Мультиагентные системы: как несколько ИИ-агентов работают в связке
Один ИИ-агент хорошо справляется с узкой задачей. Но когда сценарий состоит из нескольких разных шагов, лучше собрать команду.
Коротко о главном:
– Мультиагентная система: несколько ИИ-агентов, где каждый отвечает за свою задачу и передаёт результат дальше
– Отличие от одного агента: разделение ролей вместо одного универсального промта на всё
– Базовые паттерны: конвейер, диспетчер и проверяющий, специалисты по темам
– В Альбато мультиагентный сценарий собирается из нескольких шагов ИИ-агент в одной связке, без программирования
– Команда агентов оправдана на сложных многошаговых процессах, для простых задач хватит одного агента
Содержание:
→ Что такое мультиагентная система
→ Чем мультиагент отличается от одного агента и от промпта
→ Из чего состоит команда агентов: роли и паттерны
→ Как несколько агентов работают в связке
→ Как собрать мультиагентный сценарий в Альбато
→ Когда мультиагент оправдан, а когда хватит одного агента
→ Риски и ограничения мультиагентных систем
Мультиагентная система: это сценарий, где несколько ИИ-агентов работают вместе, и каждый отвечает за свой участок. Один разбирает входящее сообщение, второй ищет данные, третий готовит ответ, четвёртый проверяет результат. Вместо одного агента, который пытается сделать всё сразу, задачу делят между специализированными агентами. Ниже разберём, чем это отличается от одного агента, какие бывают схемы работы и как собрать такую связку в Альбато без программиста.
Что такое мультиагентная система
Мультиагентная система: это несколько ИИ-агентов, которые решают общую задачу, разделив её на части. Каждый агент получает свой кусок работы, выполняет его и передаёт результат следующему. Так процесс, который сложно описать одним промтом, разбивается на понятные шаги с чёткой зоной ответственности.
Представьте обработку входящей заявки в отделе продаж. Один агент читает сообщение клиента и определяет, что он хочет. Второй проверяет по базе, был ли этот клиент раньше, и подтягивает историю. Третий формулирует ответ и решает, отправить его сразу или передать менеджеру. Каждый занят своим делом, и вместе они закрывают весь путь заявки.
Ключевая идея простая. Чем уже задача агента, тем точнее и предсказуемее он работает. Разделив большой сценарий на роли, вы получаете систему, где каждый участник силён в своём, а ошибки легче отследить и поправить.
Чем мультиагент отличается от одного агента и от промпта
Разница между промтом, одним агентом и командой агентов лежит в уровне автономности и в том, сколько решений система принимает сама. Промт делает одно действие по одному запросу. Один агент ведёт цепочку решений в рамках одной задачи. Мультиагентная система распределяет разные задачи между несколькими агентами.
| Уровень | Что делает | Пример |
|---|---|---|
| Промт | Один вход, один выход. Человек запускает вручную | «Напиши ответ на это письмо» |
| Один ИИ-агент | Цепочка решений в рамках одной задачи: анализ, выбор действия, проверка. Работает по триггеру | Разбирает заявку и сам решает, ответить или передать менеджеру |
| Мультиагентная система | Несколько агентов, каждый со своей ролью, передают работу друг другу | Один классифицирует заявку, второй обогащает данными, третий готовит ответ |
Главное отличие одного агента от промта: агент запускается автоматически по условию, помнит контекст и сам выбирает действие из подключённых инструментов. Подробнее про эту границу мы разбирали в статье про отличия ИИ-агента от чат-бота.
Мультиагент делает следующий шаг. Вместо того чтобы нагружать один промт десятком правил на все случаи, вы даёте каждому агенту короткую и чёткую инструкцию под его роль. Это снижает путаницу: агент классификации не отвлекается на составление ответа, а агент-редактор не занимается поиском данных. Как писать такую инструкцию, чтобы агент понимал задачу с первого раза, разбирали в гайде про промпт для ИИ-агента.
Из чего состоит команда агентов: роли и паттерны
Команда агентов строится вокруг ролей. Обычно роли повторяются от сценария к сценарию, поэтому удобно опираться на несколько базовых паттернов. Разберём три самых частых.
Первый паттерн: конвейер. Агенты стоят в ряд, и результат одного становится входом для следующего. Заявка проходит через классификацию, потом через обогащение данными, потом через подготовку ответа. Такой порядок удобен, когда шаги идут строго друг за другом.
Второй паттерн: диспетчер и специалисты. Один агент читает входящее и решает, какому специалисту передать задачу. Обращение по оплате уходит агенту по биллингу, вопрос по доставке: агенту по логистике. Это работает, когда входящие бывают разных типов и для каждого нужна своя логика.
Третий паттерн: исполнитель и проверяющий. Один агент делает работу, второй проверяет результат по заданным правилам до того, как он уйдёт клиенту или в CRM. Так ловятся отклонения и снижается риск, что агент отправит что-то лишнее.
Роли можно комбинировать. В реальном сценарии у вас может быть диспетчер на входе, за ним конвейер из двух специалистов, а в конце проверяющий. Начинать стоит с минимума: двух-трёх агентов достаточно, чтобы почувствовать пользу, не запутавшись в связке.
Как несколько агентов работают в связке
Чтобы агенты работали как команда, между ними нужно передавать данные и договориться о порядке запуска. В основе любой мультиагентной системы лежат три механизма: передача результата, память и координация.
Передача результата: выход одного агента подаётся на вход следующего. Агент классификации возвращает тип заявки, и это значение получает следующий агент, который решает, что с ним делать. Данные из предыдущих шагов доступны дальше по цепочке, поэтому агентам не нужно заново запрашивать одно и то же.
Память: агент может помнить контекст между запусками. Это важно, когда команда агентов ведёт диалог с клиентом: агент поддержки должен видеть предыдущие сообщения, а не начинать каждый раз с чистого листа. Про то, как агент опирается на данные компании, мы писали в гайде про обучение ИИ-агента без дообучения модели.
Координация: кто-то должен решать, в каком порядке запускать агентов. В простых сценариях порядок задаёт сама связка: шаги идут сверху вниз. В более сложных первый агент-диспетчер определяет маршрут, а дальше подключаются нужные специалисты.
У агента должна быть команда. Один агент работает, второй проверяет его решения, человек подключается там, где что-то выходит за рамки. Так ловятся отклонения. Полную автономию команде даём в последнюю очередь, когда уже видно, что на простых задачах она не косячит.
Важно помнить про человека. Даже в отлаженной команде агентов стоит оставить точку, где подключается сотрудник: спорные случаи, крупные суммы, нестандартные запросы. Это не признак слабой системы, а нормальная страховка.
Как собрать мультиагентный сценарий в Альбато
В Альбато вы и создаёте ИИ-агентов, и подключаете их к сервисам одной платформой. ИИ-агент здесь: это отдельный шаг внутри связки. Чтобы собрать команду агентов, вы добавляете несколько таких шагов в одну связку и передаёте данные от одного к другому. Программирование не нужно, вся логика собирается визуально.
Вот короткий путь на примере обработки входящей заявки.
- Триггер. Создаёте связку и добавляете триггер: например, новая заявка в CRM или новое сообщение в мессенджере. С этого события начинается работа команды.
- Первый агент: классификация. Добавляете шаг ИИ-агент и выбираете модель. Можно начать со встроенной Альбато AI, без отдельного подключения языковой модели.
- Инструкция для первого агента. В настройках описываете его роль своими словами: прочитать заявку и определить тип обращения. Поля инструкции: до 1 000 символов каждое.
- Второй агент: подготовка ответа. Добавляете следующий шаг ИИ-агент. На вход он получает результат первого агента (тип заявки) и данные из триггера. Его задача: подготовить ответ или действие под этот тип.
- Инструменты. Каждому агенту подключаете действия из каталога (около 5 000 действий): создать сделку, отправить сообщение, обновить поле. Агент сам выберет нужное в зависимости от ситуации.
- Проверка и запуск. Тестируете связку на 5–10 реальных заявках, смотрите по журналу, что делал каждый агент, и корректируете инструкции.
Модель для каждого агента вы выбираете в его настройках. Начать проще со встроенной Альбато AI, чтобы не подключать отдельную языковую модель на старте.
Дальше каждому агенту вы задаёте инструкцию: своими словами описываете, что он должен сделать. Именно короткая и точная инструкция под одну роль отличает команду агентов от одного перегруженного промта.
Затем подключаете инструменты: действия из каталога, которые агент сможет вызывать. Первый агент может обойтись без инструментов и только классифицировать, второму нужны действия в CRM и мессенджере.
В итоге получается связка, где заявка проходит по цепочке агентов: от триггера к классификатору, от него к агенту подготовки ответа и дальше к действию в CRM или мессенджере.
Каждый шаг ИИ-агент тарифицируется как 3 транзакции за запуск. Если моделью выбрана Альбато AI, дополнительно списывается 1 транзакция за каждые 2 000 токенов. Если используете свою внешнюю модель по API-ключу (OpenAI, DeepSeek или Google Gemini), за токены транзакции не списываются. Значит, команда из двух агентов на Альбато AI стоит от 6 транзакций за запуск связки плюс токены.
Когда мультиагент оправдан, а когда хватит одного агента
Мультиагентная система: это не всегда лучший выбор. Она даёт результат на сложных многошаговых процессах, но на простых задачах только усложняет связку и увеличивает расход транзакций.
Команда агентов оправдана, когда в сценарии несколько разных подзадач.
Мультиагент имеет смысл, если:
– в сценарии несколько разных подзадач, которые тяжело описать одним промтом;
– входящие бывают разных типов и требуют разной логики;
– нужен отдельный контроль качества перед действием;
– один агент уже перегружен инструкциями и начал путаться.
Одного агента достаточно, когда задача линейная и умещается в одну понятную инструкцию: разобрать заявку и завести её в CRM, ответить на типовой вопрос, отправить уведомление. Добавлять сюда вторую роль незачем.
Если задача вообще не требует понимания смысла, а сводится к переносу данных по чётким правилам, ИИ-агент может быть лишним. С такой работой справится обычная связка без агентов. Про этот выбор мы подробно писали в материале о том, когда ИИ-агент не нужен.
Логика та же, что при найме. Пока с работой справляется один сотрудник, второго не берут. Команду собирают, когда объём и разнообразие задач перерастают одного человека.
Риски и ограничения мультиагентных систем
У команды агентов есть свои сложности, и о них честно стоит знать до запуска. Чем больше агентов в связке, тем внимательнее нужно следить за качеством и расходами.
Первый риск: накопление ошибок. Если первый агент ошибся в классификации, второй получит неверный вход и продолжит работать с ошибкой. Поэтому проверяющий агент или контрольная точка с человеком особенно важны в длинных цепочках.
Второй риск: стоимость. Каждый шаг ИИ-агент стоит транзакции. Команда из четырёх агентов расходует заметно больше, чем один. Перед запуском посчитайте, сколько запусков в день будет у связки и во сколько это обойдётся. Как считать окупаемость, разбирали в статье про расчёт стоимости и ROI ИИ-агента.
Третий риск: непредсказуемость. Языковые модели на одинаковый запрос могут дать разный ответ. В стандартных процессах, где нужен один и тот же результат каждый раз, это создаёт сложности. Чем больше агентов, тем больше точек, где может проявиться разброс. Помогают жёсткие ограничения в промте и проверка результата.
Четвёртый момент: сложность отладки. Когда агентов несколько, найти, на каком шаге что-то пошло не так, труднее. Здесь выручает журнал связки: по нему видно, что делал каждый агент, какие данные получил и какое действие выбрал.
Частые вопросы
Что такое мультиагентная система простыми словами?
Это сценарий, где несколько ИИ-агентов решают общую задачу, разделив её на части. Каждый агент отвечает за свой участок: один разбирает запрос, другой ищет данные, третий готовит ответ. Вместе они закрывают весь процесс, а по отдельности каждый работает точнее, потому что задача у него узкая.
Чем мультиагентная система отличается от одного ИИ-агента?
Один агент ведёт всю задачу сам по одной инструкции. Мультиагентная система делит задачу между несколькими агентами, у каждого своя роль и короткий промт. Это удобнее, когда сценарий состоит из разных подзадач, которые тяжело уместить в один промт без путаницы.
Нужно ли уметь программировать, чтобы собрать команду агентов?
Нет. В Альбато ИИ-агент: это шаг внутри связки, а команда собирается из нескольких таких шагов визуально. Вы описываете роль каждого агента своими словами, подключаете нужные действия и передаёте данные между шагами. Программирование не требуется.
Сколько стоит мультиагентный сценарий в Альбато?
Каждый запуск шага ИИ-агент стоит 3 транзакции. Со встроенной моделью Альбато AI дополнительно списывается 1 транзакция за каждые 2 000 токенов. При использовании своей внешней модели по API-ключу за токены транзакции не списываются. Итоговая стоимость зависит от числа агентов в связке и количества запусков в день.
С чего начать, если раньше не собирал ИИ-агентов?
Начните с одного агента на простой задаче: разобрать заявку и завести её в CRM. Когда почувствуете, что промт разрастается и агент путается, добавьте второго и разделите роли. Двух-трёх агентов достаточно для первого мультиагентного сценария, а расширять команду можно постепенно.
Мультиагентная система помогает там, где один агент уже не справляется с разнообразием задач. В Альбато такой сценарий собирается из нескольких шагов ИИ-агент в одной связке, без программиста, а модель можно взять встроенную и не подключать отдельную языковую модель.
