Мультиагентные системы на основе LLM: как работают и зачем нужны

Однако LLM не всесильны. Например, они не могут самостоятельно справляться с многокомпонентными задачами, для решения которых нужно действовать поэтапно или координировать параллельные процессы. К тому же сегодняшние модели искусственного интеллекта часто ошибаются, их ответы приходится проверять. 

Чтобы извлечь максимум выгоды из возможностей LLM, на их основе разрабатываются AI-агенты — автономные системы, которые используют большие языковые модели для достижения разных целей, будь то запрос данных, их анализ или даже принятие решений без вмешательства человека. А сети таких агентов, где каждый выполняет часть работы в рамках одной задачи, называются мультиагентными системами (Multi-agent system, MAS).

О том, что такое мультиагентные системы, как они устроены, в чем преимущества и особенности их использования, а также что можно делать с их помощью уже сегодня, поговорим в этой статье.

В середине 2025 можно утверждать, что этот год — год AI-агентов и мультиагентности. Об этом, например, говорит исследование «3х10 трендов 2025 года» Ассоциации Финтех, в котором технологический тренд на AI-агентов занимает второе место сразу после тренда на генеративный искусственный интеллект. 

Потенциал в этих направлениях видят все: большинство амбициозных IT-разработчиков уже предложили или готовят к запуску своих агентов и мультиагентные системы, а бизнес старается оперативно внедрять лучшие решения, чтобы в числе первых повысить свою эффективность с новыми инструментами. 

Что же такое AI-агенты и мультиагентные системы? AI-агенты — это цифровые сущности, помещенные во внешнюю среду и способные взаимодействовать с ней, совершая автономные рациональные действия. Они умеют реагировать на изменения в среде, а также планировать некоторые действия наперед и продуктивно общаться с другими агентами и людьми. А объединение таких агентов для решения общей задачи — это уже мультиагентная система.

Кстати, первые мультиагентные системы стали появляться задолго до LLM. Например, в логистике с помощью такой системы бизнес может управлять работой одного склада (микроуровень) и контролировать цепочку поставок на разных этапах (макроуровень). А еще системы агентов с 90-х годов используются в космической индустрии для управления удаленными зондами на орбитах планет и марсианскими роверами. 

Сегодня так много о мультиагентных системах говорят из-за активного развития искусственного интеллекта. Его возможности позволили сильно упростить процесс создания таких систем и начать применять их для решения самых разных задач. 

Итак, давайте немного повторится и запомним, что мультиагентная система генеративного искусственного интеллекта (GenAI) — это система, работа агентов которой основана на алгоритмах машинного обучения для создания (генерации) новых данных.

В отличие от традиционных MAS мультиагентные системы GenAI могут не только взаимодействовать и решать задачи коллективно, но и самостоятельно генерировать новые решения и подходы. Они используют сложные методы глубокого обучения (Deep Learning, DL) для самообучения, адаптации и инновационного решения проблем, демонстрируя высокую степень автономии и эффективность в обработке сложных данных.

Теперь подробнее остановимся на том, как устроены мультиагентные системы. Поговорим про самих AI-агентов, среду, в которой они взаимодействуют, а также о том, с помощью чего между ними выстраивается общение. 

Агенты

Как мы уже не раз говорили выше, агенты — это самостоятельные системы, которые обладают способностью к целеполаганию, способны договариваться с другими агентами и выполнять комплексные задачи. Есть много классификаций агентов, в числе которых: 

• Простые реактивные агенты. Реагируют на текущие изменения среды и не способны сохранять данные в памяти. 

Пример: кондиционер, который удерживает температуру в помещении на заданном уровне. 

• Агенты, способные запоминать (model-based). Такие агенты могут учитывать приобретенный ранее опыт и, используя его, координировать действия.

  Пример: робот-пылесос с картой квартиры, который помнит, где уже убрался. 

• Агенты, направленные на достижение цели (goal-based). Координируют поведение в зависимости от поставленной цели. 

Пример: GPS-навигатор, который выстраивает маршрут следования к пункту назначения в зависимости от местоположения автомобиля. 

• Агенты, нацеленные на получение максимальной пользы (utility-based). Могут планировать и просчитывать возможные варианты тех или иных ситуаций, предполагая, какие из действий приведут к большей пользе, например, росту прибыли или повышению эффективности.

Пример: бот для трейдинга, который может анализировать рынок, автоматизировать сделки, оптимизировать торговые стратегии. 

• Обучающиеся AI-агенты. Основаны на искусственном интеллекте и — в отличие от AI-помощников, которые выполняют задачи по запросу пользователя — могут самостоятельно выполнять задачи, принимать решения и взаимодействовать с пользователями или другими сервисами для достижения поставленных целей.

Пример: виртуальные ассистенты, чат-боты, интеллектуальные рекомендательные системы, системы автоматизации бизнес-процессов, которые обучаются через MCP-серверы и настройку системного промпта.

Агент-координатор

Роль координатора поведения AI-агентов внутри MAS принадлежит специальному агенту-координатору. Отвечает за:

• пошаговое выполнение текущей задачи агентами;

• целостность баз данных на уровне группы и их своевременную актуализацию; 

• подготовку диалоговых форм для поиска информации в интернете. 

Среда

Из примеров выше видно, что логика работы AI-агентов базируется на их взаимодействии со средой. Выглядит это примерно так: 

То есть при взаимодействии со средой агент действует пошагово: 

• сперва агент распознает смысл текста, документов и пользовательских данных, используя эмбеддеры — векторы, которые представляют текстовые данные в числовом формате;

• затем интерпретирует данные, используя LLM; 

• далее принимает решение и выбирает, что делать с помощью алгоритмов планирования — механизмов ML Inference; 

• выполняет нужные действия с помощью function calling — механизма, который позволяет модели вызывать внешние API и инструменты для выполнения задач.

Инструменты для коммуникации с внешним миром

С внешним миром AI-агенты коммуницируют с помощью специальных инструментов — AI Tools. Они превращают AI-агентов в акторов, которые не только обрабатывают запросы, но и реагируют на них действиями в цифровой среде. Используя их, агенты могут: 

• анализировать обращения, вытягивать данные из базы знаний и выдавать релевантные ответы при решении задач клиентской поддержки;

• анализировать данные о клиентах и отправлять персонализированные предложения в продажах;

• собирать и структурировать данные для отчетов в бизнес-аналитике. 

На фоне роста популярности мультиагентных систем про их возможности и преимущества не говорит только ленивый. Разберемся ниже, в чем они заключаются, а также посмотрим, какие ограничения характерны для MAS на текущий момент. 

Преимущества мультиагентных систем

Среди преимуществ мультиагентных систем важно отметить следующие: 

• Сфокусированность. Каждый агент эффективно решает конкретную задачу. 

• Параллельный запуск. Мультиагентная система может запускать нескольких агентов одновременно — вместе они лучше будут выполнять поставленную задачу.

• Реализация комплексных сценариев. Компании и предприятия могут ускорять бизнес-процессы и сокращать операционные затраты, прицельно используя скоординированных агентов внутри MAS.

• Гибкое моделирование бизнес-процессов. Чтобы решить многокомпонентную задачу с помощью мультиагентной системы, можно сегментировать ее на подзадачи и распределить их между агентами. 

• Создание геораспределенных агентов. Внутри одной MAS могут быть запущены географически распределенные AI-агенты, работающие на разных серверах. Например, это удобно в том случае, если бизнес использует гибридный способ организации облачной инфраструктуры. 

В совокупности эти преимущества помогают бизнесу повышать эффективность любых процессов на всех этапах от планирования до реализации за счет балансирования интересов сторон, вовлеченных в процесс. Проще говоря, большим компаниям со сложной разветвленной структурой мультиагентные системы дают возможность выстроить ясное взаимодействие между подразделениями и наладить продуктивную коммуникацию с клиентами. 

Ограничения

В списке ограничений мультиагентных систем можно обозначить такие: 

• Сложность координации работы агентов внутри MAS. Представьте, что вы дирижер, который управляет оркестром: если вам нужно контролировать партии одного-двух музыкантов — это относительно просто. Но чем больше инструментов присоединяется к работе, тем сложнее ими управлять. То же с мультиагентными системами: чем их больше, тем труднее добиться согласованной работы.  

• Каскадные отказы в ответ на единичные сбои. Если в работе одного агента происходит сбой, он может провоцировать возникновение неконтролируемых отказов по всей мультиагентной системе. 

• Сложности масштабируемости. Многокомпонентность мультиагентной системы делает ее производительность непредсказуемой. На нее влияет много факторов: изменения среды, возможности и скорости обучения агентов, сетевые задержки и проблемы во взаимодействии между агентами, неожиданное поведение агентов на фоне сложных взаимодействий между ними. 

• Непредсказуемые финансовые затраты. MAS потребляют много токенов, то есть специальных цифровых единиц, которые необходимы для выполнения операций. Это может приводить к увеличению расходов на использование таких систем.

• ДУязвимость. Мультиагентные системы подвержены кибератакам из-за своей архитектуры, сложности и взаимозависимости агентов.

• Трудности мониторинга. Так как MAS работает автономно и изменчиво, то настройка корректного мониторинга всех процессов становится непростой задачей. 

Спектр применения мультиагентных систем обширен. По сути их можно использовать в любой индустрии и для нужд любой компании, где требуется: 

• Организация поддержки пользователей и повышение качества клиентского сервиса. Мультиагентные системы могут обрабатывать запросы, снижая нагрузку на операторов и уменьшая влияние человеческого фактора. А еще они способны анализировать предыдущих обращений клиентов и составлять персонализированные предложения на его основе. 

• Улучшение метрик продаж и маркетинга. Здесь мультиагентные системы тоже помогут с анализом клиентского поведения и созданием индивидуальных предложений. А также пригодятся для автоматизированного создания маркетингового контента: email-рассылок, баннеров и многого другого.

• Повышение качества финансово-аналитических процессов. При анализе транзакций, фрод-мониторинга и автоматизации задач инвестирования мультиагентные системы тоже будут полезны. 

• Оптимизация внутренних бизнес-процессов компаний и предприятий. Мультиагентные системы помогут комплексно улучшить взаимодействия внутри организации: подготовить метрики и дашборды, ускорить составление документации, синхронизировать календари. 

Запускать мультиагентные системы, решая весь цикл ML-задач, бизнес и разработчики легко могут с помощью Cloud.ru Evolution AI Factory — цифровой среды нового поколения для создания, запуска и масштабирования приложений на базе GenAI. В ней вы найдете все, что нужно для работы с машинным обучением, MAS и LLM: от запуска инференса до тонкой настройки и построения комплексных агентных решений.

В составе Cloud.ru Evolution AI Facrory шесть готовых сервисов: 

• Evolution Foundation Models — сервис с популярными AI-моделями, доступными по API;

• Evolution ML Inference — сервис для развертывания ML-моделей;

• Evolution Managed RAG — готовый сервис для Retrieval Augmented Generation;

• Evolution ML Finetuning — сервис для быстрой адаптации LLM-моделей;

• Evolution Notebooks — среда визуализации данных и работы с кодом Jupyter Notebooks как сервис;

• Evolution AI Agents — сервис для создания AI-агентов, работающих автономно.

Отметим, что в работе с этими сервисами пригодятся: 

• Навыки программирования и devops. Помогут в развертывании MCP-серверов, нужных для обмена данными между моделями искусственного интеллекта и внешними системами.

• Навыки промпт-инжиниринга. Без продуманных промптов агенты могут сильно галлюцинировать, генерируя неточную или не связанную с запросом информацию.  

Чтобы самостоятельно оценить наши сервисы, выбирайте подходящие инструменты и тестируйте на своих проектах. А если возникнут вопросы, пишите нашему AI-помощнику или обращайтесь в поддержку по почте support@cloud.ru. 

Evolution ML Inference

Cервис для запуска и развертывания моделей машинного (ML) и глубокого обучения (DL) в облаке

Важно понимать, что мультиагентные системы — это не просто тренд, о котором завтра забудут. Это стратегический шаг для технологии, за развитием которой будущее всего мира. Что же дальше? 

Повышение автономности

Нет сомнений, что уже в ближайшем будущем мультиагентные системы станут более самостоятельными, научатся принимать решения и адаптироваться к изменениям в режиме реального времени. Это позволит делегировать им такие сложные задачи, как управление цепочками поставок без вмешательства человека или оптимизацию логистических маршрутов в зависимости от состояния трафика. 

Интеграция с другими технологиями

В будущем MAS начнут теснее работать совместно с привычными бизнес-системами, такими как системы планирования ресурсов компании (ERP) и управления взаимоотношениями с клиентами (CRM). С помощью мультиагентных систем эти программы смогут самостоятельно анализировать данные и выполнять целевые действия автоматически без вмешательства человека. 

Потенциальные перспективы

Несмотря на то, что возможности мультиагентных систем уже сейчас обширны, в дальнейшем их станет только больше. MAS смогут анализировать приобретенный опыт за счет развития долговременной памяти и действовать на его основе. 

В 2025 году на пути развития технологий искусственного интеллекта мы переходим из эры нейросетей-«болталок», которые нам знакомы с 2022 года, в эру мультиагентных систем, которые могут выполнять реальную работу. С их помощью уже сегодня можно создавать действительно умные и адаптивные решения для задач бизнеса в любой отрасли.