Что такое мультиагентная система простыми словами
Базу про что такое ИИ-агент и зачем он бизнесу лучше прочитать отдельно. Здесь речь про следующий уровень: несколько агентов искусственного интеллекта работают над одной задачей как маленькая команда. Мультиагентная система - это архитектура, где есть оркестратор, ролевые воркеры, общий state и понятный протокол обмена сообщениями. Один агент ищет данные, второй проверяет, третий пишет вывод, а оркестратор собирает всё в результат. Несколько чат-ботов в одном окне ещё не МАС. Нужны роли, память, правила передачи и проверка результата.
Аналогия простая: один сильный сотрудник закрывает линейную задачу. Команда закрывает широкий проект, где надо параллельно копать разные направления. Поэтому запрос «ии агенты» в 2026 уже делится на две ветки: отдельный агент для конкретного действия и мультиагентная система для сложной работы.
Один агент vs команда: когда хватает одного
Один агент нужен, когда задача похожа на конвейер: достать данные, преобразовать, записать. Вся информация помещается в один контекст, цена ошибки низкая, откат простой. Для таких сценариев часто хватает no-code, например подходов из статьи Как создать ИИ-агента без программирования. Команда нужна в другом случае: задача широкая, источников много, роли разные, и результат стоит дороже роста расходов. Для бизнеса это типичный сценарий из серии что можно делегировать ИИ-агенту уже сейчас: ресёрч, аналитика, контент, поддержка, ревью кода.
- Оставляйте одного агента, если задача линейная и дешёвая.
- Берите команду, если нужны параллельный поиск, разные роли и отдельная проверка.
- Не запускайте МАС без лимитов по токенам, времени и числу шагов.
Паттерны координации: supervisor-worker, peer-to-peer, иерархия
| Паттерн | Как работает | Когда брать |
|---|---|---|
| Supervisor-worker | Один lead ставит подзадачи воркерам и сводит результат | Самый предсказуемый вариант для продакшена |
| Peer-to-peer | Агенты равны и передают задачи друг другу | Гибко, но легко уходит в циклы |
| Иерархия | Несколько уровней лидов и исполнителей | Для крупных задач, как в Magentic-One |
В продакшене чаще побеждает supervisor-worker. Anthropic использует его в Research-агенте: lead планирует поиск и создаёт параллельных субагентов. Peer-to-peer хорош для экспериментов, но хуже контролируется. Иерархия нужна, когда один оркестратор уже не удерживает весь план.
Фреймворки для мультиагентных систем
| Инструмент | Сильная сторона | Доступ из РФ |
|---|---|---|
| LangGraph | Stateful-графы, чекпоинты, human-in-the-loop | OSS работает локально; SaaS ограничен |
| CrewAI | Быстрые role-playing команды и PoC | OSS MIT доступен |
| Microsoft Agent Framework | AutoGen + Semantic Kernel + Azure/Foundry | OSS доступен; Azure ограничен |
| OpenAI Agents SDK | Agents, handoffs, guardrails | Официальный API ограничен |
| Anthropic Claude Agent SDK | Subagents, hooks, MCP, permissions | Доступ ограничен |
| Hermes Agent | Profiles, Kanban, subagents, cron, MCP, skills | Локально, MIT |
| GigaChat | Function calling через langchain-gigachat | Полный РФ-стек |
| YandexGPT | Function calling и MCP-сервер AI Studio | Полный РФ-стек |
Если нужен быстрый прототип, начинайте с CrewAI. Если нужен продакшен со state и трассировкой, смотрите LangGraph. Если важен локальный multi-agent runtime с профилями и доской задач, берите Hermes Agent. Если данные и платежи должны оставаться в российском контуре, GigaChat и YandexGPT уже закрывают базовый function-calling цикл.
Российский стек: GigaChat, YandexGPT, Ollama
GigaChat поддерживает function calling и интегрируется с LangChain/LangGraph через langchain-gigachat. YandexGPT в AI Studio умеет function calling, а MCP-сервер AI Studio поддерживает create_agent и run_agent. Для локального контура есть Ollama + Hermes + LangGraph: модель крутится на своём сервере, данные не уходят наружу. Если хватает простого no-code конвейера, посмотрите ИИ-агент в n8n: когда хватает no-code.
152-ФЗ: если агенты работают с персональными данными россиян и ходят во внешний API, это вопрос трансграничной передачи ПДн. Без юридической консультации безопаснее держать чувствительные данные локально или в российском API.
Кейсы с цифрами: где мультиагенты уже работают
- Anthropic Research: supervisor-worker дал +90.2% к качеству против single-agent Opus 4 на их research-бенчмарках. Цена - примерно 15× токенов относительно обычного чата.
- PwC + CrewAI: code-gen accuracy на проприетарном языке выросла примерно с 10% до 70%+.
- LangGraph: в публичных кейсах LangChain фигурируют Klarna, Replit, Elastic, Uber, LinkedIn, JP Morgan, BlackRock и Cisco.
Вывод сухой: multi-agent окупается там, где задача дорогая. Для широкого ресёрча, корпоративной разработки, due diligence и сложной поддержки рост качества может покрыть 15× токенов. Для дешёвых задач это просто красивая переплата.
Когда не надо лезть в мультиагентность
MAST paper (arXiv:2503.13657) разобрал 1600+ трасс в 7 фреймворках и нашёл 14 failure modes в 3 группах: системный дизайн, рассинхрон между агентами, проверка задачи. В экспериментах failure rate гулял от 41% до 86.7%. Красные флаги: нет оркестратора, нет бюджета токенов, нет логов, нет проверки handoff, нельзя откатить действие. Отдельная боль - context drift, когда каждый агент пересказывает задачу чуть иначе. Anthropic советует писать вывод субагента в файл, чтобы оркестратор читал факт, а не пересказ пересказа.
- Cascading errors: ошибка первого агента заражает остальных.
- Coordination deadlock: агенты ждут друг друга и жгут бюджет.
- Silent partial failure: красивый ответ строится на сломанной подзадаче.
- Runaway cost: цикл «улучши ещё» съедает тысячи вызовов.
Hermes Agent как практический multi-agent runtime
Hermes Agent - MIT open-source агентский runtime от Nous Research. Мультиагентность в нём собрана не маркетингом, а механикой: profiles запускают разных агентов с отдельными конфигами и памятью; Kanban-board держит общий state в SQLite; subagents дают параллельные воркфлоу; cron запускает расписания; MCP подключает внешние tools; skills хранят процедурную память; Honcho связывает память между профилями. Команда Тимура работает похожим образом: оркестратор раздаёт задачи SEO, копирайтеру, дизайнеру и аналитику, а роли не мешают друг другу.
Как попробовать самому
- Возьмите research-like задачу: сравнить 5 конкурентов, собрать цены, отзывы и фичи.
- Назначьте роли: researcher, analyst, writer, reviewer. Оркестратор ставит подзадачи и принимает результат.
- Задайте лимиты: токены, шаги, время, формат вывода. Без лимитов эксперимент управляет кошельком.
- Проверьте результат человеком, потом автоматизируйте. Начните с no-code или Hermes/LangGraph, а не с большой платформы.
Частые вопросы
Сколько стоит команда ИИ-агентов?
Ориентир от Anthropic: мультиагентная система может жечь примерно в 15 раз больше токенов, чем чат. Поэтому считать надо не «цена запроса», а стоимость результата.
Чем мультиагентная система отличается от обычного чат-бота?
Чат-бот отвечает в одном контексте. МАС делит работу между ролями: один агент ищет, второй проверяет, третий пишет, оркестратор собирает. Разница в архитектуре и контроле.
Можно ли собрать МАС без OpenAI и Anthropic?
Да. Рабочие варианты: GigaChat + LangGraph, YandexGPT + AI Studio MCP, локальная Ollama + Hermes/LangGraph. Инструкции обхода ограничений здесь не нужны.
Что выбрать: CrewAI или LangGraph?
CrewAI удобнее для PoC и ролевых команд. LangGraph лучше для продакшена со state, чекпоинтами и human-in-the-loop. Для локального рантайма смотрите Hermes Agent.
Когда лучше оставить одного агента?
Когда задача линейная, короткая и помещается в один контекст. Один агент дешевле, быстрее и предсказуемее, если не нужна параллельная команда ролей.
Хотите собрать мультиагентного ассистента на практике: LangGraph + YandexGPT + MCP - приходите на курс https://timurarslanov.ru/lm_mcp_yandex. Больше разборов по ИИ-агентам и автоматизации - в Telegram https://t.me/yourself_realize
