Агентные системы: оркестрация нескольких ИИ

Что такое агентная система

Обычный ИИ-ассистент работает по схеме «один вопрос — один ответ». Этого достаточно для FAQ и поддержки. Но реальные бизнес-задачи часто сложнее: нужно собрать данные из трёх систем, проверить факты, составить план и выполнить действия. Один промпт такое не осилит.

Агентная система — это когда ИИ:

1. сам разбивает задачу на шаги;
2. вызывает инструменты (CRM, базу знаний, API);
3. проверяет промежуточные результаты;
4. решает, что делать дальше;
5. возвращает финальный ответ.

Главное отличие — агент принимает решения в цикле, а не один раз. Подробности про «простой» случай — в статье про ИИ-ассистентов.

Когда нужны агенты

Правило простое: если задача умещается в один промпт — агент не нужен. Если требует цикла «подумал → действие → проверка → следующий шаг» — нужен.

Архитектура

Типовая агентная система состоит из ролей:

В простых системах роли объединены (одна модель в разных промптах). В сложных — каждая роль отдельная модель или отдельный сервис.

Схема

Запрос пользователя
        ↓
   Планировщик (LLM)
        ↓
   Шаг 1 → Исполнитель (LLM + tool)
        ↓
   Критик (LLM или правило)
        ↓
   Координатор: успех? 
       нет → повтор / план Б
       да → Шаг 2
        ↓
   ...
        ↓
   Отвечающий → ответ пользователю

Цикл может содержать 3–10 шагов. Каждый шаг — это вызов LLM плюс, возможно, внешний API. Стоимость растёт линейно, поэтому важно ограничивать число итераций.

Инструменты (tools)

Агент может вызывать:

• поиск по базе знаний (RAG);
• запрос в CRM или ERP;
• калькулятор, конвертер валют;
• отправку письма или сообщения;
• генерацию документа по шаблону;
• web-поиск (для РФ — через российские поисковые API).

Каждый инструмент описывается короткой функцией с описанием входа и выхода. Модель выбирает инструмент на основе описания.

Технологии в РФ

Готовых российских SaaS-агентов на рынке мало — чаще собирают в коде на перечисленных фреймворках, подключая отечественные модели. Это вписывается в требования 152-ФЗ — подробнее в «ИИ и персональные данные».

Кейс: обработка сложной заявки

Заявка приходит в свободной форме. Агент:

1. Извлекает реквизиты клиента и потребность.
2. Проверяет по CRM, есть ли уже клиент и активные сделки.
3. Ищет в базе знаний релевантное предложение.
4. Считает стоимость по прайсу.
5. Генерирует КП и отправляет в CRM с задачей менеджеру.

Каждый шаг — отдельный промпт, между шагами — проверка качества. Если что-то не получилось, агент передаёт человеку, а не финализирует брак.

Такая система стоит 400–600 тыс. ₽ за пилот и окупается за 4–8 месяцев на компании с 300+ заявок в месяц. На меньшем объёме — не окупится.

Риски и ограничения

• Стоимость. Каждый цикл — 5–20 вызовов LLM. На больших объёмах счёт за API может быть 100+ тыс. ₽/мес.
• Latency. Цепочка из 5 шагов занимает 20–60 секунд. Для поддержки клиентов это много.
• Сложность отладки. Когда агент ошибся, трудно понять, на каком шаге.
• Расходимость. На сложных задачах агент может уйти в сторону и не прийти к ответу. Нужны ограничения числа шагов.

Когда не внедрять

• Малый объём (меньше 100 задач в месяц) — ручная обработка дешевле.
• Задача умещается в один промпт — это обычный ассистент, не агент.
• Высокие требования к скорости ответа (секунды) — агенты медленнее.
• Низкая зрелость процессов — без чистых данных и API агент работает плохо.

Архитектурные принципы

1. Минимум шагов. Чем короче цикл, тем надёжнее и дешевле.
2. Чёткие роли. Каждый промпт делает одну вещь.
3. Ограничение итераций. Жёсткий лимит, иначе расходимость.
4. Логирование каждого шага. Без логов невозможна отладка.
5. Передача человеку на сомнениях. Лучше перестраховаться, чем довести брак до клиента.

Главное правило агентных систем: сложность — это стоимость. Внедряйте агентов там, где один промпт объективно не справляется, и закладывайте бюджет на отладку и сопровождение, а не только на разработку. Хорошая методология тестирования — в материале «Промпт-инжиниринг для бизнес-задач».