Мультиагентная система: как собрать команду ИИ-агентов
Один агент упирается в своё окно контекста, несколько — делят работу и приносят наверх только выводы. Плата за это — примерно пятнадцатикратный расход токенов. Разбираем паттерны, цифры и границу, за которой схема не окупается.
Мультиагентная система — это несколько ИИ-агентов, работающих над одной задачей вместе: ведущий агент разбирает запрос, ставит подзадачи исполнителям, а те работают параллельно, каждый в своём окне контекста, и возвращают наверх выжимку вместо сырых логов. Anthropic в инженерном разборе своей поисковой системы приводит цифры обеих сторон сделки: связка ведущего агента и исполнителей обошла одиночную модель на 90,2% на внутреннем тесте и потратила примерно в 15 раз больше токенов, чем обычный чат. Поэтому решение всегда экономическое, а не техническое.
Что узнаешь из разбора
- Как устроена связка ведущего агента и исполнителей
- Пять рабочих паттернов и чем они отличаются
- Реальную цену в токенах и когда она окупается
- Где мультиагентность уже встроена и её не надо писать
- Типовые поломки: дубли работы, 50 агентов на пустяк
Часть 1 · Определение
Что такое мультиагентная система
Главное
Определение из инженерного разбора Anthropic звучит буднично: мультиагентная система — это несколько агентов, работающих вместе, где агент — модель, которая в цикле сама пользуется инструментами. Вся сложность не в определении, а в координации.
Ключевое отличие от «одного умного чата» — не количество моделей, а разделение контекстов. У каждого исполнителя своё окно, свой набор инструментов и своя постановка задачи. Он копается в деталях у себя и отдаёт наверх результат в сжатом виде. Ведущий агент видит выводы, а не гигабайты промежуточного вывода — и потому дольше остаётся вменяемым.
В документации OpenAI это сформулировано через две болезни длинной сессии: загрязнение контекста, когда полезное тонет в логах и стек-трейсах, и гниение контекста, когда качество падает по мере того, как чат заполняется малозначимыми деталями. Субагент — способ вынести шум из главной ветки.
Часть 2 · Смысл
Зачем несколько агентов вместо одного
Практических причин три, и все они про ограничения одиночной сессии.
- Сжатие. Поиск по сути и есть сжатие: из большого корпуса надо вытащить немногое. Исполнители перебирают источники параллельно и приносят выжимку.
- Параллельность. Независимые куски работы идут одновременно, а не по очереди. У Anthropic переход на 3-5 параллельных исполнителей и 3+ параллельных вызова инструментов сократил время сложных исследований почти на 90%.
- Специализация. Разные промпты, разные инструменты, разные права. Агент-ревьюер и агент-исследователь не мешают друг другу.
Цифра, по которой можно сверяться
В своём внутреннем тесте Anthropic сравнила две конфигурации: одиночный Claude Opus 4 против связки, где Opus 4 ведущий, а исполнители на Sonnet 4. Связка выиграла на 90,2%. Пост опубликован 13 июня 2025 года и оперирует моделями того времени, поэтому число стоит читать как порядок эффекта, а не как обещание на нынешней линейке.
Часть 3 · Экономика
Сколько это стоит в токенах
Мультиагентность работает во многом потому, что позволяет потратить на задачу больше вычислений. Это и её главный минус.
| Режим работы | Расход токенов относительно чата |
|---|---|
| Обычный чат | 1x, точка отсчёта |
| Один агент с инструментами | около 4x |
| Мультиагентная система | около 15x |
Почему это вообще работает
В анализе Anthropic три фактора объясняют 95% разброса результатов на их оценочном тесте, и расход токенов сам по себе — 80%. То есть мультиагентная архитектура выигрывает прежде всего тем, что даёт задаче больше вычислений через параллельные окна контекста. Отсюда и правило: схема оправдана там, где ценность результата покрывает пятнадцатикратный счёт.
На практике это упирается в лимиты подписки, а не в абстрактные токены. Как считаются лимиты у OpenAI, разобрано в гайде лимиты Codex, приёмы экономии контекста — в гайде как экономить токены.
Часть 4 · Схемы
Пять паттернов, из которых всё собирается
Классификация ниже — из документации LangChain, она удобна тем, что описывает не фреймворк, а способ мышления.
| Паттерн | Как устроен | Когда брать |
|---|---|---|
| Субагенты как инструменты | главный агент вызывает остальных, вся маршрутизация через него | базовый случай, самый предсказуемый |
| Передача состояния | вызов инструмента меняет состояние, оно переключает агента или его инструменты | когда этапы включают и выключают возможности |
| Скилы | один агент подгружает знания и инструкции по требованию | когда нужна экспертиза, а не второй исполнитель |
| Роутер | запрос классифицируется и уходит профильному агенту | поддержка, разбор входящих, разные типы запросов |
| Воркфлоу | жёсткая схема, агентные шаги — узлы в ней | когда порядок шагов известен заранее |
Паттерн «скилы» стоит в этом списке не случайно: часто «нам нужен ещё один агент» на деле означает «нам нужна ещё одна инструкция под конкретную задачу». Скил подгружается по требованию и не платит за себя постоянным местом в контексте — разбор механики в гайде скилы Claude Code.
Главный вопрос — не схема, а контекст
В документации LangChain это названо прямо: качество системы зависит от того, что именно видит каждый агент. Сначала решается, какие данные нужны исполнителю для его куска работы, и только потом — каким паттерном их доставить.
Часть 5 · Инструменты
Где мультиагентность уже встроена
Писать оркестратор с нуля в большинстве случаев не нужно: он уже есть в агентах, которыми вы и так пользуетесь.
- Claude Code. Субагенты работают каждый в своём окне контекста, со своим системным промптом, набором инструментов и правами; делегирование идёт по описанию агента. Полезная деталь из документации: если суммарные описания ваших субагентов превысят 15 000 токенов, Claude Code предупредит об этом при запуске — то есть за сам факт наличия команды агентов вы платите контекстом. Как заводить своих — в гайде про субагентов Claude Code.
- Codex. Субагентные сценарии включены по умолчанию: агент поднимает параллельных исполнителей и собирает результат в один ответ, а ветки видны по команде
/agent. Модель исполнителя наследуется от родителя, если не задать её явно вconfig.tomlили в файле агента. - LangGraph. Когда нужна своя система на Python с графом состояний, чекпойнтами и человеком в цикле — разбор в гайде LangGraph.
- n8n. Вариант для тех, кому ближе визуальные схемы: узлы вместо кода, разбор n8n.
Часть 6 · Сборка
Как собрать первую систему
- Проверить задачу на параллельность. Раскладывается ли работа на независимые куски? Обзор десяти источников — да. Правка, где каждый следующий шаг зависит от предыдущего, — нет.
- Назначить ведущего и исполнителей. Ведущий держит цель, требования и финальный ответ. Исполнители — разведку, тесты, разбор логов.
- Каждому — цель, формат, инструменты, границы. Anthropic называет это главной причиной сбоев: без явных границ исполнители дублируют работу и оставляют дыры.
- Задать масштаб. Простой факт — один агент и 3-10 вызовов инструментов. Сравнение — 2-4 исполнителя по 10-15 вызовов. Сложное исследование — больше десяти исполнителей с разделёнными участками.
- Замерить и сравнить. Прогнать ту же задачу одним агентом. Если разница в качестве не видна на глаз, а счёт вырос в разы — схему надо упрощать.
Что писать в задании исполнителю
Anthropic перечисляет минимум: цель, формат вывода, подсказка по инструментам и источникам, явные границы задачи. Хороший запрос к субагентам ещё и говорит, как делить работу и ждать ли всех перед продолжением. Пример из документации OpenAI: «проверь ветку параллельными субагентами — один на риски безопасности, один на дыры в тестах, один на поддерживаемость; дождись всех троих и собери выводы по категориям со ссылками на файлы».
Часть 7 · Грабли
Что ломается чаще всего
- Перебор с числом агентов. Ранние версии системы Anthropic порождали по 50 исполнителей на простой запрос. Лечится правилами масштаба прямо в промпте ведущего.
- Дубли работы. На задании «изучи тему» два исполнителя делают одно и то же, а третий уходит не в тот год. У Anthropic это реальный пример: один разбирал кризис чипов 2021 года, двое дублировали друг друга по текущему.
- Шум вместо результата. Агенты отвлекают друг друга избыточными обновлениями. Исполнитель должен возвращать выжимку, а не поток сознания.
- Параллельная запись. OpenAI советует смело распараллеливать чтение — разведку, тесты, разбор, сортировку — и осторожнее относиться к параллельной правке кода: агенты, редактирующие файлы одновременно, создают конфликты и лишнюю координацию.
- Плохие описания инструментов. Агент, ищущий в вебе то, что лежит в рабочем чате, обречён с самого начала. У Anthropic переписывание описания инструмента дало 40% сокращения времени выполнения задачи.
Часть 8 · Граница
Когда мультиагент не нужен
Честный ответ есть у обоих источников. LangChain пишет, что не всякая сложная задача требует такой схемы: один агент с правильными инструментами и промптом часто даёт тот же результат. Anthropic добавляет конкретики: домены, где всем агентам нужен общий контекст или где между шагами много зависимостей, для мультиагента сегодня не подходят, и большинство задач по коду распараллеливается хуже, чем исследование.
Практический критерий: если вы не можете за минуту описать, какие куски работы идут одновременно и что каждый вернёт, — мультиагентная схема пока не нужна. Начните с одного агента и хороших инструментов, а как собрать такого, разобрано в гайде как создать ИИ-агента. Как эта схема выглядит на дистанции в реальной работе — в разборе офиса ИИ-агентов.
Коротко
- Мультиагентная система — ведущий агент плюс исполнители в своих окнах контекста.
- Выигрыш даёт сжатие контекста и параллельность, а не «много моделей».
- Anthropic: плюс 90,2% к качеству на своём тесте и около 15x токенов.
- Рабочий масштаб: 3-5 исполнителей параллельно, 3+ параллельных вызова инструментов.
- Пять паттернов: субагенты-инструменты, состояние, скилы, роутер, воркфлоу.
- Читать параллельно — можно смело, писать параллельно — осторожно.
- Если куски работы не независимы, один агент дешевле и лучше.
FAQ
Частые вопросы
Что такое мультиагентная система простыми словами
Мультиагентная система — это несколько ИИ-агентов, которые работают над одной задачей вместе. Агент здесь означает модель, которая в цикле сама вызывает инструменты, а не просто отвечает текстом. Обычно один агент ведущий: он разбирает запрос, ставит подзадачи остальным и собирает из их ответов результат. Каждый исполнитель работает в своём окне контекста и возвращает выжимку.
Чем мультиагентная система лучше одного агента
Двумя вещами: сжатием контекста и параллельностью. Каждый исполнитель разбирает свой кусок в отдельном окне и отдаёт наверх только выводы, поэтому главное окно не забивается логами и промежуточным мусором. По внутренней оценке Anthropic связка из ведущего агента на Opus 4 и исполнителей на Sonnet 4 обошла одиночного Opus 4 на 90,2% на их исследовательском тесте.
Сколько токенов тратит мультиагентная система
По данным Anthropic агенты в среднем тратят примерно в 4 раза больше токенов, чем обычная переписка в чате, а мультиагентные системы — примерно в 15 раз больше. Там же указано, что расход токенов сам по себе объясняет около 80% разброса результатов на их оценочном тесте. Поэтому мультиагент оправдан там, где ценность задачи покрывает счёт.
Когда мультиагентная система не нужна
Когда шаги зависят друг от друга и агентам нужен общий контекст. Anthropic прямо пишет, что большинство задач по коду распараллеливаются хуже, чем исследование, и что модели пока плохо координируются между собой на лету. Документация LangChain добавляет: часто хватает одного агента с правильными инструментами и промптом. Отдельный риск — параллельная запись: несколько агентов, одновременно правящих код, создают конфликты.
Какие есть паттерны мультиагентных систем
В документации LangChain перечислены пять основных. Субагенты как инструменты: главный агент вызывает остальных и всё маршрутизирует через себя. Передача состояния: вызов инструмента меняет состояние, а оно переключает агента или его набор инструментов. Скилы: один агент подгружает нужные знания по требованию. Роутер: запрос сначала классифицируется и уходит нужному специалисту. Воркфлоу: жёсткая схема, где агентные шаги встроены как узлы.
Где мультиагентность уже встроена
В Claude Code есть субагенты: каждый работает в своём окне контекста, со своим системным промптом и правами на инструменты, и возвращает в основную сессию только итог. В Codex субагентные сценарии включены по умолчанию: агент запускает параллельных исполнителей и собирает их результаты в один ответ, а следить за ветками можно командой /agent. Для сборки своей системы на Python есть LangGraph.
Что чаще всего ломается в мультиагентной системе
Координация. В разборе Anthropic перечислены реальные сбои ранних версий: система порождала по 50 исполнителей на простой запрос, бесконечно искала несуществующие источники и мешала сама себе лишними обновлениями. Второй типовой сбой — размытая постановка: на инструкции вроде «изучи тему» два исполнителя делают одну и ту же работу, а третий уходит не в тот год.
Сколько агентов запускать параллельно
Anthropic описывает свою рабочую схему так: ведущий агент поднимает 3-5 исполнителей параллельно, а каждый исполнитель вызывает 3 и более инструментов параллельно. По их данным это сократило время сложных исследований почти на 90%. Масштаб задаётся правилами: простой факт — один агент, сравнение — 2-4 исполнителя, сложное исследование — больше десяти.
Мультиагентная система и оркестрация агентов — это одно и то же
Почти. Оркестрация — это часть мультиагентной системы, отвечающая за координацию: кто какую подзадачу получает, в каком порядке запускается, чего ждут остальные и как результаты собираются в один ответ. В готовых инструментах оркестрацию берёт на себя сам агент: в Codex, например, платформа сама поднимает исполнителей, маршрутизирует уточнения, дожидается результатов и закрывает ветки.
Читать дальше
Платформа и сообщество, где я по шагам показываю, как поставить ИИ на рутину: контент, код, продажи, аналитика. Заходи и забирай рабочие связки, которыми пользуюсь сам.
Посмотреть, что внутриtelegram
Канал с полезными материалами про нейросети
Разборы, новые инструменты и приёмы по ИИ — то, чем пользуюсь сам, без воды. Подпишись, чтобы не потерять.
