- Зачем нужны несколько агентов
- Основные архитектуры
- Пример: агентство контента из 4 агентов
- Где мультиагентные системы уже работают
- Фреймворки для разработки
- Как агенты общаются: MCP и A2A
- Риски и ограничения
- Частые вопросы
- Чем мультиагентная система отличается от одного агента с инструментами?
- Можно ли сделать мультиагентную систему без программирования?
- Сколько агентов нужно?
Мультиагентная система (МАС, англ. multi-agent system) - это несколько ИИ-агентов, которые решают общую задачу, распределяя роли между собой. Один агент собирает данные, второй анализирует, третий пишет итог, четвёртый проверяет. Как в команде людей, каждый участник получает свою инструкцию, инструменты и зону ответственности, а результат одного становится входными данными для другого.
Если вы ещё не знакомы с устройством отдельного агента, начните со статьи что такое ИИ-агент.
Зачем нужны несколько агентов
- Специализация. Короткая узкая инструкция работает надёжнее, чем один огромный промт "сделай всё".
- Параллельность. Независимые части задачи выполняются одновременно: три агента ищут информацию по трём направлениям.
- Контекст. Каждый агент держит в памяти только свою часть, а не все материалы сразу, поэтому меньше путается.
- Взаимная проверка. Отдельный агент-критик находит ошибки, которые автор пропустил.
- Разные модели. Простые шаги можно отдать дешёвой модели, сложные - сильной, и сэкономить.
Основные архитектуры
| Схема | Как работает | Когда подходит |
|---|---|---|
| Конвейер | агенты передают результат по цепочке: сбор - анализ - текст - проверка | повторяющиеся процессы с понятными этапами |
| Руководитель и исполнители | главный агент делит задачу, раздаёт подзадачи и собирает ответы | исследования, большие задачи с заранее неизвестным планом |
| Автор и критик | один создаёт, другой проверяет и возвращает на доработку | тексты, код, ответы клиентам, где важно качество |
| Совет экспертов | несколько агентов с разными ролями обсуждают вопрос, итог подводит модератор | оценка решений, поиск рисков, мозговой штурм |
| Маршрутизатор | первый агент определяет тип запроса и передаёт нужному специалисту | поддержка клиентов, внутренний помощник по разным отделам |
Пример: агентство контента из 4 агентов
- Исследователь получает тему, ищет свежие источники в интернете и составляет список фактов со ссылками.
- Аналитик выбирает из фактов главное для аудитории и составляет план статьи.
- Автор пишет текст по плану в заданном стиле.
- Редактор сверяет текст с фактами исследователя, убирает воду и ошибки. Если находит неточность, возвращает текст автору.
В n8n такая система собирается из нескольких узлов AI Agent: один агент может вызывать другого как инструмент. Пошаговая сборка агента - в инструкции ИИ-агент в n8n.
Где мультиагентные системы уже работают
- Агенты для кода. Claude Code и Codex запускают субагентов: один изучает проект, другой пишет тесты, третий проверяет изменения.
- Глубокое исследование. Режимы deep research в ChatGPT, Perplexity и других сервисах параллельно отправляют несколько поисковых агентов и сводят результаты.
- Универсальные агенты. Manus и Genspark делят большую задачу на подзадачи и раздают их исполнителям.
- Бизнес-процессы. Обработка заявки: классификация, поиск по базе знаний, черновик ответа, проверка соблюдения правил.
- Промышленность и логистика. Классические МАС (ещё до языковых моделей) управляют роботами на складах, светофорами, распределением нагрузки в энергосетях.
Фреймворки для разработки
| Фреймворк | Особенность |
|---|---|
| CrewAI | агенты описываются как команда с ролями, целями и задачами; низкий порог входа |
| LangGraph | процесс задаётся графом состояний: точный контроль над шагами, циклами и проверками |
| Microsoft Agent Framework | фреймворк Microsoft для агентов и их совместной работы на Python и .NET |
| OpenAI Agents SDK | лёгкая библиотека: агенты, передача задачи между ними, ограничения и трассировка |
| Google ADK | набор для разработки агентов от Google с поддержкой иерархий агентов |
| n8n | визуальная сборка без кода: агент вызывает других агентов как инструменты |
Учиться работе с ними удобно по бесплатным курсам из подборки курсов по ИИ-агентам.
Как агенты общаются: MCP и A2A
- MCP (Model Context Protocol) подключает к агенту инструменты и данные: файлы, базы, сервисы.
- A2A (Agent2Agent) - открытый протокол для общения агентов между собой (версия 1.0, развивается под управлением Linux Foundation), даже если они сделаны разными компаниями на разных фреймворках. Агент публикует "карточку" со списком своих умений, и другие агенты могут поручать ему задачи.
Вместе протоколы позволяют собирать системы из готовых агентов, а не писать каждый с нуля.
Риски и ограничения
- Стоимость. Каждый агент - это отдельные запросы к модели. Система из пяти агентов легко тратит в 5-15 раз больше токенов, чем один.
- Накопление ошибок. Ошибка первого агента уходит дальше по цепочке. Нужны проверки между этапами.
- Зацикливание. Автор и критик могут бесконечно возвращать задачу друг другу. Ограничивайте число итераций.
- Сложная отладка. Без журнала шагов трудно понять, какой агент ошибся. Включайте трассировку.
- Избыточность. Многие задачи один агент с хорошими инструментами решает не хуже. Начинайте с одного агента и добавляйте второго, только когда упрётесь в предел.
Частые вопросы
Чем мультиагентная система отличается от одного агента с инструментами?
Один агент сам выполняет все шаги, переключаясь между инструментами. В мультиагентной системе шаги выполняют разные агенты со своими инструкциями и контекстом. Это надёжнее на больших задачах, но дороже и сложнее в настройке.
Можно ли сделать мультиагентную систему без программирования?
Да, в n8n: создайте несколько агентов-узлов и подключите их к главному агенту как инструменты. Для сложных систем с ветвлениями удобнее фреймворки на Python.
Сколько агентов нужно?
Столько, сколько в задаче действительно разных ролей. На практике чаще всего хватает двух-четырёх: исполнитель, проверяющий и иногда координатор.
