Мультиагентные системы: как несколько ИИ-агентов работают вместе
Мультиагентная система — это несколько ИИ-агентов, каждый со своей ролью, инструментами и контекстом, которые вместе решают одну задачу. Обычно главный агент (оркестратор) делит работу на части, раздаёт их агентам-исполнителям и собирает результат. Такая схема помогает, когда задача большая, распадается на независимые части или требует разных навыков, но она дороже и сложнее в отладке, чем один агент.
Термин «мультиагентные системы» старше языковых моделей: так в информатике давно называют системы из многих автономных программ. Сейчас под ним почти всегда понимают связку LLM-агентов. Ниже — практическая версия: какие схемы работают, когда они оправданы и на что обращать внимание, чтобы система не превратилась в дорогой хаос.
Зачем нужно несколько агентов, если есть один
У одного агента есть предел: его контекст (рабочая память) ограничен, и чем больше в нём лишнего, тем хуже он справляется. Разделение на агентов решает три проблемы:
- Чистый контекст. Исполнитель получает только свою подзадачу и не тонет в истории всей работы. Оркестратору возвращается короткий итог, а не тысячи строк промежуточного поиска.
- Параллельность. Независимые части (изучить пять источников, проверить десять файлов) выполняются одновременно.
- Специализация. У каждого агента своя инструкция, свои инструменты и права: исследователь только читает, редактор только пишет в черновики.
Почему контекст так важен, объяснено в уроке «Рабочая память» курса о возможностях и ограничениях ИИ.
Основные схемы
| Схема | Как работает | Когда подходит |
|---|---|---|
| Оркестратор и исполнители | главный агент планирует, раздаёт подзадачи, собирает ответы | исследования, большие изменения в коде, задачи с заранее неизвестным числом шагов |
| Конвейер (цепочка) | выход одного агента — вход следующего | процесс с понятными этапами: собрать данные, проанализировать, написать отчёт |
| Параллельная работа | несколько агентов делают одно и то же или разные части одновременно | проверка с разных сторон, голосование, обработка большого набора |
| Маршрутизатор | первый агент определяет тип задачи и отправляет специалисту | поддержка с разными типами обращений |
| Исполнитель и проверяющий | один делает, другой оценивает и возвращает на доработку | тексты, код, всё, где есть понятный критерий качества |
Эти схемы разобраны с кодом в курсе Anthropic по Claude API: параллельные воркфлоу, цепочки, маршрутизация.
Когда мультиагентная система не нужна
Самая частая ошибка — начинать с пяти агентов там, где хватило бы одного хорошего промпта. Несколько агентов расходуют в разы больше токенов, дольше отвечают и сложнее в отладке: непонятно, на каком шаге ошиблись. Порядок усложнения обычно такой: один запрос → цепочка шагов → один агент с инструментами → несколько агентов. К следующему уровню переходите, только когда предыдущий упёрся в предел.
Типичные проблемы
- Потеря контекста при передаче. Оркестратор даёт исполнителю слишком короткое задание, и тот делает не то. Задание для исполнителя пишите так же подробно, как для нового сотрудника: цель, границы, формат ответа.
- Дублирование работы. Два исполнителя ищут одно и то же. Помогает чёткое разделение зон.
- Бесконечные циклы. Проверяющий вечно возвращает на доработку. Нужен лимит итераций и понятный критерий «готово».
- Стоимость. Считайте токены на всю систему, а не на один вызов. Исполнителям часто хватает быстрой и дешёвой модели.
- Ошибки накапливаются. Ошибка первого агента проходит по всей цепочке. Ставьте проверки между этапами.
Как собрать первую систему
- Опишите задачу, которую один агент решает плохо, и почему именно: не хватает контекста, слишком долго, нужны разные роли.
- Выберите одну схему из таблицы, самую простую из подходящих.
- Напишите инструкцию каждому агенту: роль, что на входе, что на выходе, какие инструменты доступны.
- Соберите 10–20 тестовых задач и сравните с одним агентом по качеству, времени и цене.
- Оставьте мультиагентную схему, только если выигрыш заметен.
Проще всего попробовать на практике в Claude Code: там есть встроенные субагенты. Главный агент отдаёт им поиск по коду или ревью, каждый работает в своём контексте и возвращает итог. Разобрано в курсе «Знакомство с субагентами»: что такое субагенты, как создать субагента, как спроектировать эффективного субагента.
Фреймворки
Для своих систем используют Claude Agent SDK, LangGraph, CrewAI, AutoGen, а для no-code — n8n и похожие платформы. Фреймворк экономит время на обвязке, но не решает главного: хороших инструкций и проверки качества. Начинать можно и без фреймворка, с нескольких вызовов API — так лучше видно, что происходит на каждом шаге.
Субагенты в Claude Code: курс на русском
Официальный курс Anthropic о том, как разделить работу между агентами. Первые уроки бесплатно, без VPN.
Открыть курсЧастые вопросы
Что такое мультиагентная система?
Несколько ИИ-агентов со своими ролями, инструментами и контекстом, которые вместе решают одну задачу. Обычно главный агент распределяет работу и собирает результат.
Когда нужна мультиагентная система, а когда хватит одного агента?
Несколько агентов оправданы, если задача не помещается в контекст одного, распадается на независимые части или требует разных ролей. В остальных случаях один агент дешевле и надёжнее.
Какие есть схемы мультиагентных систем?
Оркестратор и исполнители, конвейер, параллельная работа, маршрутизатор, исполнитель и проверяющий.
Где изучить мультиагентные системы на русском?
На AI University переведены курсы Anthropic по субагентам и по Claude API, где разобраны схемы воркфлоу и агентов. Первые уроки бесплатны.
Владислав Попов
PhD (University of York), основатель Стадики и AI University. Отбирает и переводит на русский официальные курсы Anthropic, OpenAI и Google.