Агент Который Никогда Не Теряет Контекст

🚀 Pro-сообщество тут: https://t.me/iishenka_pro_bot ⚒️ Узнать про сообщество: https://iishenka.pro/group 🧡 Claude Code Мастер-Класс: https://iishenka.pro/claude-code-mast... 👾 Google Antigravity Мастер-Класс: https://iishenka.pro/google-antigravi... 🤩 N8N Мастер-Класс: https://iishenka.pro/n8n-masterclass ⭐️ Бесплатные материалы из моих видео тут: https://t.me/+W1SnvvkcV6A3NWMy Связаться: https://iishenka.pro/ 💻 Мои инструменты: ИИ агент ($4 кредитов): https://eggent.ai/r/ В этом видео мы разберёмся, как современные AI-агенты и подходы к работе с контекстом позволяют создавать более мощные и гибкие автоматизации вместо привычных сценариев в N8N. Что особенного в этом видео? Мы не просто разберёмся, как устроены Skills, коннекторы и работа с контекстом, а по шагам создадим AI-агента с собственной RAG-базой, загрузим в неё документы и посмотрим, как агент самостоятельно находит нужную информацию и использует её для ответов. ⏱ Таймкоды 00:00 – Проблема перехода с N8N на AI-оболочки и потеря контроля над контекстом 01:30 – Главная идея: агент не должен помнить всё, он должен знать, где искать 02:44 – Коннекторы N8N превращаются в текстовые правила 03:21 – Что такое Skill и из чего он состоит 04:02 – Description как аналог коннектора N8N 05:05 – Прогрессивное раскрытие: как экономить контекст и токены 05:43 – Реальный Skill для работы с векторной базой 06:50 – Как создать агента, который не теряет контекст 07:24 – Создание отдельного проекта для RAG 07:49 – Разворачиваем векторную базу и загружаем документы 08:17 – Векторизация большого документа и стоимость процесса 08:38 – Зачем отделять RAG в отдельный проект 09:16 – Правило для автоматического перехода в RAG 09:55 – Проверяем агента на простом и юридическом вопросе 10:17 – Агент переключается в RAG и ищет ответ в векторной базе 10:50 – Подключение внешнего чата и использование базы клиентами 11:21 – Итоги и завершение видео