Что такое мультиагентные системы и когда они нужны

Мультиагентная система — это несколько AI-агентов, которые вместе решают одну задачу. Каждый агент отвечает за свою часть работы: один ищет информацию, другой сводит её в отчёт, третий проверяет результат. Работу между ними распределяет главный агент или человек. Такую систему собирают, когда задача делится на независимые части или результат нужно проверить со стороны, а в остальных случаях один агент справится дешевле и надёжнее.

Что такое AI-агент

Нейросеть в чате отвечает на вопрос. AI-агент (ИИ-агент) получает задачу и сам выполняет действия: ищет в интернете, читает файлы, создаёт задачу в трекере, пишет код. Следующее действие агент выбирает сам по результату предыдущего. Чем агент отличается от чат-бота, мы рассказали в отдельной статье.

Агентов объединяют в системы из-за ограничения по объёму. Всё, что агент знает о задаче, должно поместиться в контекстное окно — объём текста, который модель учитывает за один раз. Туда попадают инструкции, документы, результаты поиска и все промежуточные шаги. Чем длиннее задача, тем больше там текста и тем выше риск, что агент упустит важную деталь.

Как устроена мультиагентная система

В мультиагентной системе задачу делят между несколькими агентами. Это похоже на работу проектной команды: руководитель разбивает задачу на части, раздаёт их специалистам и собирает результат. У каждого агента отдельные инструкции, инструменты и доступы, а в его контекстное окно попадает только его часть задачи.

Главного агента называют оркестратором, а агентов, которым он раздаёт подзадачи, называют исполнителями или субагентами. Оркестратор решает, кому что поручить, и передаёт каждому нужные данные. Как агенты согласуют работу, мы разобрали в термине глоссария «Оркестрация агентов».

Какие бывают схемы

Оркестратор и исполнители. Главный агент составляет план и раздаёт подзадачи. Исполнители могут работать параллельно. По такой схеме устроен режим Research в Claude, AI-ассистенте компании Anthropic: главный агент планирует исследование, несколько субагентов одновременно ищут информацию по разным направлениям, а затем главный сводит их находки в отчёт. В 2025 году на внутреннем тесте Anthropic такая система набрала на 90% больше баллов, чем один агент.

Конвейер. Агенты работают по очереди, и результат одного становится входными данными для следующего. Например, в поддержке первый агент определяет тему обращения, второй ищет ответ в базе знаний, третий пишет черновик для оператора. Порядок шагов задан заранее, поэтому сразу видно, на каком этапе появилась ошибка.

Исполнитель и проверяющий. Один агент делает работу, второй проверяет её по заданным критериям и возвращает на доработку, если нашёл ошибки.

Когда одного агента мало

Начинайте с одного агента. Второго добавляют в трёх случаях.

Задача делится на независимые части. Например, нужно изучить двадцать компаний-конкурентов. Одному агенту приходится держать в контекстном окне данные по всем двадцати сразу, и к концу он путает детали. Несколько субагентов берут по одной компании и работают параллельно.

Частям задачи нужны разные доступы. Агенту, который отвечает клиентам, не нужен доступ к коду, а агенту-разработчику не нужна база клиентов. Если разделить их, каждый получит только свои права и короткую инструкцию.

Нужна независимая проверка. Агент, который сделал работу, проверяет её с теми же предположениями и не замечает своих ошибок. Проверяющий агент не видел хода решения и оценивает только результат, поэтому находит пропущенные требования и ошибки в фактах.

Чем приходится платить

Такая система дороже. Каждый субагент заново читает свои инструкции и собирает свой контекст, поэтому задача, разделённая между агентами, расходует больше токенов, чем та же задача у одного агента. Токены — единицы, в которых считают объём текста и оплату работы модели.

Агенты не видят решений друг друга. Каждый исполнитель знает только свою часть задачи и по ходу работы принимает решения, о которых другие не знают. В компании Cognition, которая делает AI-программиста Devin, приводят условный пример: двум агентам поручают сделать клон игры Flappy Bird. Первый рисует фон в стиле Super Mario, а птица у второго получается в другом стиле, и собрать из этих частей игру не выходит. Anthropic тоже пишет, что схема не подходит для задач с зависимыми частями, и относит к ним большинство задач программирования.

В схеме с оркестратором ошибку сложнее найти. Если итог неверный, приходится разбирать цепочку передач между агентами: кто получил неполные данные, кто неправильно понял подзадачу.

Как агенты работают вместе с командой

Когда над задачей работают и агенты, и люди, ход работы видно, только если он идёт в одном месте. Если каждый агент работает в своём окне, человек переносит результаты между ними: пересказывает, до чего договорились, и пересылает ответы. Когда агенты работают в той же переписке, что и команда, все видят одну и ту же историю, а люди могут вмешаться на любом шаге.

В Пачке такое место — тред, ветка обсуждения под конкретным сообщением. Агенты в Пачке бывают двух видов. Командного агента команда собирает сама и подключает как бота: коллеги упоминают его в треде, и он отвечает там же. Личного агента (Claude Code, Cursor или Codex) сотрудник подключает к своему аккаунту, даёт ему ссылку на тред, и агент пишет от имени сотрудника.

Оркестратором в таком треде работают люди: они решают, какому агенту что поручить, и проверяют результат. Например, в треде обсудили ошибку в выгрузке отчёта. Менеджер упоминает командного агента и просит завести задачу. Агент создаёт её в трекере и переносит туда договорённости. Разработчик даёт своему агенту ссылку на тред. Тот читает обсуждение, исправляет ошибку, отправляет код на ревью и пишет в тред, что исправил и что нужно проверить.

Если к задаче нужен коллега из другого отдела, его зовут в тот же тред через @упоминание. Треды в Пачке сквозные, поэтому коллега увидит всю историю, включая работу агентов, даже если его нет в исходном чате.

Командный агент видит открытые каналы и только те закрытые чаты, куда его добавили, а личный видит то же, что сотрудник. Чем ещё они отличаются, мы рассказали в статье «Личный и командный AI-агент».

Для начала хватит одного агента, который делает одну повторяющуюся работу, например подводит итоги длинных обсуждений.