Агенты, мультиагентность и архитектурные паттерны

1. AI-агенты: что это и чем отличаются от просто LLM

До сих пор мы рассматривали LLM как систему «вопрос-ответ»: вы спросили — модель ответила. Это полезно, но ограниченно. Агент (agent) — это следующий эволюционный шаг: система, которая не просто отвечает, а планирует и выполняет многошаговые задачи.

Отличие агента от чат-бота

Минимальные компоненты агента

1. LLM-мозг. Принимает решения на основе контекста и доступной информации.
2. Инструменты (tools). Возможность выполнять действия: поиск, запись, API-вызовы, выполнение кода.
3. Память. Сохранение промежуточных результатов, истории действий, извлечённых фактов.
4. Планировщик. Механизм разбиения цели на подзадачи и их последовательного выполнения.
5. Цикл принятия решений. Наблюдение → Мысль → Действие → Наблюдение → ... (loop, подробнее в следующем разделе).

2. Архитектурный паттерн Loop (Agentic Loop)

Loop (или Agentic Loop) — это центральный архитектурный паттерн любого агента. Это цикл, в котором агент работает: думает, действует, наблюдает результат и решает, что делать дальше.

Классический ReAct Loop

Один из самых популярных вариантов агентного цикла — ReAct (Reasoning + Acting). Агент чередует «мысли» и «действия»:

1. Thought (Мысль): «Мне нужно найти рестораны. Я должен использовать поисковый инструмент.»
2. Action (Действие): Вызов search_restaurants(«Москва, итальянская кухня»)
3. Observation (Наблюдение): Получен список из 12 ресторанов.
4. Thought: «12 — слишком много. Нужно отфильтровать по рейтингу выше 4.5.»
5. Action: Вызов filter_by_rating(min=4.5)
6. Observation: Осталось 3 ресторана.
7. Thought: «Задача выполнена. У меня есть 3 подходящих ресторана. Отдаю результат.»
8. Final Answer: Список с рекомендациями.

Ключевые параметры Loop

3. Архитектурный паттерн Map-Reduce: разбиение сложных задач

Map-Reduce (чанкинг в контексте архитектуры агентов, не путать с chunking документов из RAG) — это подход к решению сложных задач через их разбиение на управляемые фрагменты. Если задача слишком большая для одного прогона агента, chunky-подход предлагает разделить её на этапы и обрабатывать последовательно.

Когда нужен Map-Reduce

• Задача требует обработки 500+ страниц документа
• Нужно проанализировать тысячи записей в базе данных
• Задача не помещается в контекстное окно даже с RAG
• Разные части задачи требуют разных инструментов или промптов

Как работает Map-Reduce: пример

Задача: «Проанализируй годовой отчёт компании на 400 страницах и напиши executive summary на 2 страницы.»

1. Декомпозиция. Отчёт разбивается на секции: финансовые показатели, операционная деятельность, риски, планы.
2. Параллельная обработка. Каждая секция отправляется отдельному агенту (или последовательно одному агенту) с запросом «выдели 3-5 ключевых выводов из этого раздела».
3. Агрегация. Все выводы собираются и передаются агенту-суммаризатору с задачей «собери из этих тезисов целостное executive summary».
4. Финальная полировка. Итоговый текст проверяется на связность, стиль и форматирование.

Map-Reduce vs Loop: ключевые отличия

4. Мультиагентные системы: разделяй и делегируй

Мультиагентная система — это архитектура, в которой несколько агентов работают вместе над общей задачей. Каждый агент специализируется на своём аспекте и взаимодействует с другими.

Зачем нужна мультиагентность

• Специализация. Агент-программист лучше пишет код, агент-тестировщик лучше его проверяет, агент-менеджер лучше планирует. Вместе они эффективнее, чем один универсальный агент.
• Разделение контекста. Каждый агент работает со своим контекстным окном. Не нужно запихивать всю информацию в одну модель.
• Параллелизм. Агенты могут работать одновременно над разными частями задачи.
• Контроль качества. Один агент генерирует, другой проверяет. Это резко снижает количество ошибок.

Типовые роли агентов

Пример: написание курса (как сейчас)

Прямо сейчас этот курс создаётся через мультиагентную систему:

1. Агент-автор пишет содержимое каждого модуля.
2. Агент-ревьюер проверяет на фактические ошибки, логику и понятность.
3. Агент-редактор вносит правки по замечаниям ревьюера.
4. Агент-оркестратор координирует процесс и следит за связностью между модулями.

5. Архитектурные паттерны: какой когда использовать

Мы рассмотрели все основные строительные блоки. Теперь соберём их в систему рекомендаций.

Дерево решений: с чего начать и когда усложнять

Золотое правило архитектуры AI-систем

Чек-лист перед выбором архитектуры

1. Можно ли решить задачу одним вызовом LLM с хорошим промптом?
2. Нужны ли модели внешние данные? (Если да — RAG)
3. Нужно ли модели выполнять действия? (Если да — Function Calling / MCP)
4. Требуется ли несколько последовательных шагов? (Если да — Loop)
5. Настолько ли большой объём данных, что он не влезает в контекст? (Если да — Map-Reduce)
6. Требуются ли принципиально разные компетенции? (Если да — мультиагентность)

6. Итоги курса

Вы прошли путь от «что такое AI» до архитектуры мультиагентных систем. Давайте зафиксируем ключевые выводы всего курса.

• AI — это не магия, а математические системы, которые учатся на данных
• Весь современный AI — узкий; AGI пока не существует
• LLM предсказывают следующее слово — но делают это настолько хорошо, что выглядят разумными
• Промпт-инжиниринг — первый и самый дешёвый способ улучшить качество ответов
• Эмбеддинги превращают текст в числа, сохраняя смысл — основа семантического поиска
• RAG позволяет LLM работать с вашими данными, а не только с памятью модели
• Function Calling и MCP дают LLM возможность взаимодействовать с внешним миром
• Агенты — это LLM с циклом «думай-делай-наблюдай» и доступом к инструментам
• Map-Reduce решает проблему масштаба, разбивая большие задачи на управляемые части
• Мультиагентные системы специализируют агентов и повышают качество через разделение труда
• Главное правило: начинайте с простого и усложняйте только когда это оправдано