Визуальные платформы и managed-сервисы

Введение

Не каждая задача требует написания кода. Визуальные платформы закрывают разрыв между идеей и работающим AI-агентом для команд с разным техническим уровнем. Managed-сервисы снимают нагрузку по инфраструктуре, но вводят зависимость от вендора.

Три категории инструментов в этом уроке:

• Low-code: визуальный конструктор с возможностью кастомизации кодом (Dify)
• No-code + автоматизация: бизнес-процессы с AI-компонентами (n8n)
• Managed: облачные сервисы с SLA и enterprise governance (Bedrock, Vertex AI)

Критерий выбора прост: если вы можете описать логику агента в виде блок-схемы — визуальная платформа справится. Если логика требует динамического ветвления на основе промежуточных результатов — нужен код.

Dify — визуальный конструктор агентов

GitHub: https://github.com/langgenius/dify (~131 700 stars)

Dify — open source платформа для создания AI-приложений через визуальный интерфейс. Не просто обёртка над API: полноценная среда с RAG-пайплайном, управлением моделями, observability и маркетплейсом плагинов.

Ключевые возможности:

• Visual workflow builder с условиями, циклами и параллельными ветками
• Встроенный RAG-пайплайн: загрузка документов, chunking, embedding, поиск
• 50+ встроенных инструментов (web search, code execution, HTTP requests)
• Plugin marketplace (с версии 1.0+)
• Self-hosted через Docker или Kubernetes
• Поддержка локальных моделей через Ollama и vLLM

Архитектура Dify

graph LR
    USER[Пользователь] --> FE[Dify Frontend<br/>React]
    FE --> API[API Backend<br/>Flask + Celery]
    API --> LLM[LLM-провайдер<br/>облако или локальный]
    API --> VDB[Векторная БД<br/>Weaviate / Qdrant / pgvector]
    API --> TOOLS[Инструменты<br/>и плагины]
    API --> DB[PostgreSQL<br/>метаданные]
    API --> REDIS[Redis<br/>кэш и очереди]

    style USER fill:#f8fafc,stroke:#4f46e5,stroke-width:2px
    style FE fill:#f8fafc,stroke:#2563eb,stroke-width:2px
    style API fill:#f8fafc,stroke:#4f46e5,stroke-width:3px
    style LLM fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style VDB fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style TOOLS fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style DB fill:#f8fafc,stroke:#e2e8f0,stroke-width:1px
    style REDIS fill:#f8fafc,stroke:#e2e8f0,stroke-width:1px

Развёртывание Dify + Ollama

Минимальная конфигурация для локального запуска с открытой моделью:

# 1. Запуск Ollama с моделью
ollama pull qwen2.5:7b

# 2. Клонирование и запуск Dify
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

# 3. Открыть http://localhost:80
# 4. В настройках -> Model Provider -> Ollama
# 5. Указать http://host.docker.internal:11434

Требования: Docker 24+, Docker Compose v2, минимум 8 GB RAM (16 GB рекомендуется для Ollama + Dify одновременно).

Важно: host.docker.internal работает на macOS и Windows. На Linux нужно добавить extra_hosts в docker-compose.yml или использовать IP хоста в Docker-сети.

Типы приложений в Dify

Chatbot — простой диалоговый интерфейс. Подключается к одной модели, поддерживает историю, можно добавить RAG. Минимальная настройка: системный промпт + выбор модели.

Agent — автономный агент с доступом к инструментам. Модель сама решает, какие инструменты вызвать и в каком порядке. Поддерживает ReAct и Function Calling стратегии.

Workflow — визуальный пайплайн с явными шагами. Условные переходы, циклы, параллельные ветки, HTTP-вызовы, выполнение кода. Каждый шаг — отдельный узел на канвасе.

Text Generator — batch-обработка текстов. Один промпт, множество входных данных. Подходит для генерации описаний товаров, суммаризации документов, классификации.

Когда Dify лучше кода

• Нужен рабочий прототип за часы, а не дни
• Команда включает людей без опыта программирования
• Заказчик хочет видеть и понимать логику workflow
• Встроенный RAG достаточен (нет нестандартных требований к retrieval)
• Нужна observability из коробки: логи, метрики, стоимость вызовов

Когда Dify недостаточно

• Нестандартная логика retrieval (гибридный поиск, reranking с кастомными моделями)
• Высокая нагрузка (тысячи запросов в секунду)
• Глубокая интеграция с существующей кодовой базой
• Нужен полный контроль над промптами и цепочками вызовов

n8n — AI-агенты + бизнес-автоматизация

GitHub: https://github.com/n8n-io/n8n (~178 300 stars, самый популярный в категории)

n8n изначально создан для автоматизации бизнес-процессов (аналог Zapier, но self-hosted). С 2024 года добавлены AI-возможности: AI Agent builder, vector store nodes, LLM chains.

Ключевые возможности:

• 400+ интеграций: Telegram, Slack, Google Sheets, PostgreSQL, Jira, Notion, GitHub и др.
• AI Agent builder на визуальном canvas
• Human-in-the-loop: агент может запрашивать подтверждение у человека
• MCP Server support: подключение любых MCP-серверов как инструментов агента
• Self-hosted AI Starter Kit: готовый набор Ollama + n8n + vector store
• Fair-code лицензия (бесплатно для self-hosted)

n8n vs Dify

Пример: AI-агент поддержки в n8n

Типичный workflow для бота техподдержки в Telegram:

1. Trigger: Telegram — получение нового сообщения от пользователя
2. AI Agent: Claude как основная модель, подключены инструменты:
   • Vector Store Tool — поиск по базе знаний (документация, FAQ)
   • HTTP Request Tool — запрос статуса заказа из внутреннего API
   • Calculator Tool — расчёт стоимости доставки
3. Switch: проверка confidence агента
   • Высокий confidence — отправка ответа в Telegram
   • Низкий confidence — пересылка оператору в Slack с контекстом
4. Telegram: отправка ответа пользователю

Весь workflow создаётся без кода, перетаскиванием узлов на canvas. Каждый узел настраивается через форму.

Развёртывание n8n AI Starter Kit

# Готовый набор: n8n + Ollama + Qdrant + PostgreSQL
git clone https://github.com/n8n-io/self-hosted-ai-starter-kit.git
cd self-hosted-ai-starter-kit
docker compose --profile gpu-nvidia up -d

# Или без GPU (CPU-only):
docker compose --profile cpu up -d

# Открыть http://localhost:5678

Требования: Docker 24+, 16 GB RAM (для Ollama с моделями 7B). С GPU: NVIDIA с 8+ GB VRAM.

Managed-сервисы

Managed-сервисы — облачные платформы, где инфраструктуру (серверы, масштабирование, мониторинг) обеспечивает вендор. Разработчик получает API и консоль управления.

AWS Bedrock Agents

Статус доступа из РФ: заблокирован с апреля 2024. AWS прекратил обслуживание аккаунтов, зарегистрированных в РФ.

Описание приводится для общего понимания ландшафта и работы с зарубежными командами.

Возможности:

• Полностью managed агенты: мультиагентная коллаборация, persistent memory, code execution
• Knowledge Bases для RAG: автоматический chunking, embedding, поиск по S3-документам
• AgentCore: enterprise governance, audit trail, access control
• Модели: Claude (Anthropic), Llama, Mistral, Titan (Amazon), Cohere
• Guardrails: фильтрация контента, PII redaction, topic denial

Pricing: pay-per-use, стоимость зависит от модели и количества токенов. Knowledge Bases — отдельная тарификация за хранение и запросы.

Google Vertex AI Agent Builder

Статус доступа из РФ: Google Cloud ограничен. Agent Development Kit (ADK) — open source, доступен без ограничений.

Возможности:

• Agent Designer: визуальный low-code конструктор агентов
• Agent Development Kit (ADK): open source фреймворк для разработки агентов на Python
• Agent Engine: managed среда для деплоя агентов
• Интеграция с Gemini, PaLM, и сторонними моделями
• Grounding: подключение к Google Search, собственным данным, Knowledge Graph

ADK (https://github.com/google/adk-python) можно использовать независимо от Google Cloud. Поддерживает любые LLM через LiteLLM.

Когда managed-сервисы оправданы

• Enterprise с бюджетом на облако и требованиями к compliance (SOC 2, HIPAA, GDPR)
• Нужна SLA с гарантией доступности (99.9%+) и поддержка от вендора
• Команда уже работает на соответствующем облаке (AWS, GCP, Azure)
• Нет ресурсов на поддержку собственной инфраструктуры

Для разработчиков из РФ: managed-сервисы AWS и GCP недоступны или ограничены. Практичные альтернативы — self-hosted Dify и n8n с локальными или доступными облачными моделями.

Сравнительная таблица всех подходов

Дерево решений

flowchart TD
    START{Какая задача?} -->|AI-приложение<br/>с RAG| Q1{Нужен код?}
    START -->|Бизнес-автоматизация<br/>с AI| N8N[n8n]
    START -->|Enterprise<br/>с compliance| Q2{Какое облако?}

    Q1 -->|Нет, визуальный<br/>конструктор| DIFY[Dify]
    Q1 -->|Да, полный<br/>контроль| CODE[SDK и фреймворки<br/>см. предыдущие уроки]

    Q2 -->|AWS| Q3{Доступ из РФ?}
    Q2 -->|GCP| Q4{Доступ из РФ?}
    Q2 -->|Нет облака| SELF[Self-hosted:<br/>Dify или n8n]

    Q3 -->|Да| BEDROCK[AWS Bedrock]
    Q3 -->|Нет| SELF

    Q4 -->|Да| VERTEX[Vertex AI]
    Q4 -->|Нет| ADK[Google ADK<br/>open source, локально]

    style START fill:#f8fafc,stroke:#4f46e5,stroke-width:3px
    style Q1 fill:#f8fafc,stroke:#4f46e5,stroke-width:2px
    style Q2 fill:#f8fafc,stroke:#4f46e5,stroke-width:2px
    style Q3 fill:#f8fafc,stroke:#4f46e5,stroke-width:2px
    style Q4 fill:#f8fafc,stroke:#4f46e5,stroke-width:2px
    style DIFY fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style N8N fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style CODE fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style SELF fill:#f0fdf4,stroke:#059669,stroke-width:2px
    style BEDROCK fill:#fefce8,stroke:#ca8a04,stroke-width:2px
    style VERTEX fill:#fefce8,stroke:#ca8a04,stroke-width:2px
    style ADK fill:#f0fdf4,stroke:#059669,stroke-width:2px

Практика: быстрый старт с Dify

Задание 1: Создание RAG-бота за 15 минут

1. Разверните Dify локально (см. раздел “Развёртывание Dify + Ollama”)
2. Создайте приложение типа “Chatbot”
3. В разделе “Knowledge” загрузите 3-5 PDF-документов (например, внутреннюю документацию)
4. Подключите Knowledge Base к chatbot
5. Настройте системный промпт: роль, стиль ответа, ограничения
6. Протестируйте: задайте вопросы по загруженным документам

Критерий успеха: бот отвечает на вопросы, цитируя фрагменты из загруженных документов.

Задание 2: Workflow с условной логикой

1. Создайте приложение типа “Workflow”
2. Постройте пайплайн:
   • Вход: текст пользователя
   • LLM-узел: классификация запроса (вопрос / жалоба / предложение)
   • Switch-узел: ветвление по результату классификации
   • Три ветки: разные промпты для каждого типа запроса
   • Выход: сгенерированный ответ
3. Протестируйте на 10 разных входных сообщениях

Критерий успеха: запросы корректно классифицируются и обрабатываются разными ветками.

Ссылки и ресурсы

Визуальные платформы

• https://github.com/langgenius/dify — Dify (open source)
• https://docs.dify.ai — документация Dify
• https://github.com/n8n-io/n8n — n8n (fair-code)
• https://docs.n8n.io — документация n8n
• https://github.com/n8n-io/self-hosted-ai-starter-kit — n8n AI Starter Kit

Managed-сервисы

• https://aws.amazon.com/bedrock — AWS Bedrock
• https://cloud.google.com/vertex-ai — Google Vertex AI
• https://github.com/google/adk-python — Google Agent Development Kit (open source)

Альтернативы для self-hosted

• https://github.com/FlowiseAI/Flowise — Flowise (LangChain visual builder)
• https://github.com/logspace-ai/langflow — Langflow (LangChain visual builder)

Заключение

Для разработчиков из РФ наиболее практичный выбор — Dify и n8n. Обе платформы self-hosted, open source, работают с локальными моделями через Ollama. Dify лучше подходит для AI-first задач с RAG. n8n — для бизнес-автоматизации, где AI является одним из компонентов.

Managed-сервисы AWS Bedrock и Google Vertex AI описаны для полноты картины и понимания enterprise-подходов. Их архитектурные решения (Knowledge Bases, Agent Engine, Guardrails) можно реализовать self-hosted аналогами.

Главное правило: визуальные платформы — не замена коду, а инструмент для другой категории задач. Когда логика помещается в блок-схему и не требует нестандартных интеграций — визуальный конструктор экономит дни разработки.