk-…), Base URL = https://api.jinpix.ai/v1
3. Выберите модель: gpt-4.1-mini или любую другую из списка
4. Подключите этот узел к блоку «AI Agent» — агент готов к работе

Таким образом можно строить агентов, которые автоматически отвечают на письма, обрабатывают входящие заказы, генерируют отчёты — без единой строки кода.

Сравнение фреймворков: что выбрать

Доступные модели для агентов через JinPix

Актуальный список моделей: Документация → Список моделей.

Почему JinPix, а не напрямую OpenAI

• Доступно из России без VPN: серверы JinPix не заблокированы, API работает с российских IP без дополнительных настроек.
• Оплата рублями: ЮKassa — карты РФ, СБП, ЮMoney. Не нужна иностранная карта.
• Единый ключ для всех моделей: один jp-sk-… вместо четырёх аккаунтов у разных провайдеров.
• Без подписки: платите только за фактически потраченные токены. Агент простаивает — деньги не списываются.
• Лимит по ключу: в личном кабинете можно ограничить месячный расход на ключ, чтобы агент с багом не потратил весь баланс.

Часто задаваемые вопросы