Сфера агентного моделирования продолжает развиваться в сторону создания более интеллектуальных агентов. В рамках этого возникает концептуальная проблема поиска баланса между детерминированностью поведения агентов и способностью этих агентов к обучению и прогнозированию своего состояния. Одним из потенциальных направлений решения этой проблемы является рассмотрение возможности разработки промежуточного подхода в создании агентов, при котором агенты сохраняют детерминированность своего поведения, но одновременно с этим способны прогнозировать свое состояние и корректировать поведение. В статье представлен новый подход к построению интеллектуальных агентов, который комбинирует классический подход построения агентов, основанный на априорно задаваемых правилах, и применение методов машинного обучения в правилах поведения агентов. Представлено математическое описание предложенной функции расчета состояния агента с использованием моделей машинного обучения, а также алгоритм расчета состояний агентов в модели. Также приведен пример построения агентной модели с применением предложенного подхода. Предложенный подход позволяет разрабатывать агентные модели сложных систем, в которых агенты являются реактивными, но способны спрогнозировать свое состояние и учесть прогноз в определении своего текущего состояния.