Мультиагентные системы: когда нужны несколько ИИ-агентов
Система ИИ-агентов из нескольких специализированных единиц решает задачи, с которыми один агент физически не справляется. Не потому что один «слабее» — а потому что задача требует одновременно юридической экспертизы, анализа финансов и генерации кода. Пока эти три специализации живут в одном промпте, они мешают друг другу. Разнесённые по агентам — работают параллельно и проверяют друг друга.
Что такое мультиагентная система
Мультиагентная система (MAS) — архитектура, где несколько автономных агентов взаимодействуют для достижения общей цели. Каждый агент имеет собственный контекст, инструменты, модель и зону ответственности. Агенты обмениваются сообщениями, передают задачи и артефакты, координируют действия через оркестратор или напрямую.
Ключевое отличие от одного большого агента: специализация. Агент-исследователь умеет эффективно искать и структурировать информацию. Агент-разработчик пишет и тестирует код. Агент-рецензент проверяет результат. Попытка совместить всё в одном системном промпте ведёт к деградации качества каждой функции.
В 2026 году мультиагентные системы из экспериментальных перешли в production. Компании типа Salesforce, Atlassian, ServiceNow встраивают MAS в свои продукты. Российские команды строят MAS для автоматизации юридических, финансовых и инженерных процессов.
Когда один агент недостаточен
Один агент справляется с задачей, которая: умещается в контекстное окно, не требует параллельного выполнения, не имеет конфликта между специализациями.
Задача требует MAS, когда выходит за эти рамки. Конкретные триггеры.
Объём контекста превышает окно модели. Анализ 200-страничного договора с юридической экспертизой, поиском прецедентов и генерацией заключения — слишком много для одного промпта. Агент-ридер читает документ по частям, агент-аналитик систематизирует выводы, агент-редактор пишет заключение.
Задача параллелизуема. Исследование 10 рынков одновременно: один агент на рынок, оркестратор собирает результаты. Скорость вырастает в 8-10 раз.
Нужна внутренняя проверка. Критичные операции (финансовые транзакции, юридические документы) требуют independent review. Агент-исполнитель и агент-ревьюер работают по одной задаче независимо.
Разные инструменты для разных шагов. Агент с доступом к базе данных передаёт данные агенту с доступом к внешним API, тот — агенту с правом записи в CRM. Разграничение инструментов по агентам снижает риск ошибок и утечек.
Архитектуры мультиагентных систем
Три основных паттерна в production.
Иерархическая (оркестратор + исполнители): центральный агент-менеджер получает задачу, декомпозирует, раздаёт подзадачи специализированным агентам, собирает результат. Простая для понимания, оркестратор — единая точка отказа.
Горизонтальная (peer-to-peer): агенты общаются напрямую, без центрального координатора. Агент A заканчивает работу и вызывает агент B по протоколу. Более устойчива, сложнее в отладке — разговор между агентами тяжело трейсить.
Рыночная (auction/bidding): задача выставляется «на аукцион», агенты конкурируют за выполнение по своей специализации. Экспериментальный паттерн, встречается в исследовательских системах.
Большинство production-систем 2026 года — иерархические с элементами горизонтальных связей: оркестратор управляет общим потоком, но агенты могут обращаться к смежным агентам напрямую для уточнений.
Оркестратор и специализированные агенты
Оркестратор — агент, который понимает цель, строит план выполнения и управляет другими агентами. Оркестратор не выполняет прикладные задачи сам — он координирует.
Типовые роли специализированных агентов в бизнес-системах:
Research Agent: поиск по интернету, базам знаний, документам. Инструменты — поисковые API, RAG, web scraping.
Code Agent: написание, выполнение и тестирование кода. Инструменты — code interpreter, sandbox-окружение.
Data Agent: запросы к базам данных, обработка таблиц, генерация SQL.
Communication Agent: отправка email, уведомлений, публикация в каналы.
Critic Agent: проверка результатов других агентов на соответствие требованиям.
Для разработки мультиагентных систем принципиально важна чёткая спецификация границ каждого агента: какие инструменты доступны, в каких случаях агент эскалирует задачу оркестратору.
Инструменты: CrewAI, LangGraph, AutoGen
CrewAI: Python-фреймворк с высокоуровневым API. Агенты описываются как «роли» с целями и бэкграундом. Задачи — «цели» с ожидаемым результатом. Crew — команда агентов с заданным процессом (sequential или hierarchical). Низкий порог входа, хорошая документация. Ограничен в гибкости сложных workflow.
LangGraph: граф состояний для управления агентами. Каждый агент — узел графа, переходы между узлами — условные. Позволяет строить сложные нелинейные workflow с циклами и ветвлениями. Требует понимания концепции графов состояний. Лучший выбор для сложных production-систем.
AutoGen (Microsoft): фреймворк для многоагентных бесед. Агенты общаются через структурированный диалог. Встроенная поддержка human-in-the-loop. Хорошо документирован, активное сообщество.
Semantic Kernel: от Microsoft, ориентирован на enterprise. Поддерживает C#, Python, Java. Используется в корпоративных проектах на Azure.
Выбор фреймворка зависит от сложности workflow. CrewAI — для старта и прототипов. LangGraph — для production с нетривиальной логикой. AutoGen — если нужен human-in-the-loop.
Синхронизация и конфликты между агентами
Главная инженерная проблема мультиагентных систем — состояние. Агенты должны видеть актуальные данные, не переписывать результаты друг друга и корректно обрабатывать ошибки в цепочке.
Shared state хранится в общей памяти (Redis, базе данных) или передаётся через сообщения. Первый подход быстрее, второй надёжнее.
Типичные конфликты: агент B начал работу с результатом агента A, пока A ещё не закончил. Агент пишет в shared state одновременно с другим агентом. Агент получает ошибку от downstream-инструмента и не знает, как продолжить.
Решения: строгая оркестрация с явными зависимостями, idempotent-операции там, где это возможно, retry-логика с exponential backoff, checkpoint-система для восстановления после сбоев.
Стоимость и сложность мультиагентных систем
MAS дороже одиночного агента в двух измерениях: разработка и эксплуатация.
Разработка: каждый агент требует проектирования промптов, тестирования, интеграции. Оркестратор добавляет слой сложности. Типичный проект MAS — от 1,5 млн рублей, сроки 2-4 месяца.
Эксплуатация: каждый агент делает LLM-вызовы. Параллельная работа 5 агентов = 5x стоимость токенов. Мониторинг сложнее: нужно трейсить не один агент, а систему. Инструменты — LangSmith, Phoenix от Arize, Langfuse.
Когда это оправдано: задача рутинна, объёмна и дорогостоящая при ручном выполнении. ROI MAS считается на горизонте 6-12 месяцев.
Реальные примеры: команды агентов в работе
Юридическая фирма, договорная работа. Агент-ридер читает входящий договор, выделяет ключевые условия. Агент-компаратор сравнивает с шаблоном фирмы. Агент-риск-анализатор находит потенциально опасные пункты. Агент-редактор генерирует список правок. Юрист получает готовый анализ за 3 минуты вместо 2 часов работы.
IT-компания, code review. Агент-сканер проверяет код на уязвимости. Агент-тестировщик генерирует тест-кейсы. Агент-рефакторер предлагает улучшения. Оркестратор собирает сводный отчёт. Pull request проходит автоматическую проверку за 90 секунд.
Что такое ИИ-агент — хорошая отправная точка перед проектированием мультиагентной системы: возможности и ограничения одного агента, прежде чем строить их команду.
