Мультиагентные системы и A2A-протокол: как построить автономную команду ИИ-сотрудников

Мультиагентные системы (MAS) — это несколько ИИ-агентов, которые работают вместе. Каждый имеет свои задачи в системном промпте, автономно воспринимает окружение, ищет и анализирует информацию, принимает решения. При этом они взаимодействуют друг с другом, как команда «живых» специалистов. Например, один агент собирает данные, другой их обрабатывает, третий — передает пользователям или системам. Таким образом задачи решаются почти без вмешательства людей. 

В зависимости от архитектуры мультиагентные системы могут быть двух типов:

• Централизованные — с агентом-оркестратором, который координирует всех исполнителей (именно такая архитектура описана в статье далее).

• Децентрализованные — где агенты взаимодействуют напрямую друг с другом без единого координатора, используя принципы самоорганизации (иногда это называют роевым интеллектом, Swarm Intelligence).

Большинство современных бизнес-решений, включая рассматриваемую ниже архитектуру Orchestrator → Workers → Critic, относятся к централизованному типу.

Чтобы агенты совместно решали многоэтапные задачи, нужна оркестрация. Она обеспечивает управление мультиагентными системами и координацию ИИ-помощников. Однако при масштабировании MAS может возникнуть проблема интероперабельности. То есть агенты, созданные на разных фреймворках, не будут взаимодействовать «из коробки» без адаптеров, поскольку задействуют разные транспортные протоколы и API. 

A2A построен на основе:

• JSON-RPC 2.0 — для структурированного обмена командами и ответами;

• HTTP/HTTPS — в качестве транспортного протокола;

• Server-Sent Events (SSE) — для потоковой передачи данных (стриминга) и асинхронных уведомлений.

Протокол определяет:

• жизненный цикл задачи (Task Lifecycle) с состояниями: SUBMITTED → WORKING → COMPLETED / FAILED / CANCELED, а также прерываемыми состояниями INPUT_REQUIRED и AUTH_REQUIRED для задач, требующих вмешательства пользователя;

• формат сообщений (Messages) и артефактов (Artifacts);

• механизм обнаружения агентов через Agent Cards;

• поддержку трех механизмов получения обновлений о статусе задачи: Polling (периодические запросы), Streaming (SSE в реальном времени) и Push-уведомления (webhook-механизм для асинхронных задач).

Без A2A каждый агент будет «говорить» на своем языке, непонятном другим. A2A задает общие правила общения, благодаря чему ИИ-помощники от разных платформ и компаний могут работать вместе и обмениваться задачами. 

Распространенная архитектура мультиагентных систем: Orchestrator → Workers → Critic. Она напоминает структуру обычной штатной команды, где есть руководители, сотрудники разных отделов и проверяющие. В MAS эти роли выполняют агент-менеджер, агенты-исполнители и агент-критик.  

Агент-Менеджер (Orchestrator)

Это главный координатор. Он получает задачу, разбивает ее на шаги и распределяет между исполнителями. Например, для аналитического отчета: один агент собирает данные, второй проверяет их, третий готовит финальный материал. В конце менеджер проверяет, все ли сделано.

Он также отслеживает статус работы, передает контекст между агентами и при необходимости перезапускает этапы.

Агенты-Исполнители (Workers)

Это агенты, которые решают конкретные задачи, применяя собственные наборы инструментов для работы — тулсеты (Tooling). У каждого исполнителя своя область ответственности — поиск информации в интернете, работа с корпоративными базами данных, написание кода, выполнение SQL-запросов, взаимодействие с API сервисов и прочее. Благодаря такому подходу агентам не нужно хранить в контексте полную цепочку действий, за счет чего повышается точность выполнения задач. 

Главная задача ИИ-исполнителей — автоматизировать многоэтапные и рутинные процессы. Агенты работают по четким сценариям с конкретными инструментами.

Если бизнес-процесс меняется, не нужно дообучать модель — это дорого и сложно. 

Достаточно:

• скорректировать системный промпт агента;

• обновить его набор инструментов (tools);

• изменить пайплайн оркестрации — последовательность и условия выполнения задач.

Дообучение (fine-tuning) применяется только в исключительных случаях, когда требуется кардинально изменить знания или поведение самой LLM.

Агент-Критик (Refiner)

Это агент в мультиагентной системе, оценивающий качество выполнения задач исполнителями. Он выявляет ошибки, дает обратную связь по результатам, отвечает за валидацию ответов перед выдачей пользователю. 

Агент-критик получает от исполнителей готовую работу и отвечает на вопрос «что неправильно». Например, ищет неэффективные алгоритмы, несостыковки, логические ошибки, несоответствия заданным критериям. В некоторых архитектурах он может предлагать варианты исправления. 

Схема иерархии агентов:

Для пользователя работа MAS выглядит просто — поставил задачу и получил результат. На самом деле внутри системы происходит цепочка взаимодействий — агенты распределяют обязанности, обмениваются данными, исправляют ошибки. В этом помогает A2A. 

Постановка задачи: превращение размытого промпта в четкое ТЗ для под-агентов

Пользовательские запросы иногда звучат расплывчато, например, «смоделируй стратегию развития компании на основе данных о конкурентах и тенденций рынка». Чтобы агенты выполнили задачу правильно, им нужны четкие инструкции. 

Агент-оркестратор анализирует цель запроса, определяет этапы работы и формирует задания для исполнителей. Так вместо размытого промпта появляются конкретные шаги — собрать данные о рынке, изучить конкурентов, найти релевантные решения, структурировать информацию и подать в виде понятного документа. 

Итеративность: как агенты уточняют друг у друга информацию без участия человека

Исполнители в мультиагентной системе редко работают по схеме «получил ТЗ — выдал результат». Нужна дополнительная информация, которую можно получить от других агентов. Например, агент-аналитик обнаружил, что мало данных об одном из конкурентов. Он отправил запрос агенту-парсеру, отвечающему за изучение рынка. Получив дополнительные данные, аналитик автоматически продолжил работу. 

Обмен информацией происходит благодаря A2A. С помощью протокола агенты могут:

• передавать друг другу задачи;

• уточнять детали;

• обмениваться промежуточными результатами;

• дополнять ответы других агентов и другое.

Протокол A2A в автономных ИИ-системах позволяет строить длинные рабочие цепочки. Обмен данными происходит с помощью стандартизированных форматов, где четко прописаны контекст, задачи, исполнители и характер ожидаемых ответов. Эта особенность делает мультиагентные системы мощным инструментом для бизнеса, поскольку человеку не нужно постоянно вмешиваться в сложные процессы и контролировать каждый этап.

Обработка ошибок: что происходит, если один агент «упал» или выдал ошибку

Ошибка одного агента не должна тормозить цепочку процессов. Автоматически обнаружить проблемы и сбои помогают механизмы self-healing (самовосстановления) — когда система сама находит и исправляет ошибки без участия человека. Благодаря им оркестратор фиксирует проблему, перенаправляет задачу другому агенту, запускает повторную попытку или меняет план выполнения.

Также в мультиагентных системах реализованы проверка состояния команды, валидация результатов и контроль времени выполнения задачи. Если агент-исполнитель выдал ошибку, за него берётся агент-критик. Схема следующая: получение материала → проверка → возвращение на доработку → повторная проверка → передача работы оркестратору. Таким образом значительную часть технических и логических ошибок можно найти и исправить автоматически.

Мультиагентные системы — не универсальное решение для всех компаний. Они нужны там, где постоянно есть сложные и многошаговые задачи. Чек-лист подскажет, пора ли смотреть в сторону MAS. 

Признак 1: задача требует доступа к 3+ разным API или базам данных

• Для выполнения бизнес-процессов нужны разные источники данных — CRM, системы аналитики, базы данных (БД), веб-сервисы.

• Один агент не успевает быстро переключаться между источниками.

• Часто возникают ошибки при сборе и синхронизации данных.

• Нужно разделить процессы сбора, обработки и анализа информации.

Признак 2: бизнес-процесс состоит из четких этапов

• Бизнес-задачи можно разбить на несколько понятных последовательных шагов. 

• Есть стабильный четкий пайплайн. 

• На каждом этапе нужны разные навыки и инструменты.

• От результата одного этапа зависит выполнение следующего.

Признак 3: высокая цена ошибки 

• Ошибки выполнения бизнес-процессов могут привести к репутационным рискам и финансовым потерям. 

• Нужна обязательная проверка результатов. 

• Необходимо минимизировать вероятность ошибки перед отправкой данных пользователю.

Для наглядности — сравнение одиночных ИИ-помощников и мультиагентных систем для бизнеса. 

Для создания мультиагентных систем используются разные платформы и фреймворки. Вот самые распространенные и их основные области применения:

Маркетологам нужно выпускать статьи, запускать рекламу и анализировать результаты. Для этого они собирают данные, изучают конкурентов, создают контент и проверяют его. Даже в слаженной команде проект может занять недели или месяцы. 

Внедрение мультиагентной системы позволит автоматизировать большую часть задач. Например, ИИ-помощникам можно поручить подготовку материалов и контент для рекламной кампании. Один агент соберет данные, второй — проанализирует конкурентов, третий — напишет текст, четвертый — найдет в материале ошибки. Агент-оркестратор будет координировать все процессы и отвечать за итоговый результат. 

При всех плюсах и возможностях мультиагентных систем, перед их применением стоит изучить потенциальные проблемы. 

Токенная инфляция: как не разориться на бесконечных диалогах между агентами

Постоянные циклы коммуникации между агентами приводят к немалым затратам. Чем длиннее цепочка взаимодействия — тем выше расходы. Что поможет оптимизировать бюджет:

• Кеширование системных промптов (system prompt caching) — использование неизменяемых системных инструкций, которые многие LLM-провайдеры кешируют для снижения стоимости повторяющихся запросов. 

• Минималистичные форматы данных. Передача ключевых переменных в JSON вместо общения полными предложениями. 

• Лимит на количество итераций. Сокращение цикла обмена данными, например, до 3-5 запросов.

Дополнительно можно настроить агентов так, чтобы они обобщали и сжимали историю переписки перед отправкой другим участникам MAS. 

Бесконечные циклы: агенты постоянно переспрашивают друг друга

Проблема «зацикливания» — когда агент A ждет уточнение от агента B, B — контекст от A или оркестратора, а оркестратор — результат от исполнителя A. В итоге никто не делает финального шага, потому что каждый считает, что данных недостаточно. Агенты могут повторять одни и те же действия без прогресса, пока не будет достигнут лимит бюджета или времени.  

Нивелировать проблему позволяют: 

• определенное количество итераций между агентами;

• тайм-ауты на каждый шаг;

• правила, обязывающие агента принять решение даже при неполных данных.

Можно настроить систему так, что оркестратор при необходимости будет принудительно завершать процессы. Есть вероятность получить неидеальный результат, зато агенты перестанут бесконечно уточнять данные. 

Безопасность: риск выполнения несанкционированных действий 

Агенты получают доступ к разным инструментам, базам данных, API. С этим связана уязвимость Prompt Injection (внедрение промпта) , которую злоумышленники могут проэксплуатировать для атак на автономные ИИ-системы.

Для снижения рисков можно изолировать инструменты, разделить права доступа между агентами, обеспечить фильтрацию входящих данных и аудит запросов. Помогает и валидация критических действий через оркестратора. 

Сейчас разработчики смотрят в сторону создания цифровых команд, где агенты будут брать на себя серьезные бизнес-функции. Рассмотрим тренды и прогнозы. 

Концепция «ИИ-сотрудника» с постоянной памятью

Агенты в MAS умеют работать с разными инструментами и выполнять сложные задачи, но после завершения сессии могут частично терять контекст. Чтобы этого не происходило, разработчики развивают помощников с постоянной памятью. Такие агенты смогут запоминать инструкции пользователей, предыдущие проекты и результаты. При последующих похожих обращениях не нужно будет заново объяснять задачи. 

В основе концепции — механизмы долговременной памяти, которые часто реализуются с помощью векторных баз данных (Vector Database) и технологии управления контекстным окном (Context Window). Vector DB расширяет доступную память, Context Window определяет, сколько данных агент может обработать за раз.

Прогноз: как изменится работа через 2–3 года благодаря стандартизации A2A

Одна из главных проблем мультиагентных систем сейчас — сложности с взаимодействием агентов разных платформ. Эту проблему решает A2A — открытый стандарт, поддерживаемый более чем 150 организациями, включая Google Cloud, AWS и Azure. Уже сейчас A2A поддерживается в фреймворках AG2, LangChain и CrewAI. Что это дает:

• компании могут собирать большие команды агентов от разных вендоров; 

• снижается стоимость интеграции новых ИИ-помощников; 

• часть рутинных процессов переходит в автономный режим. 

Стандартизация позволяет создавать рабочие экосистемы, где агенты смогут легче взаимодействовать, выбирать формат работы и распределять задачи. 

Заключение

MAS — не очередной тренд, а новая ступень в масштабировании ИИ-систем. С их помощью компании ммогут выстраивать автономные интеллектуальные инфраструктуры и ускорять рабочие процессы. Это дает основу для нового уровня автоматизации и цифровой трансформации бизнеса.

FAQ 

• Что такое мультиагентная система (MAS)?

  Эта система, где ИИ-агенты работают в команде. У каждого свои задачи и области ответственности. 

• Что означает протокол A2A в ИИ?

  A2A (Agent2Agent) — это открытый протокол, разработанный при участии Google и более чем 150 организаций. Он позволяет ИИ-агентам обмениваться информацией и делегировать задачи независимо от того, на каком фреймворке они созданы. 

• В чем преимущество командной работы агентов перед одним LLM?

  Один помощник не может также эффективно справиться со сложными многошаговыми задачами, как команда агентов. В мультиагентных системах разделяются роли, делегируются задачи, контролируется качество выполнения. 

• Какие фреймворки лучше использовать для создания мультиагентных систем?

  При выборе нужно отталкиваться от задач системы. Часто используют LangGraph, AG2 (ранее AutoGen), CrewAI, OpenAI Agents SDK.

• Сколько стоит содержание мультиагентной системы?

  Основные расходы — это затраты на развертывание, токены, API-вызовы и количество шагов между агентами. Итоговая стоимость зависит от архитектуры системы и целей использования. 

• Нужно ли уметь программировать, чтобы запустить A2A-систему?

  Благодаря готовым платформам, таким как Agent Space, работать с агентами можно через интерфейс чата без глубоких знаний программирования.

  Однако для создания кастомных архитектур с нуля, интеграции A2A в существующие системы или разработки собственных агентов требуются навыки программирования на Python, Java или TypeScript, а также понимание принципов работы LLM, API и протоколов HTTP/JSON-RPC.

• Безопасно ли делегировать задачи ИИ-агентам?

  Да, если корректно настроить ограничения доступа, правила взаимодействия между агентами и проверки результатов. Критические действия лучше контролировать.