Airbyte Agents: контекст для AI-агентов из множества источников

Почему AI-агенты ломаются в продакшене

Вы запускаете демо AI-агента — он работает блестяще. Вытаскивает данные из Salesforce, отвечает на вопросы, создаёт задачи. Инвесторы довольны, команда в восторге. Потом агент уходит в продакшн — и всё разваливается.

Это не выдуманная история. За последний год десятки команд из Fortune 500 строили демо агентов, которые выглядели великолепно, а затем разваливались в момент выхода в продакшн. Причина почти всегда одна и та же: проблема с данными.

«Большинство агентных проектов стопорятся по одной причине: модель в порядке, данные — нет. Пять разрозненных систем, несогласованные сущности, общего состояния нет», — Мишель Трико, сооснователь и CEO Airbyte.

5 мая 2026 года компания Airbyte представила ответ на этот вызов — Airbyte Agents, контекстный слой для production-grade AI-агентов. Это система, которая даёт агентам прямой доступ к унифицированному, оптимизированному для поиска индексу данных организации, реплицированному и готовому к запросу ещё до того, как агент начинает работу.

Что не так с существующими подходами

Прежде чем разбираться, что делает Airbyte Agents, важно понять, почему привычные инструменты не справляются.

Проблема фрагментации API и MCP

API возвращают данные по одной системе за раз, оставляя агентам задачу склеивать контекст на ходу во время выполнения. MCP-серверы решают проблему коммуникации между LLM и API, но наследуют те же проблемы фрагментации, поскольку большинство из них — тонкие обёртки поверх существующих API.

Каждый MCP запрашивает бизнес-систему изолированно, оставляя агенту задачу собирать разрозненные фрагменты контекста. Они хорошо работают для задач в одном инструменте, но когда агентам нужно рассуждать о бизнес-данных в целом — они ломаются.

Проблема «известного неизвестного»

Более глубокая проблема в том, что традиционные интерфейсы данных предполагают: вызывающий уже знает, что ему нужно. API предполагают, что вы знаете точный эндпоинт, ID объекта, поля и операцию. Но production-агенты часто стартуют на шаг раньше: им нужно обнаружить, какие бизнес-сущности важны, прежде чем они смогут получить свежее состояние или совершить действие.

Реальные последствия для инженеров

Инженеры тратят 4–6 недель на создание каждого коннектора, и каждое изменение API сбрасывает счётчик заново. Multi-tenant OAuth, ротация токенов и изоляция учётных данных становятся постоянным налогом. Агенты получают сырой JSON из пяти разных инструментов без общего слоя, который помог бы понять, что «Acme Inc» в Salesforce — это та же компания, что и «acme.com» в Stripe.

⚠ Главная ловушка

Без правильного контекста AI-агент не просто даёт неверные ответы — он уверенно галлюцинирует, подставляя вымышленные данные там, где реальные оказались недоступны или устарели.

Архитектура Airbyte Agents: три точки входа, один Context Store

Решение — не лучшие API или MCP, а предварительно собранный контекст. Airbyte взял всё, что было изучено за шесть лет построения пайплайнов данных, и превратил это в контекстный слой, созданный для настоящих, production-grade агентов.

Вся система построена вокруг трёх точек входа, каждая из которых опирается на единый фундамент — Context Store.


graph TD
    A[Источники данных] -->|Репликация| B[Context Store]
    A1[Salesforce] --> A
    A2[Zendesk] --> A
    A3[Slack] --> A
    A4[Stripe / HubSpot / Jira] --> A
    B --> C[MCP Server]
    B --> D[Agent SDK]
    B --> E[Agents UI]
    C --> F[Claude / ChatGPT / Cursor]
    D --> G[Кастомные агенты]
    E --> H[No-code автоматизация]

Context Store: единый индекс бизнес-данных

Система построена вокруг того, что называется Context Store — индекс данных, оптимизированный для агентного поиска. Он даёт агентам структурированный способ обнаруживать нужных клиентов, тикеты, инвойсы, сообщения и записи ещё до того, как они начинают делать живые вызовы.

Ключевой принцип: агент сначала ищет контекст, а потом обращается к источнику за свежими данными — только там, где это действительно важно.

Context Store ставит разные записи рядом, чтобы агент мог рассуждать обо всех них одновременно: объединять записи, следовать связям, строить полную картину. Один человек — одна компания — одна запись.

Данные агента — это не устаревший снимок прошлой недели. Обновления поступают по мере их появления, так что агент действует на основе того, что верно прямо сейчас.

MCP Server: агенты без кода

Airbyte MCP позволяет подключить источники данных к Airbyte один раз, а затем строить и запускать агентов внутри Claude, ChatGPT, Cursor или любого MCP-совместимого клиента. Никакого кода не требуется — и тот же управляемый доступ к Context Store, что предоставляет SDK.

Вы подключаете Agent MCP один раз в выбранном клиенте, аутентифицируетесь с учётной записью Airbyte, затем подключаете каждый источник данных через OAuth или API-ключ прямо из интерфейса Airbyte.

Agent SDK: полный программный контроль

Коннекторы Airbyte для агентов — это Python-пакеты, которые дают AI-агентам возможность вызывать сторонние API через строго типизированные, хорошо задокументированные инструменты. Каждый коннектор готов к использованию непосредственно в вашем Python-приложении, фреймворке агентов или через MCP.

Работает с pydantic-ai, LangChain, OpenAI Agents и FastMCP, со встроенными повторными попытками, трансляцией исключений и защитными ограничениями на размер вывода.

Пример того, как выглядит работа с SDK:

from airbyte_agent_sdk import AirbyteAuthConfig
from airbyte_agent_hubspot import HubspotConnector
from airbyte_agent_stripe import StripeConnector

auth = AirbyteAuthConfig(
    airbyte_client_id=os.environ["AIRBYTE_CLIENT_ID"],
    airbyte_client_secret=os.environ["AIRBYTE_CLIENT_SECRET"]
)

hubspot = HubspotConnector(auth_config=auth)
stripe = StripeConnector(auth_config=auth)

email = "customer@example.com"

# Поиск контакта в HubSpot через Context Store
contact = (await hubspot.contacts.context_store_search(
    query={"filter": {"eq": {"properties.email": email}}},
    limit=1
)).data[0]

# Получение клиента из Stripe
customer = (await stripe.customers.list(email=email, limit=1)).data[0]

# Список подписок клиента
subs = await stripe.subscriptions.list(customer=customer.id)

Agents UI: no-code автоматизация

Без кода можно строить агентов прямо в интерфейсе Airbyte через Automation Builder. Подключаете инструменты, описываете, что вам нужно — Airbyte Agents берётся за работу.

Реальные результаты: цифры, которые важны

Центральное заявление Airbyte Agents — значительное сокращение количества вызовов инструментов и потребления токенов. Давайте разберём, что за этим стоит.

Как Context Store сокращает токены

Вместо того чтобы склеивать фрагменты из множества API во время выполнения, агент может сначала поискать в унифицированном бизнес-контексте, а затем обращаться к исходной системе за свежим состоянием только там, где это нужно для действия. Когда агенту нужно понять, какие клиенты рискуют уйти, он использует Context Store для обнаружения релевантных аккаунтов, истории поддержки, продуктовых сигналов и биллинговых данных. Затем делает API-вызовы только там, где важна свежесть. Пять-шесть исследовательских вызовов сворачиваются в один-два целевых.

В ранних тестах агенты, использующие Context Store, потребляют на 40% меньше вызовов инструментов и до 80% меньше токенов.

💡 Практический пример

Поиск в Slack без Airbyte Agents: агент перебирает все каналы, листает историю сообщений, подтягивает отдельные треды — десятки API-вызовов, сотни тысяч токенов.

С Airbyte Agents: данные Slack уже проиндексированы в Context Store. Один запрос — и агент получает релевантный тред, затем при необходимости делает один живой вызов.

Бенчмарк против нативных MCP

Команда Airbyte сравнила свой Agent MCP с несколькими вендорскими MCP по пяти коннекторам: Gong, Linear, Salesforce, Slack и Zendesk. Тестировались сценарии получения, листинга и поиска по каждому из них.

В роадмапе — детерминированное разрешение сущностей, поиск в Context Store с субмиллисекундной задержкой, TypeScript SDK и CLI.

Коннекторы, безопасность и масштаб

50+ коннекторов на старте, 600+ в планах

Платформа запускается с 50 коннекторами, которые наполняют Context Store данными из систем, наиболее важных для работы предприятий: Salesforce, HubSpot, Zendesk, Jira, Slack. Весь каталог из 600+ коннекторов Airbyte появится в Context Store в ближайшие месяцы.

Растущая доля коннекторов поддерживает также операции записи, позволяя агентам обновлять записи, создавать тикеты и публиковать сообщения в системах записей. Все коннекторы поддерживают аутентификацию на основе OAuth и права доступа на уровне строк, так что агенты видят только то, что разрешено вызывающему пользователю.

Сравнение подходов к интеграции данных для агентов

Подход	Скорость запуска	Свежесть данных	Кросс-системный контекст	Безопасность
Кастомные API-интеграции	Медленно (4–6 нед./коннектор)	Реальное время	❌ Нет	Ручная настройка
Нативные MCP-серверы	Средне	Реальное время	❌ Фрагментировано	Зависит от вендора
RAG + векторная БД	Быстро	Устаревшие данные	⚠️ Частично	Ручная настройка
Airbyte Agents	Быстро	Реальное время	✅ Унифицировано	OAuth + row-level

Безопасность и compliance

Платформа сертифицирована по SOC 2 Type II, поддерживает GDPR и HIPAA, с инструментами для соответствия внутренним и внешним регуляторным требованиям.

Агенты могут получить доступ к данным, к которым не должны иметь доступа, или быть обмануты путём инъекции промптов для обхода контролей. Разрешения нужно применять на уровне данных, с проверками доступа на уровне строк до того, как данные достигнут агента.

ℹ Инфраструктура проверена временем

Та же инфраструктура, которая синхронизирует 1,2 миллиона пайплайнов ежедневно, теперь питает каждого агента, которого вы строите. Airbyte не стартап, делающий ставку на агентов с чистого листа — это зрелая платформа, расширяющая существующую экспертизу.

Практические сценарии использования

Агент для работы с клиентами (Customer Success)

Представьте агента, который должен ответить: «Какие клиенты рискуют уйти в этом квартале?»

Ваш клиент — не запись в Salesforce, не тикет в Zendesk и не инвойс в Stripe. Это один человек. Ваша миграция — не тикет в Linear, не ветка в GitHub и не тред в Slack. Это один проект.

С Context Store агент получает полную картину одним запросом: история поддержки, биллинг, активность в продукте, коммуникации — всё в связанном виде, без ручной склейки.

Агент технической поддержки

Команды поддержки вручную ищут в тикетах, FAQ и документации по продукту, чтобы ответить на вопросы клиентов. AI-агенты с доступом к коннекторам могут мгновенно извлекать релевантный контекст из Zendesk, Intercom или Freshdesk вместе с внутренней документацией.

Финансовые и аналитические агенты

Без Airbyte пришлось бы создавать уникальные коннекторы для каждой интеграции, что существенно замедлило бы разработку. С Airbyte AI-функции получают свежие и надёжные данные для работы — будь то автоматизированные финансовые модели или AI-агенты, отвечающие на вопросы о бизнесе бренда.

📝 Ускорение разработки

«Airbyte Agents кардинально ускорил нашу дорожную карту. То, что, по нашим оценкам, заняло бы 6+ месяцев, мы тестировали уже на первой неделе бета-программы. Они поставляют всё, что нам нужно для агентных рабочих процессов, и запускают новые подключения быстрее, чем мы успеваем встраивать их в продукт.»

Как начать работу с Airbyte Agents

Бесплатный план доступен для всех пользователей. Для команд, которые уже используют Airbyte, предлагается расширенный тестовый доступ.

Три пути к первому агенту

1. Через MCP (быстрый старт)

# Установка MCP-сервера для Claude Desktop
claude mcp add --transport http airbyte-agent https://mcp.airbyte.com

После этого подключите источники данных в UI Airbyte — и ваш Claude или ChatGPT сразу получает доступ ко всему бизнес-контексту.

2. Через Agent SDK (для разработчиков)

pip install airbyte-agent-sdk

Работает с pydantic-ai, LangChain, OpenAI Agents и FastMCP — смотрите README SDK для примеров превращения вызова коннектора в инструмент LLM.

3. Через Agents UI (no-code)

Стройте без кода прямо в интерфейсе Airbyte с помощью Automation Builder. Подключайте инструменты, описывайте потребность — Airbyte Agents приступает к работе.

Роадмап

Запуск включает 50+ коннекторов: Salesforce, Slack, Linear и другие, новые коннекторы выходят еженедельно. Часть коннекторов уже поддерживает запись, а не только чтение.

В ближайших релизах ожидаются: детерминированное разрешение сущностей (entity resolution), поиск в Context Store с субмиллисекундной задержкой, TypeScript SDK и CLI.

Выводы

Airbyte Agents решает фундаментальную проблему, которая мешает AI-агентам выйти из стадии демо в реальную production-среду: отсутствие унифицированного контекста.

Создание AI-агентов — это прежде всего задача работы с данными и системами. Агент работает ровно настолько хорошо, насколько хорош контекст, который вы ему предоставляете, и инструменты, которые вы ему разрешаете использовать. Если данные устарели, плохо структурированы или недоступны — агент будет вести себя непредсказуемо.

Подход Context Store — «сначала обнаружь, потом действуй» — меняет саму парадигму взаимодействия агента с бизнес-данными. 40% меньше вызовов инструментов и до 80% меньше токенов — это не просто экономия, это разница между агентом, который работает в продакшне, и агентом, который зависает на пятом API-вызове.

Если вы строите AI-агентов, которым нужно работать с реальными бизнес-данными из нескольких систем — Airbyte Agents стоит тестировать уже сегодня.