Многоагентные AI-системы: когда один агент — это мало
Зачем разбивать процесс на нескольких специализированных агентов, как их оркестровать через LangGraph, и почему human-in-the-loop критичен для B2B-задач.
Один LLM-агент, который «делает всё» — это антипаттерн. Чем больше задач в одном промпте, тем хуже модель справляется с каждой. Многоагентные системы решают проблему: каждый агент узкоспециализирован, а оркестратор их координирует. Разбираем архитектуру на реальном кейсе.
Почему один агент не справляется
Промпт на 2000 токенов с 10 задачами — это лотерея. Модель забывает середину, путает контекст, галлюцинирует на сложных шагах. Мы пробовали сделать одного «супер-агента» для генерации КП — точность была 60%, unacceptable для B2B. Разбивка на 4 узких агента подняла точность до 98%.
Лучший промпт — короткий промпт. Лучший агент — агент, который делает одну вещь.
Архитектура с оркестратором
Центральный агент-диспетчер (orchestrator) на LangGraph получает задачу, решает какие специализированные агенты вызвать, собирает их ответы и формирует результат. Каждый под-агент имеет свой промпт, свою LLM (можно разную по цене/качеству), свой набор инструментов. Оркестратор хранит состояние (state) — что уже сделано, что осталось.
- Агент-парсер — извлекает данные из CRM/API
- Агент-калькулятор — считает цены, налоги, скидки
- Агент-логист — сроки и стоимость доставки
- Агент-генератор — собирает финальный документ
- Оркестратор — координирует, передаёт state между агентами
Human-in-the-loop — критично для B2B
В B2B цена ошибки высока: КП на 10 млн с ошибкой в скидке — катастрофа. Поэтому перед финальной генерацией оркестратор приостанавливается и отправляет черновик человеку на подтверждение. Менеджер видит структурированный результат работы агентов, правит если нужно, жмёт «Подтвердить». Только после этого агент-генератор создаёт чистовик.
Это снимает главный страх перед AI: «а вдруг он наделает ошибок, а мы не заметим». С human-in-the-loop ответственный человек всегда в контуре, AI лишь ускоряет рутину. В нашем кейсе дистрибьютора это подняло доверие отдела продаж с нуля до полного принятия за 3 недели.
Минусы многоагентности
- Сложнее дебажить — цепочка вызовов, нужно трейсить каждый агент
- Дороже — больше вызовов LLM, больше токенов
- Выше задержка — 4 агента последовательно это 4–12 секунд
- Нужен LangGraph или аналог, это кривая обучения
Поэтому многоагентность оправдана только для сложных процессов с 3+ шагами. Для простого чата поддержки это overkill — там один RAG-агент справится лучше и дешевле.
Хотите так же у себя в компании?
Расскажите задачу — проведём бесплатный AI-аудит и предложим решение с расчётом окупаемости.
