Как построить мультиагентную систему, которая доводит задачи до конца

Один LLM-агент, который пытается спланировать, исследовать, написать и проверить себя, почти всегда делает всё это плохо. Задачи смешиваются, ошибки накапливаются, контекст раздувается. Мультиагентный подход разделяет работу между специализированными агентами — каждый отвечает за свою часть и передаёт результат следующему. Это не абстрактная идея, а рабочий паттерн, который можно собрать на коленке за вечер.

Почему один агент — это тупик

Когда один вызов LLM пытается охватить весь процесс, возникают предсказуемые проблемы:

• Нет разделения ответственности: планирование перемешивается с исполнением.
• Нет проверки качества — ошибки тихо накапливаются.
• Контекст забивается нерелевантной историей предыдущих шагов.

Разделение на роли решает все три проблемы. Каждый агент видит только то, что нужно именно ему. Кроме того, для простых задач можно использовать дешёвую модель, а для финального текста — более мощную. Это экономит деньги без потери качества.

Сравнение: один агент против мультиагентной системы

Шаги построения мультиагентной системы

Разберём на примере архитектуры из четырёх ролей: планировщик, исследователь, исполнитель, критик. Этого достаточно для большинства задач.

Шаг 1. Определите роли

У каждого агента одна функция и чёткий системный промпт. Не допускайте, чтобы агент делал что-то помимо своей роли. Планировщик разбивает цель на список конкретных подзадач. Исследователь собирает факты по подзадаче, но не пишет финальный ответ. Исполнитель превращает исследовательские заметки в готовый текст. Критик сверяет результат с исходной целью и одобряет или отправляет на доработку.

Шаг 2. Планировщик разбивает цель

Передайте агенту-планировщику исходную цель — он вернёт нумерованный список шагов. Например, для задачи «написать техническое сравнение векторных баз данных для RAG-пайплайна» планировщик выдаст шаги: сбор требований, сравнение архитектур, тесты производительности, оформление вывода. Каждый шаг — это отдельная сущность, которую можно обрабатывать параллельно или последовательно.

Шаг 3. Исследователь и исполнитель работают в паре

Для каждого шага исследователь собирает факты, а исполнитель уже пишет по ним ответ. Это разделение критично: процесс «найти информацию» и «сформулировать ответ» требует разных навыков. Исследователь может использовать инструменты поиска, но не имеет права писать финальный текст. Исполнитель, наоборот, не ищет ничего — только работает с предоставленными заметками.

Шаг 4. Критик — источник качества

Этот шаг пропускают в большинстве демо, и зря. Без критической проверки агенты с одинаковой уверенностью выдают как правильные, так и неверные ответы. Критик сравнивает черновик с исходной целью. Если ответ не подходит — он возвращается на доработку с пометкой «предыдущая попытка отклонена, улучшите точность и полноту». Ограничьте число повторов, чтобы не уйти в бесконечный цикл — обычно достаточно двух попыток.

Шаг 5. Оркестрация

Связать всё вместе можно простым циклом без тяжёлых фреймворков. Держите состояние в списке: каждый шаг проходит цепочку «исследование → исполнение → критика → результат». По завершении всех шагов соберите итоговый текст.

Типичные ошибки

• Дублирование ролей: два агента делают одно и то же.
• Пропуск критика — самый частый и самый дорогой просчёт.
• Передача агенту всего контекста вместо только нужной части.
• Забыли про ограничение числа попыток — система может зациклиться.
• Использование одной модели для всех ролей: планировщику и исследователю достаточно лёгкой, исполнителю — мощной.

Чек-лист перед запуском

1. Каждый агент имеет одну чёткую роль и промпт, описывающий только её.
2. Планировщик всегда выдаёт список шагов, а не одно действие.
3. Исследователь не пишет финальные ответы, исполнитель не ищет информацию.
4. Критик включён в цикл и имеет право отклонять результат.
5. Ограничены повторы (обычно 1–2).
6. Контекст каждого агента ограничен его подзадачей.

Мультиагентная архитектура — это не магия, а правильная организация труда. Начинайте с четырёх ролей, добавляйте новых агентов по мере усложнения задач. Главное — не пытаться заставить одну модель делать всё сразу. Даже самый сильный LLM начинает ошибаться, когда берёт на себя слишком много.