Мультиагентная система: что это такое и как она устроена

Мультиагентная система: что это такое

Если коротко, мультиагентная система — это несколько AI-агентов, которые работают над одной задачей и передают друг другу промежуточные результаты. Каждый агент — это языковая модель плюс инструкция, набор инструментов и ограниченные права. Чем агент отличается от просто нейросети, разобрано в статье что такое AI-агент.

Отличие от одного агента не в «большем интеллекте», а в разделении. У каждого участника своя узкая роль, свои данные и права, а между ними стоит логика, которая решает, кто работает следующим и когда задача выполнена. Её называют оркестрацией. Как проектируем такие системы под ключ, описано на странице про мультиагентные системы для бизнеса.

Три уточнения снимают основную путаницу.

• Это не несколько окон чата. Агенты связаны программно: у них есть формат передачи данных, порядок работы и правила остановки.
• Это не «рой», который сам договорится. В рабочих системах границы задаются заранее: кто кому передаёт задачу, в каком формате и когда работа останавливается. На момент подготовки материала свободная самоорганизация агентов остаётся скорее экспериментом, чем практикой для бизнес-процессов.
• Это не обязательно разные модели. Чаще всего это одна и та же модель с разными инструкциями, инструментами и правами. Разные модели берут там, где это оправдано ценой или качеством шага.

Сам термин старше языковых моделей: так давно называют программы из нескольких автономных участников в распределённом ИИ и робототехнике. Здесь речь только о системах на LLM. Более широкое понятие — agentic AI, где модель сама планирует и действует; мультиагентная система — один из его вариантов.

Оркестрация агентов: из чего состоит система

Система собирается из четырёх деталей.

Чаще всего встречаются такие роли:

• Разборщик превращает неструктурированный вход (письмо, обращение, документ) в набор полей.
• Исследователь ищет нужное в базе знаний или учётной системе, см. RAG по базе знаний.
• Исполнитель готовит результат: черновик ответа, документа или задачи.
• Проверяющий сверяет результат с исходными данными и правилами.
• Человек-согласователь тоже роль в схеме: он принимает критичные шаги. Критерии — в статье о том, где человек остаётся в контуре.

Главный выбор при проектировании — какой оркестратор. Оркестратор на коде идёт по заданному маршруту: предсказуем, дёшев и легко тестируется, но не умеет перепланировать. Оркестратор на языковой модели сам решает, кому передать задачу: он гибче на нестандартных входах, но дороже и медленнее, а его решения тоже приходится проверять. Часто работает смесь: маршрут задан кодом, а модель решает только в узких развилках. Если процесс можно нарисовать блок-схемой, оркестратором лучше сделать код.

Собирать связку можно на готовых фреймворках или своим кодом; что учесть при выборе, разбираем в статье про фреймворки для AI-агентов. Схема важнее инструмента.

Как работают несколько ИИ-агентов: пять схем

Схем много, но почти всё сводится к пяти базовым и их сочетаниям. Названия условные.

Диспетчер — самая простая из пяти схем и часто достаточная. Часто ему не нужна модель: если тип входа определяется по каналу или полю формы, маршрут задаёт код. Обязательная деталь — выход «не понял, передаю человеку». Без него диспетчер будет угадывать.

Конвейер хорошо тестируется: у каждого этапа свой вход и выход. Между этапами стоит ставить проверку формата и простых условий кодом, чтобы ошибка не ушла дальше незамеченной.

Параллельные исполнители оправданы, когда ветки действительно независимы. Если ветки делают одно и то же с разными данными, это один и тот же агент, запущенный несколько раз. Агрегатору полезно возвращать не «среднее», а отметку о расхождении.

Схема «исполнитель и проверяющий» ловит часть ошибок, но не отменяет человека: второй агент может ошибиться так же, как первый. Всё, что записывается правилом (суммы, даты, совпадение номеров заказов), надёжнее проверять кодом. Проверяющему стоит оставить то, что формулой не описать: например, отвечает ли черновик смыслу обращения.

Иерархия нужна реже всего. Её легко нарисовать «как в компании», но каждый уровень добавляет пересказ, задержку и расход.

Общее состояние и память: как агенты передают данные

Данные между агентами передают двумя способами, и на практике их сочетают: сообщением, когда оркестратор отдаёт следующему агенту результат предыдущего, или через общее состояние, когда агенты читают и пишут в одну карточку задачи.

Главная ловушка — пересказ. Когда агент передаёт следующему не данные, а свободный текст «вот что я понял», детали теряются, как в испорченном телефоне. Надёжнее договориться о полях: номер заказа, новая дата, причина, уверенность, ссылка на фрагмент письма. Тогда передачу проверяет код, а потери видны в журнале.

Вторая ловушка — «пусть все видят всё». Общий контекст раздувает текст в каждом обращении к модели и расширяет круг данных, доступных каждому агенту. Лучше выдавать каждому только нужное: так дешевле, модель меньше отвлекается, а лишнему сложнее просочиться в ответ.

Отдельный вопрос — память между задачами: что агент должен помнить завтра. Он разобран в статье про память AI-агента. Для мультиагентной системы важно одно: кто имеет право записывать в долговременную память, чтобы ошибка одного агента не стала «знанием» для всех остальных.

Права по ролям: кто что может менять

Самый весомый довод за несколько агентов — не удобство, а границы доступа. Принцип простой: каждый агент получает минимум прав, достаточный для его шага. Агенту, который читает письма внешних отправителей, нельзя давать запись в учётную систему: в чужом тексте может быть спрятана команда, рассчитанная на модель. Это называют внедрением инструкций (prompt injection). Разделение прав снижает ущерб, но угрозу не отменяет; подробнее — в статье про безопасность AI-агентов.

• Разборщик входа: читает входящее сообщение, ничего не пишет и никуда не отправляет, отдаёт только заполненные поля.
• Исследователь: читает справочники и базу знаний, не получает лишних персональных данных и ничего не пишет.
• Исполнитель: создаёт черновики и задачи; отправка наружу и запись в учётную систему идут не через него.
• Проверяющий: видит исходник и результат, только читает.
• Критичное действие: выполняет обычная интеграция после подтверждения человека, а не агент по собственному решению.

Права назначаются на уровне инструментов и учётных записей, а не словами в инструкции: просьбу «не делай этого» модель может нарушить, а отсутствие доступа — нет.

Условный пример: письмо поставщика о переносе срока

Это иллюстрация, а не описание проекта заказчика. Поставщик пишет, что заказ перенесён на другую дату, а часть позиций заменена аналогом. Нужно понять, что изменилось, оценить влияние на график и подготовить ответ и задачу закупщику.

Маршрут задан кодом, а модель работает на шагах со второго по пятый: это конвейер с проверяющим. Оркестратору-модели решать нечего, поэтому его нет. Права разведены: кто читает чужой текст, ничего не пишет, а кто готовит черновик, не видит письмо целиком.

И честная оговорка. Если письма приходят от нескольких знакомых поставщиков, поток небольшой, а закупщик всё равно читает каждое, четыре агента избыточны: хватит одного с тремя инструментами и подтверждением человека. Разница в правах, цене и отладке, а не в «умности».

Что стоит каждый дополнительный агент

На схеме новый агент — одна строка. В эксплуатации это четыре статьи расхода.

По бюджету: пилот на одном процессе — от 200 000 ₽ и 3-4 недели, мультиагентная система — от 800 000 ₽ и 2-3 месяца; расходы на модели и железо отдельной строкой. Разницу стоит платить за конкретную причину, а не за красивую схему. Полная смета — в разборе сколько стоит AI-агент.

Как наблюдать за мультиагентной системой и тестировать её

В системе из одного агента ошибку ищут в одном журнале. В мультиагентной нужно видеть путь задачи целиком.

• Сквозной номер задачи. Он проходит через всех агентов и инструменты, чтобы всю цепочку можно было собрать одним запросом.
• Журнал каждого шага: вход, выход, вызванные инструменты, версия инструкции и модели, время, расход. Без версий нельзя понять, почему вчера работало, а сегодня нет.
• Лимиты. Максимальное число шагов и обращений на задачу, таймаут, предел расхода. Без них два агента могут бесконечно передавать друг другу задачу, а счёт растёт.
• Выход к человеку. Любой агент может остановить задачу отметкой «не уверен», и она уходит человеку вместе с контекстом. Слова модели о собственной уверенности — слабый сигнал, поэтому порог проверяют на тестовом наборе и дополняют проверками кодом: поле не найдено, источник не совпал.
• Метрики: доля задач, переданных человеку; доля расхождений между исполнителем и проверяющим; время и расход на задачу; как часто человек правит результат. Подробнее — в статье про мониторинг AI-агента.

Тестируют на двух уровнях. Сначала каждого агента отдельно на примерах его роли: разборщика на письмах, проверяющего на заведомо неверных черновиках, иначе неясно, замечает ли он ошибки вообще. Потом всю цепочку на сквозном наборе реальных задач. Набор и критерий «правильно» согласуются до запуска и фиксируются в техническом задании. После любой правки инструкции или смены модели набор прогоняют заново: иначе исправление в одном месте незаметно ломает другое. Методы оценки разобраны в статье как оценить качество AI-агента.

Честно: часто хватает одного агента

Мультиагентная система решает конкретные проблемы: разные права доступа, независимая проверка, параллельные ветки, разные модели на разных шагах, изоляция контекста. Если ни одну назвать нельзя, второй агент только добавляет расходы, задержки и места для ошибок. Один агент с узкой задачей, подобранными инструментами, подтверждением человека и журналом закрывает многие процессы, и его проще проверить.

Схема из нескольких агентов должна отвечать на проблему, которую вы уже наблюдали, а не страховать от той, что только может случиться.

Порядок такой: начать с одного агента на одном процессе, замерить, где он ошибается, и добавлять второго, когда причина названа. Критерии — в статье один агент или несколько: когда нужна мультиагентная система. Нужна ли автоматизация вообще, подскажут пять признаков, когда агент не нужен. Чтобы оценить свой процесс, начинаем с экспресс-аудита за 50 000 ₽ и 5-7 рабочих дней: сумма засчитывается в проект, а ответ «хватит одного агента» тоже результат аудита. Дальше — разработка AI-агента на одном процессе.