Workflows в Yandex AI Studio: собираем мультиагентный пайплайн для автоматизации процессов

Как появился Workflows и для чего он нужен

Изначально сервис Workflows создавался как инструмент автоматизации процессов для DevOps-инженеров и разработчиков: предполагалось, что пользователи будут писать GQ-скрипты, например, для передачи контекста из одного шага в другой и использовать такие механизмы ретраев и тайм-аутов.

Сейчас Workflows — часть Yandex AI Studio, и мы развиваем его в сторону low-code: делаем акцент на пользовательском интерфейсе, но сохраняем прежнюю гибкость и расширяемость. Цель — чтобы с инструментом могли работать не только технические специалисты, но и бизнес-пользователи, которые с помощью простых и понятных шагов достигают результата.

Workflows — это конструктор для автоматизации рутинных бизнес-процессов с помощью агентских пайплайнов и сценариев. Позиционирование инструмента не меняется, просто добавляется мультиагентная составляющая.

Из чего состоит линейный мультиагентный пайплайн

Простой сценарий в Workflows строится из нескольких базовых элементов.

Триггеры запускают рабочий процесс

• Telegram — рабочий процесс запускается входящим сообщением и получает его текст как входящий контекст.
• Вебхук — более универсальный механизм: Workflows выдаёт публичный URL, который можно встроить во внешнюю систему (например, CRM), чтобы она по HTTP присылала контекст при наступлении события.
• Таймер — запуск по расписанию. Частый сценарий — запускать мультиагентное исследование, например, каждую неделю, с отправкой результата на почту или в другой канал.

Кубик «Агент Yandex AI Studio»

Интеграционный шаг, который позволяет сконфигурировать модель, системный промпт и подключить набор инструментов из Yandex AI Studio. У агента можно задать формат выходных данных: обычный текст (без ограничений), JSON без строгой структуры или жёсткая JSON-схема, где детально описаны все поля и типы, — тогда агент гарантированно будет отвечать в этом формате.

Саджесты

Механизм, который помогает передавать переменные из одного кубика в другой без написания кода. Под капотом саджест генерирует то же самое GQ-выражение, которое можно писать вручную, если нужна более гибкая логика, — просто кликом выбирается нужное поле, в том числе вложенное, и Workflows сам собирает выражение.

Простой пайплайн из агента-исследователя и агента-верстальщика

В докладе мы собрали пайплайн:

• запуск по расписанию (почти каждый рабочий день);
• агент-исследователь, который ищет в интернете информацию на заданную тему (для этого агенту обязательно нужно подключить инструмент Web Search);
• агент-верстальщик, который на основе результата исследователя через саджест готовит статью в нужном формате.

Дальше результат можно отправить в Telegram, положить в хранилище (например, на Яндекс Диск) или отправить на почту в формате HTML — куда именно, зависит от задачи пользователя.

Зачем нужен оркестратор: детерминированные и недетерминированные пайплайны

В центре ИИ-агентов, которые собираются в Agent Atelier, стоит языковая модель, чаще всего с температурой выше нуля — а значит, на один и тот же вопрос агент может отвечать по-разному. Такое вероятностное, недетерминированное исполнение иногда мешает, если нужен пайплайн со строгой структурой и определённым порядком шагов.

Workflows в этой схеме — оркестратор: он берёт локализованные недетерминированные шаги (сами вызовы агентов) и выстраивает их в пайплайн со строгой структурой, задавая рамки выполнения. Это даёт воспроизводимость сценария — при повторных запусках можно получать результат примерно одинакового характера.

Воспроизводимость строится на управляющих шагах — они определяют порядок выполнения действий внутри рабочего процесса, аналогично конструкциям control flow в языках программирования (if, for, while и похожие). Отдельный инструмент для той же цели — режим отладки: он локализует проблему или детально смотрит, как отрабатывает конкретный кубик на заданном input.

Управляющий шаг Switch: маршрутизация по условиям

Switch устроен так же, как в языках программирования: есть набор веток, у каждой — своё условие. Workflows по порядку проверяет условия, пока не найдёт первое истинное — управление передаётся именно этой ветке.

В докладе мы использовали ИИ-агента, который анализирует текст и определяет его тональность — негативную, позитивную или нейтральную — с жёсткой JSON-схемой (поле «вердикт» с одним из трёх значений). Switch дальше разносит управление по разным веткам в зависимости от значения вердикта. Например, для сценария сбора отзывов так можно направлять негативные сообщения на эскалацию, а позитивные и нейтральные — по другим сценариям.

Режим отладки и параллельное исполнение шагов

Режим отладки особенно полезен для больших рабочих процессов, когда не хочется ждать выполнения всего пайплайна, а нужно проверить конкретный кубик. В докладе мы использовали пайплайн из трёх агентов — Researcher, Analyzer и Summarizer: запустили дебаг прямо с агента-анализатора, передали ему список топиков и пошагово наблюдали за исполнением.

Пока кубик выполняется, он подсвечен синим, после завершения становится зелёным — можно кликнуть и посмотреть output, проверить, соответствует ли он ожиданиям, и при необходимости доработать логику до того, как отправлять пайплайн в продакшен.

Ещё один управляющий шаг — параллель. Поскольку у агентов может быть долгий цикл работы, независимые друг от друга агенты можно выполнять параллельно — это ускоряет пайплайн и позволяет заранее спрогнозировать примерное время выполнения при повторных запусках.

Не только агенты: интеграционные шаги для расширения

Не любой шаг рабочего процесса обязан быть агентом. Для задач с понятным, предсказуемым результатом языковая модель может быть и не нужна — например, чтобы сходить за данными во внешнюю систему.

Workflows изначально развивался в контексте Yandex Cloud, поэтому у него уже есть нативные интеграции с сервисами облака, к примеру, чтение и запись в объектном хранилище, отправка сообщений в очередь, работа с базой данных. Из ИИ-кубиков — вызов ИИ-агента, вызов LLM, распознавание речи. Но список нативных интеграций не всеобъемлющий, поэтому в Workflows заложены инструменты расширения:

• HTTP-запрос — можно указать URL, заголовки, тело запроса. Результат возвращается в рабочий процесс, можно настраивать ретраи или обрабатывать ошибки по коду ответа.
• GRPC — можно обратиться к gRPC-серверу, если он поддерживает GRPC Reflection (например, к сервисам Yandex Cloud, к которым пока нет нативной интеграции — вручную указав эндпоинт, метод и сервисный аккаунт).
• Yandex Cloud Functions — самый гибкий вариант, когда нужна не одна операция, а серия запросов или интерактивная сессия. Это отдельный сервис, который берёт кусочек бизнес-логики и превращает его в облачный ресурс с готовыми инструментами наблюдаемости и версионирования. Поддерживается около десяти языков программирования, а для остального есть Yandex Serverless Containers — можно принести свою логику в виде Docker^®-образа.

Демо Yandex Cloud Function: обрезка аудио из видео

Показали функцию, которая скачивает видео (по токену из Яндекс Форм), запускает FFmpeg отдельным процессом, оставляет только аудио и записывает результат в Yandex Object Storage. У функции настраиваются тайм-аут, объём памяти, рантайм, а также секрет с токеном через Yandex Lockbox. В логах функции по порядку видно: сначала запись, затем преобразование, затем скачивание (в обратном порядке шагов).

Сложный кейс: от видео в Яндекс Формах до письма с саммаризацией

Демонстрационный пайплайн собрали так:

1. Пользователь присылает видео через Яндекс Формы.
2. Форма интегрирована с Workflows через вебхук и присылает URL для скачивания видео.
3. Cloud Function скачивает видео и извлекает аудио в Object Storage.
4. Yandex SpeechKit распознаёт речь на русском языке из файла в бакете.
5. Технически подробный текст передаётся ИИ-агенту, у которого задана схема ответа: заголовок, описание (в том числе в формате HTML).
6. Результат уходит через Yandex Postbox на почту, а также сохраняется в Object Storage для истории.

В качестве примера использовали запись видео, где рассказывали про интеграцию ИИ-агентов Yandex AI Studio с Open WebUI, — итоговое письмо превратилось в короткую саммаризацию этого видео.

Workflows как MCP-инструмент для агента

Ещё один сценарий — обернуть весь детерминированный рабочий процесс в MCP-инструмент, который вызывает уже другой агент. Смысл в том, чтобы недетерминированный агент, который общается с пользователем, не выполнял вручную множество шагов сам, а просто вызывал через MCP нужный рабочий процесс — и тот детерминированно исполнял весь пайплайн, без утечки лишних деталей в контекст диалога.

В докладе это сделали через MCP Hub: там есть функция создания MCP из рабочего процесса. Нужно указать сервисный аккаунт, от имени которого будет исполняться рабочий процесс с ролью workflows.executor, название инструмента и понятную для агента инструкцию: что делает этот рабочий процесс, когда его нужно вызывать и какие параметры передавать на вход. После этого инструмент появляется в Agent Atelier как обычный MCP-инструмент, который можно подключить к агенту.

Что в итоге

• Workflows — конструктор Yandex AI Studio для end-to-end-автоматизации бизнес-процессов агентскими пайплайнами.
• Простой линейный пайплайн строится из триггеров (Telegram, вебхук, таймер), кубика «Агент Yandex AI Studio» со схемой ответа (текст / JSON / жёсткая JSON-схема) и саджестов для передачи контекста между шагами.
• Управляющие шаги Switch и «параллель» позволяют строить ветвящуюся и детерминированную логику поверх недетерминированных ответов агентов. Режим отладки помогает проверять отдельные кубики без прогона всего пайплайна.
• Для задач вне зоны нативных интеграций есть HTTP, GRPC и Yandex Cloud Functions — вплоть до своего Docker-образа через Yandex Serverless Containers.
• Целый рабочий процесс можно обернуть в MCP-инструмент через MCP Hub — тогда другой агент вызывает его как готовый детерминированный шаг, не разбираясь во внутренней логике.

Частые вопросы