Главная

Оркестрация ИИ-агентов: как заставить несколько агентов работать как конвейер

Руководитель спрашивает у ИИ-ассистента: «Почему выручка за октябрь снизилась относительно сентября?» Один агент находит данные, второй анализирует показатели, третий пишет объяснение: продажи упали, потому что закончилась рекламная кампания.

Содержание

При проверке выясняется, что первый выгрузил продажи без возвратов, второй сравнил их с выручкой после возвратов, а третий превратил совпадение дат в причинный вывод. Каждый выполнил свою часть работы, но общий результат оказался неверным.

 

 

Чтобы несколько исполнителей решали одну задачу согласованно, недостаточно назначить им роли. Нужно определить порядок действий, формат передачи данных, проверки и условия остановки. За это отвечает оркестрация ИИ-агентов.

Разберем этот подход на примере анализа выручки: как распределить работу, передать нужные сведения и проверить результат.

Что такое оркестрация ИИ-агентов и когда она нужна

В приложении на базе большой языковой модели (LLM) порядок действий можно задать заранее или поручить модели выбирать следующий шаг с учетом промежуточных результатов.

Давайте определим, когда достаточно заданной последовательности, когда нужен один агент, а когда задачу стоит распределить между несколькими исполнителями.

Цепочка вызовов, один агент или мультиагентная система

Цепочка вызовов выполняет заранее заданные шаги: программа получает таблицу, рассчитывает изменения, отправляет результат модели и проверяет ответ. Ветвления тоже предусмотрены кодом.

Один агент с инструментами выбирает действия в заданных пределах: вызывает инструмент, читает результат и решает, достаточно ли информации. Например, обращается к справочнику метрик, запрашивает данные и проверяет дополнительный срез.

Мультиагентные системы объединяют исполнителей с разными задачами и контекстами. Один исследует данные, другой ищет связанные события в документах. У каждого могут быть свои инструкции, методы и история работы.

Несколько агентов могут использовать одну LLM, а несколько моделей — работать в фиксированной цепочке. Количество моделей не определяет архитектуру.

LLM и агентские системы: от хайпа до рабочих практик

Само понятие многоагентных интеллектуальных систем охватывает разные подходы к совместной работе агентов. В этой статье сосредоточимся на исполнителях на базе LLM, которые могут выбирать следующие действия и обращаться к инструментам для выполнения задачи.

Что контролирует оркестратор

Оркестрация ИИ определяет, как отдельные действия складываются в выполнение задачи. Ее можно реализовать обычным кодом, средствами фреймворка или с участием управляющей модели.

Оркестратор ИИ-агентов управляет порядком шагов, параллельным запуском, передачей контекста, проверками и остановкой. В нашем примере он не разрешает получать данные до согласования метрики и завершает запуск при исчерпании лимитов.

Модель может предложить дополнительное исследование, но лимиты обеспечивает приложение. Если бюджет запросов исчерпан, следующий вызов блокирует код. Одной инструкции «не делай слишком много запросов» недостаточно.

Когда разделение задач оправдано

Агентные ИИ-системы полезны в задачах, где следующие шаги приходится выбирать по ходу работы, с учетом полученных результатов. Часто с этим справляется один агент.

Подключать нескольких исполнителей имеет смысл, когда:

  • задачу можно разбить на независимые части;
  • для работы нужны разные наборы инструментов;
  • материалы удобно изучать по отдельности. 

Разделение также помогает ограничить права. Например, агенту, который ищет информацию в документах, можно не давать доступ к базе данных.

В нашем примере один исполнитель изучает изменения выручки по категориям и регионам, а другой ищет сообщения об акциях и технических сбоях. Затем система сопоставляет расчеты с найденными событиями.

Для задачи «Получить две суммы из известной таблицы и вычислить разницу» достаточно заранее заданной последовательности действий. Дополнительные агенты лишь увеличат число вызовов и риск ошибок.

Базовые паттерны оркестрации: как организовать работу

Паттерны проектирования агентных и многоагентных систем помогают определить порядок действий, распределить задачи и организовать обмен результатами. Эти механизмы можно сочетать. К примеру, супервизор запускает двух специалистов параллельно, а затем передает их ответы на проверку. Вот как устроены основные варианты и какие решения нужно принять разработчику. 

Последовательный конвейер и параллельные ветки

В последовательном конвейере каждый следующий этап использует результат предыдущего. В нашем примере сначала нужно согласовать определение выручки и периоды сравнения, затем получить данные, рассчитать изменения и подготовить объяснение. Нарушение порядка приведет к ошибке: если правила учета возвратов еще неизвестны, запрос может вернуть неподходящие данные.

Не каждый этап требует отдельного агента. Расчеты и формальные проверки можно поручить обычным функциям, а поиск дополнительных сведений — исполнителю, который сам выбирает действия по ходу исследования.

Независимые задачи можно выполнять параллельно. После согласования параметров один специалист исследует изменения выручки, а другой ищет сообщения об акциях и технических сбоях. Но если поиск событий должен учитывать уже найденную проблемную категорию, ему придется дождаться результатов анализа.

Для параллельных веток заранее определяют правила объединения: какие результаты обязательны, сколько их ждать и можно ли подготовить частичный ответ. Например, при недоступности документов система может показать расчеты и сообщить, что проверить возможные причины снижения не удалось.

Супервизор и агенты как инструменты

Супервизор — управляющий агент, который распределяет задачи между специалистами и собирает результаты. Он может выбирать исполнителей по запросу пользователя и уточнять план после получения новых сведений. Например, обнаружив снижение выручки в электронике, поручить дополнительную проверку по регионам.

Специалистов можно подключить как инструменты. Супервизор передает задачу и необходимые данные, исполнитель выполняет работу и возвращает результат. Управление остается у супервизора: именно он решает, продолжать исследование или готовить ответ.

Чтобы схема работала предсказуемо, каждому специалисту задают границы задачи и формат ответа. Например, агент анализа возвращает расчеты и ограничения, а агент поиска — события с датами и источниками. Ограничения времени, числа вызовов и затрат обеспечивает приложение, даже если дальнейшие действия выбирает модель.

Передача управления и групповой чат

При передаче управления, или handoff, другой агент становится активным исполнителем и продолжает работу с заданным контекстом. Например, помощник определяет, что вопрос связан с методикой расчета, и передает диалог специалисту по метрикам. Тот уточняет у пользователя правила учета возвратов и ведет эту часть задачи дальше.

Это отличается от вызова агента как инструмента: там специалист возвращает результат вызывающему, а при handoff получает управление дальнейшим взаимодействием. Поэтому вместе с задачей ему нужно передать цель, уже принятые решения и вопросы, которые осталось выяснить.

В групповом чате мультиагентное взаимодействие строится как обсуждение: участники делятся результатами, задают вопросы и проверяют выводы друг друга. Например, аналитик сообщает о снижении выручки, исследователь документов предлагает возможное объяснение, а проверяющий указывает, каких доказательств не хватает.

Для такого обсуждения нужны правила: 

  • кто получает слово;
  • какие сообщения видит каждый участник;
  • кто формирует итог;
  • когда разговор заканчивается. 

Согласие нескольких агентов само по себе не подтверждает вывод — они могут опираться на один ошибочный источник. Результат обсуждения все равно нужно сверять с данными.

Граф выполнения: переходы, проверки и возврат на доработку

Граф задает порядок работы: узлы обозначают действия, связи между ними — переходы, а условия определяют следующий шаг. В узле может выполняться функция, вызов модели или работа агента.

В нашем примере после согласования параметров запускаются анализ данных и поиск событий. Затем система собирает и проверяет ответ. При ошибке повторяется только нужный этап: расчет, поиск или подготовка текста.

Формат данных и совпадение периодов проверяет код. Обоснованность выводов может оценивать модель, получив расчеты и источники. Правильный формат еще не гарантирует верного содержания.

Число доработок, время и бюджет ограничивают заранее. Если лимит исчерпан, система сообщает о проблеме или обращается к человеку.

Проектируем конвейер на примере анализа выручки

Соберем процесс, который показывает изменение выручки, вклад категорий и возможные объяснения. Начнем с правил расчета, затем определим обязанности исполнителей, формат результатов и реакции на ошибки.

Разделяем задачи между кодом, инструментами и агентами

Для начала зададим общие правила анализа. Все исполнители должны использовать одно определение выручки и одинаковые периоды сравнения.

В нашем примере выручка — продажи после скидок минус возвраты, по дате соответствующей операции; отмены исключаются. Возврат в октябре уменьшает октябрьский показатель, даже если покупка была в сентябре. Такое правило нужно согласовать с владельцем метрики.

Сравниваем полные сентябрь и октябрь 2026 года в рублях и одной временной зоне. При объяснении изменений учитываем разное число дней в месяцах.

Для прототипа выделим двух агентов: один исследует данные, другой ищет события, которые могли повлиять на выручку. Остальные действия распределим между кодом и отдельными вызовами модели.

ЭтапКто выполняетОтветственностьРезультат
Подготовка задачиКод и модель, при необходимости — пользовательОпределить периоды, фильтры и метрику, уточнить неоднозначностиСогласованные параметры анализа
Анализ данныхАгент с SQL- или Python-инструментамиВыбрать срезы, запросить расчеты и изучить изменения показателейРасчеты, ссылки на данные и ограничения анализа
Поиск событийАгент с инструментами поискаНайти события, проверить их даты и применимость к задачеСобытия с источниками и возможные объяснения изменений
Подготовка ответаОтдельный вызов моделиСопоставить расчеты и события, отделить факты от гипотезЧерновик ответа с источниками и оговорками


Самостоятельный выбор действий нужен двум исполнителям: аналитик решает, какие срезы проверить, а специалист по событиям — какие документы искать. Сами расчеты выполняют инструменты. Для подготовки ответа достаточно вызова модели, которая получает собранные результаты.

Всем процессом управляет код оркестратора: запускает этапы, проверяет результаты, выбирает переходы и следит за лимитами. Для проверки содержания можно дополнительно вызвать модель. Супервизора стоит рассмотреть, если выбор подзадач и специалистов потребуется поручить модели.

На схеме показан основной маршрут; промежуточные проверки опущены. Подготовка ответа начинается, когда получены все обязательные результаты обеих веток.

 



При доработке повторяется только нужный этап, а готовые результаты сохраняются. Ошибка в формулировке возвращает задачу к подготовке ответа; нехватка данных — к анализу или поиску событий. Если продолжить работу невозможно, система сообщает, что осталось нерешенным. 

Задаем входы, выходы и проверки этапов

Контракт этапа задает входные данные, формат результата и условия завершения. Он также определяет, как сообщить об ошибке или нехватке информации.

Агент анализа получает определение метрики, периоды, фильтры и разрешенные срезы. Возвращает расчеты, ссылки на данные и ограничения. Допустим, инструменты рассчитали такие значения:

КатегорияСентябрь, млн ₽Октябрь, млн ₽Изменение, млн ₽
Электроника4,02,7−1,3
Товары для дома3,02,5−0,5
Одежда3,02,8−0,2
Итого10,08,0−2,0

Выручка снизилась на 20%. Электроника дала 65% общего снижения: 1,3 млн из 2 млн ₽. Это вклад категории в изменение показателя, а не объяснение причин.

Результат передаем в структурированном виде. Ниже — сокращенный пример: детализация хранится отдельно и доступна по идентификатору из evidence_ids.

 

 

Статус completed означает, что этап закончил работу. После этого код проверяет формат, метрику, периоды и расчеты, загружает детализацию и сверяет ее с итогом. Результат проверки хранится отдельно. При нулевой базе процентное изменение не рассчитывают обычным делением.

Агент поиска возвращает события с датами, источниками и областью действия: категориями, регионами или каналами продаж. Одного сообщения «закончилась акция» недостаточно — нужно понять, относится ли она к анализируемым данным.

Общие определения и проверяемые результаты делают мультиагентную среду управляемой.

Передаем состояние и сохраняем источники

В мультиагентной оркестрации важно различать состояние задачи, контекст вызова и долговременную память.

 

Вид информацииЧто содержит
Состояние задачиПараметры текущего запуска, результаты этапов, статусы проверок, ошибки и использованные лимиты
Контекст вызоваДанные, которые модель получает на конкретном шаге
Долговременная памятьСведения для следующих задач, например предпочтения пользователя



Определения метрик берем из справочника с версиями. Параллельные ветки записывают результаты в разные разделы состояния. Оркестратор ждет все обязательные результаты и проверяет их перед подготовкой ответа. При доработке обновляется только нужная ветка.

Большие выгрузки храним отдельно. Агенты могут получать их через разрешенные инструменты. Для подготовки ответа приложение заранее собирает проверенные расчеты, события и источники в контекст модели.

Полноту данных и ограничения передаем отдельными полями: при сокращении текста такие оговорки легко потерять. Если выгрузка неполная, оркестратор останавливает анализ либо разрешает предварительный ответ с явным предупреждением — в зависимости от правил задачи.

Обрабатываем сбои и подключаем человека

При ошибке повторяем только тот этап, который требует исправления. Реакцию приложения задаем заранее.

ПроблемаРеакция приложения
Временный сбой APIПовторить запрос ограниченное число раз с увеличением интервала
Некорректный формат результатаВернуть на доработку с описанием ошибки
Нет данных по фильтрамСообщить об отсутствии данных, не подменять его нулевым значением
Не совпадают определения метрикиОстановить объединение и уточнить правило
Источники противоречат друг другуПроверить версии, сохранить сведения о конфликте, при необходимости обратиться к человеку
Исчерпан лимит времени или затратОстановиться; выдать проверенную часть результата, если частичный ответ допустим

Лимиты действуют на весь запуск, включая повторные переходы между этапами. Для восстановления после сбоя сохраняем состояние и готовые результаты в постоянном хранилище.

Если добавим отправку отчета во внешний сервис, понадобится защита от повторной отправки. Для этого используют идентификатор операции и сохраненный статус. Восстановление состояния само по себе не исключает повторного внешнего действия.

Человека подключаем для конкретного решения: согласовать метрику, выбрать источник или утвердить отправку. Показываем ему основания и последствия выбора.

Права доступа ограничиваем на уровне приложения и базы. Документы остаются источниками данных: команды внутри найденного текста не должны менять правила работы или полномочия агентов.

Как проверить, что конвейер работает лучше

Мультиагентность должна давать измеримый выигрыш. Сравним архитектуры на одинаковых задачах и оценим весь результат: от корректности цифр до стоимости и времени ожидания.

Сравниваем с цепочкой и одним агентом

Для проверки мультиагентных систем ИИ нужен набор заданий с критериями правильного ответа. Одна успешная демонстрация недостаточна.

Включим снижение и рост выручки, нулевую базу, неполный период, изменение определения метрики, недоступный источник и отсутствие оснований для объяснения причин. Добавим разнонаправленную динамику регионов, которую нельзя скрывать общим резюме.

Сравним фиксированную цепочку, одного агента с инструментами и двух специалистов с оркестрацией. Так проверим, нужны ли самостоятельный выбор действий и разделение контекста.

Используем одинаковые снимки данных, критерии и сопоставимые инструменты. Фиксируем модели и лимиты: преимущество более сильной модели или большего бюджета нельзя приписывать количеству агентов.

Часть заданий оставляем для итоговой проверки, не используя при настройке. Важные сценарии запускаем несколько раз для оценки стабильности. Это методика будущего эксперимента, а не результаты проведенного тестирования.

Измеряем качество, стоимость и задержки

Оценка должна учитывать выполнение задачи целиком. Верный расчет не делает ответ успешным, если объяснение содержит вымышленную причину.

Для нашего конвейера зададим следующие критерии:

ПоказательЧто проверяем
Корректность расчетовВерны ли суммы, разницы и вклады категорий
Соблюдение условийИспользованы ли нужные периоды, фильтры и определение метрики
Обоснованность выводовСвязаны ли утверждения с расчетами и документами
Работа с неопределенностьюУказаны ли пробелы, противоречия и неподтвержденные гипотезы
Стоимость успешной задачиСколько стоят все запуски, включая неудачные, в расчете на один успешный результат
Время выполненияСколько пользователь ждет ответ; как выглядят медиана и медленные запуски
Вмешательства человекаКак часто требуются уточнение, исправление или ручное завершение

Учитываем вызовы моделей, инструменты, хранение и эксплуатацию. Если инфраструктура не включена в оценку, отмечаем это. Стоимость успешного результата рассчитываем с учетом расходов на неудачные попытки.

Многоагентные технологии требуют ресурсов на постановку подзадач, контекст, объединение и проверки. Более быстрый ответ может обойтись дороже.

По журналу выполнения ищем лишние операции: повторное чтение документа можно заменить сохраненным результатом, проверку JSON — кодом. После оптимизации снова оцениваем качество.

Диагностируем потерю контекста и ложные объяснения

Предположим, агент поиска нашел документ о завершении рекламной кампании. Компонент сборки пишет: «Выручка упала на 20% из-за окончания рекламы».

 

Данные подтверждают снижение показателя и завершение кампании. Для причинного вывода нужны дополнительные основания. Корректнее написать: «Основной вклад в снижение внесла электроника. В этот период завершилась рекламная кампания; ее возможное влияние требует отдельной проверки».

Для диагностики записываем входы этапов, версии моделей и инструкций, вызовы инструментов, ссылки на результаты, длительность и причины переходов. Секреты и лишние персональные данные исключаем. Для расследования нужны наблюдаемые действия и основания ответа.

Если оговорка исчезла из результата ветки, исправляем передачу информации. Если была передана, но проигнорирована, — сборку ответа. Ошибочный запрос к данным не исправить редактированием итогового текста.

Согласие нескольких участников тоже не гарантирует правоту: они могут повторить ошибку общего источника. Совпадение ответов не заменяет проверку по данным.

Если каждому постоянно нужен полный контекст остальных, пересмотрите границы задач и сравните систему с одним агентом. Мультиагентные технологии могут терять преимущество из-за постоянного восстановления общего контекста.

Обзор фреймворков для мультиагентной оркестрации

Мультиагентные системы искусственного интеллекта требуют управления состоянием, вызовами инструментов и переходами между этапами. Фреймворки предоставляют готовые механизмы для этих задач, но правила расчётов, проверки результатов и ограничения определяет разработчик. Рассмотрим три подхода к организации работы. 

LangGraph: явный граф и аудируемость выполнения

В LangGraph процесс описывают через состояние, узлы и переходы. В одном графе можно сочетать обычные функции, вызовы моделей и агентов, добавлять ветвления, циклы и остановки для участия человека.

Для нашего примера это позволяет явно задать маршрут: согласовать параметры, запустить анализ данных и поиск событий, собрать ответ и проверить его. При ошибке задача возвращается на нужный этап.

Аудируемость означает возможность восстановить ход выполнения: какие данные получил компонент, какие инструменты вызвал и что вернул. Для этого нужно настроить сохранение состояния и трассировку. Сам по себе нарисованный граф не объяснит, почему в ответ попала неверная цифра.

LangGraph стоит рассмотреть, когда важен точный контроль переходов и состояния. При этом разработчику придётся самостоятельно продумать структуру данных и логику процесса.

CrewAI: ролевая модель и быстрое прототипирование

CrewAI предлагает описывать агентов, их задачи и объединение в команды — Crews. Такой подход удобен для первого прототипа: можно задать аналитика и исследователя документов, назначить им инструменты и ожидаемые результаты.

Для управления процессом предусмотрены Flows: они позволяют связывать этапы, задавать условия переходов и хранить состояние. Поэтому возможности CrewAI не ограничиваются распределением ролей.

В нашем примере роли описывают обязанности двух специалистов, а Flow организует их запуск, проверку результатов и подготовку ответа. При разработке важно не ограничиваться формулировками «ты аналитик» или «ты исследователь»: каждому исполнителю по-прежнему нужны конкретные входы, выходы и критерии завершения.

AutoGen / Microsoft Agent Framework: разговорная координация и преемственность

В AutoGen агенты могут совместно решать задачу, обмениваясь сообщениями и промежуточными результатами. Можно организовать обсуждение, выбирать следующего участника и задавать условия завершения. Это подходит для сценариев, где исполнители уточняют и дополняют результаты друг друга.

Для новых проектов Microsoft направляет разработчиков к Microsoft Agent Framework. Он поддерживает агентов и процессы с явно заданными маршрутами, поэтому его возможности шире группового чата. Для перехода с AutoGen опубликовано отдельное руководство: это самостоятельный фреймворк, а не просто новое название прежней библиотеки.

В нашем конвейере разговорная координация может пригодиться для обсуждения противоречивых находок. Но запуск расчетов, ожидание обязательных результатов и ограничения повторов лучше описать явно. Выбирать групповой чат только ради взаимодействия нескольких агентов необязательно.

Как выбрать фреймворк под свою задачу

Сначала опишите требования к конвейеру, затем проверьте их на небольшом прототипе.

КритерийЧто проверить
Управление процессомМожно ли задать параллельные ветки, ожидание результатов и возврат на нужный этап
Состояние и восстановлениеЧто сохранится после сбоя и какие действия выполнятся повторно
Проверки и участие человекаМожно ли проверить результат, приостановить задачу и продолжить после решения пользователя
НаблюдаемостьВидны ли входы, выходы, вызовы инструментов, ошибки и затраты
ИнтеграцииПоддерживаются ли нужные модели, базы и внешние сервисы
Поддержка проектаНасколько понятны документация, обновления и перенос между версиями

Для нашего примера полезен такой тест: анализ данных завершился, а поиск событий прервался. Проверьте, можно ли повторить только поиск, сохранить расчёты и подготовить ответ после получения недостающих сведений.

Если процесс состоит из нескольких простых шагов, начните с обычного кода. Фреймворк имеет смысл подключать, когда его механизмы упрощают реализацию и сопровождение конкретного конвейера.

От схемы к первому работающему прототипу

За каждым блоком конвейера стоят практические навыки: получить данные, подключить модель, вызвать внешний сервис, проверить формат ответа и разобраться с ошибкой. Без этого даже подробная схема останется набором прямоугольников.

Начните с ассистента, который находит определение выручки в документах и указывает источник. Затем подключите получение агрегатов и проверьте параметры запросов. На работающем примере проще решить, что выделить отдельному исполнителю.

Такую базу помогает освоить курс «Создание ИИ-агентов». Программа рассчитана на тех, кто впервые самостоятельно собирает LLM-приложение: аналитиков, разработчиков, IT-специалистов и продакт-менеджеров с техническим бэкграундом.

На практических вебинарах разбирают сборку ассистента в Langflow, поиск по документам с RAG, локальные модели через Ollama, PostgreSQL с pgvector и подключение внешних инструментов через MCP. В программе также есть небольшие фрагменты JS или Python для управления поведением приложения и Telegram-интерфейс для взаимодействия с агентом.

AI-кейс: как научить бота подбирать корпоративные курсы точно и быстро

Курс дает практику с базовыми компонентами LLM-приложений. Архитектуру из нескольких специалистов затем можно развивать на этой основе, проверяя пользу каждого нового этапа.

Заключение

Чтобы собрать работающий конвейер, определите, какой результат нужен и как его проверить. Затем распределите задачи: расчёты поручите коду, поиск и исследование — агентам, а порядок действий и проверки — оркестратору.

Начните с небольшого проекта: подключите источник данных, настройте инструмент и проверьте ответы на нескольких задачах. Добавляйте новых исполнителей, когда понятно, какую пользу они принесут и как её измерить.

 

Сообщение отправлено!

Ваше сообщение успешно отправлено. Наш специалист скоро свяжется с вами!

Ошибка!

Произошла ошибка при отправке сообщения. Пожалуйста, попробуйте еще раз.