Мультиагентная система - это несколько ИИ-агентов, которые вместе решают одну задачу: каждый отвечает за свою часть работы, а координатор распределяет задания и собирает результат. Такие системы, их еще называют многоагентными, справляются с задачами, которые не помещаются в возможности одного агента: длинными исследованиями, обработкой заявок с проверкой по нескольким системам, подготовкой документов с контролем качества.
Ниже разобрано, из чего состоит мультиагентная система, какие бывают архитектуры, где она окупается, когда лучше обойтись одним агентом, на чем такие системы строят в России и сколько они стоят в эксплуатации.
Что такое мультиагентная система
Удобно представить отдел, где у каждого сотрудника своя роль: аналитик ищет данные, юрист проверяет риски, менеджер собирает итоговый документ, руководитель ставит задачи и принимает работу. В мультиагентной системе эти роли выполняют ИИ-агенты - программы на основе языковых моделей, которые сами планируют шаги, пользуются инструментами и передают друг другу результаты.
Каждый агент получает узкую инструкцию, свой набор инструментов и только тот контекст, который нужен для его части задачи. За счет этого агенты меньше ошибаются, а систему проще развивать: нового специалиста добавляют отдельным агентом, не переписывая остальных. Сам по себе каждый из них устроен так же, как ИИ-агенты для бизнеса, которые работают в одиночку: модель, инструкция и инструменты.
Чем мультиагентная система отличается от одного агента
Один агент последовательно выполняет все шаги сам и держит весь контекст в одном окне. Система агентов делит работу и может выполнять части задачи параллельно. У такого подхода есть и цена: по данным исследования Anthropic, агенты расходуют примерно в 4 раза больше токенов, чем обычный чат, а мультиагентные системы - примерно в 15 раз больше. Основные различия удобно сравнить в таблице:
| Критерий | Один агент | Мультиагентная система |
|---|---|---|
| Какие задачи решает | Последовательные задачи средней сложности | Сложные задачи, которые делятся на независимые части |
| Контекст | Весь в одном окне, может переполняться | У каждого агента свой, только нужный для его роли |
| Скорость | Шаги идут друг за другом | Независимые части выполняются параллельно |
| Расход токенов | Примерно 4× от обычного чата | Примерно 15× от обычного чата |
| Разработка и отладка | Проще | Сложнее: нужно настроить координацию и передачу данных |
| Когда выбирать | Для старта и типовых процессов | Когда один агент перестает справляться с объемом или разнообразием задач |
Из чего состоит мультиагентная система
Архитектуры бывают разными, но почти в любой мультиагентной системе есть одни и те же составные части. Их полезно знать, чтобы обсуждать проект с подрядчиком на одном языке:
- Агенты-исполнители. Каждый отвечает за свою роль: поиск, анализ, проверку, запись в систему, подготовку ответа.
- Координатор (оркестратор). Разбивает задачу на части, раздает их агентам, собирает результаты и решает, что делать дальше.
- Инструменты. API учетных систем, базы данных, поиск по документам и интернету. Для подключения инструментов все чаще используют открытый протокол MCP (Model Context Protocol).
- Общая память. Хранилище, где агенты оставляют промежуточные результаты и откуда берут данные друг друга.
- Протоколы связи между агентами. Для обмена задачами между агентами разных разработчиков появился открытый протокол A2A (Agent2Agent): его представил Google в апреле 2025 года и передал в Linux Foundation.
- Контроль и логирование. Журнал действий каждого агента, лимиты на расход токенов и точки, где решение подтверждает человек.
Как устроены мультиагентные системы: четыре архитектуры
Архитектура определяет, кто кому ставит задачи и как агенты обмениваются результатами. От нее зависят скорость, стоимость и то, насколько систему легко отлаживать. На практике чаще всего встречаются четыре схемы:
| Архитектура | Как работает | Где подходит |
|---|---|---|
| Оркестратор и исполнители | Ведущий агент делит задачу, исполнители работают параллельно, ведущий собирает итог | Исследования, аналитика, подготовка отчетов. Такую схему использует Anthropic в своей исследовательской системе |
| Конвейер | Агенты работают по цепочке: результат одного - вход для следующего | Обработка документов и заявок: распознать, проверить, записать в систему, уведомить |
| Иерархия | Над группами исполнителей стоят агенты-руководители со своей зоной ответственности | Крупные процессы с несколькими направлениями, например продажи и поддержка в одной системе |
| Сеть равных | Агенты общаются напрямую и договариваются без единого центра | Моделирование и эксперименты; в бизнес-процессах встречается редко, потому что сложна в контроле |
Для первого проекта обычно выбирают оркестратора с исполнителями или конвейер. Эти схемы проще контролировать: понятно, какой агент за что отвечает и где искать ошибку, если результат не устроил.
Нужна система агентов под ваш процесс?
Разберем задачу на бесплатной диагностике за 30-60 минут и покажем, хватит ли одного агента или нужна мультиагентная система.
Пример: как работает мультиагентная система Self AI
Разберем реальный проект. Команда Unistory разработала персонального ИИ-ассистента Self AI: он запоминает предпочтения пользователя и подбирает товары, услуги и информацию в интернете с учетом его профиля. Ответ на каждый запрос готовит цепочка агентов с разными ролями:
- Первый агент классифицирует запрос и решает, нужен ли поиск в интернете.
- Второй составляет поисковый запрос, отправляет его в Google и получает результаты.
- Третий проверяет найденные данные: действительно ли они отвечают на вопрос пользователя.
- Четвертый составляет ответ на основе данных из интернета и базы знаний о пользователе.
- Пятый проверяет готовый ответ перед отправкой.
Для работы с моделями используется Ollama - инструмент для запуска языковых моделей, а запросы распределяются между коммерческими и open-source моделями. Такое распределение снижает затраты на запросы и позволяет менять модели без потери качества ответов. Для поиска используется Google SERP API, а сервис подключается к календарям Google и Apple, чтобы ассистент учитывал планы пользователя.
Где бизнесу пригодятся мультиагентные системы
Мультиагентный подход окупается там, где задача естественно делится на роли и каждую роль можно проверить отдельно. Вот сценарии, в которых он встречается чаще всего:
| Сценарий | Какие агенты работают | Что получает бизнес |
|---|---|---|
| Исследования и аналитика | Поиск источников, проверка фактов, сводка | Отчет по рынку или конкурентам за часы вместо дней работы аналитика |
| Поддержка клиентов | Классификатор обращений, агент по базе знаний, агент действий в CRM, контроль качества | Ответы 24/7 с проверкой и передачей сложных случаев оператору |
| Обработка заказов и документов | Распознавание, сверка с договором и остатками, запись в учетную систему | Меньше ручной сверки и ошибок при переносе данных |
| Продажи | Квалификация лида, подготовка предложения, напоминания менеджеру | Быстрая реакция на заявки без роста штата |
| Подбор персонала | Отбор откликов по требованиям, вопросы кандидату, сводка для рекрутера | Рекрутер смотрит только подходящих кандидатов |
Элементы такого подхода есть и в более простых проектах. В LLM-чат-боте для производителя электромонтажных изделий языковая модель сама выбирает, к какому API обратиться за данными об остатках и заказах, а за соблюдением стандартов общения следит отдельный GPT-агент. Когда несколько таких шагов связывают в сквозной процесс, получается ИИ-автоматизация бизнес-процессов.
Когда мультиагентная система не нужна
У мультиагентного подхода есть ограничения. В том же исследовании Anthropic отмечает, что мультиагентные системы пока плохо подходят для задач, где всем агентам нужен общий контекст или между агентами много зависимостей. К этому добавляется расход токенов в 15 раз больше обычного чата. Gartner в июне 2025 года прогнозировал, что больше 40% проектов агентного ИИ закроют к концу 2027 года из-за растущих затрат, неясной ценности для бизнеса и слабого контроля рисков.
Поэтому разумный путь, как и при любом внедрении ИИ в бизнес, - начинать с одного агента и переходить к системе агентов, когда появляются явные признаки:
- Один агент не укладывается в контекст: инструкции, данные и история перестают помещаться в одно окно.
- Задача делится на независимые части, которые можно выполнять параллельно.
- Разные шаги требуют разных инструментов и доступов, и держать все в одном агенте небезопасно.
- Нужна независимая проверка результата: один агент делает, другой контролирует.
- Выгода от скорости и качества больше, чем рост расходов на токены и разработку.
Риски мультиагентных систем и как их контролировать
Чем больше агентов, тем больше мест, где что-то может пойти не так. Большинство рисков известны заранее, и для каждого есть проверенный способ контроля, который закладывают в архитектуру с первого дня:
- Зацикливание. Агенты могут бесконечно перепроверять и переделывать работу друг друга. Решение - лимит на число итераций и время выполнения задачи.
- Рост затрат. Каждый агент расходует токены, и при неудачной схеме расходы растут быстрее пользы. Решение - бюджет токенов на задачу, легкие модели для простых шагов и мониторинг расхода по каждому агенту.
- Каскад ошибок. Ошибка первого агента передается дальше и усиливается. Решение - проверка результата между шагами и отдельный агент контроля качества.
- Вредные инструкции в данных. Текст со страницы в интернете или из письма клиента может содержать команды для модели. Решение - минимальные права для каждого агента: тот, кто читает внешние данные, не должен иметь доступа к записи в CRM или отправке писем.
- Непрозрачность. Сложно понять, почему система приняла решение. Решение - журнал действий и промежуточных результатов каждого агента.
- Зависимость от одной модели. Изменение тарифов или качества модели бьет по всей системе. Решение - маршрутизация между несколькими моделями, как в Self AI, и возможность заменить модель для отдельного агента.
Отдельно стоит решить, где в процессе остается человек. Для действий с деньгами, договорами и данными клиентов агент готовит решение, а подтверждает его сотрудник. Такие точки подтверждения фреймворки вроде LangGraph поддерживают из коробки.
Инструменты для создания мультиагентных систем
Мультиагентную систему собирают на фреймворке, который берет на себя координацию агентов, передачу данных и работу с инструментами. В России агентов строят на GigaChat, YandexGPT или открытых моделях - это те же нейросети для бизнеса, только подключенные через API. Поэтому в таблице отмечено, с какими моделями совместим каждый фреймворк:
| Инструмент | Что это | Российские модели |
|---|---|---|
| LangGraph | Фреймворк для оркестрации агентов в виде графа шагов с состояниями | Да, через интеграции GigaChain |
| CrewAI | Фреймворк на Python для команд агентов с ролями и задачами | Через совместимые API |
| Microsoft Agent Framework | Объединение AutoGen и Semantic Kernel, версия 1.0 вышла в апреле 2026 года | Через совместимые API |
| GigaChain | Набор инструментов Сбера для агентов на GigaChat, совместим с LangChain и LangGraph | GigaChat |
| Yandex AI Studio | Agent Atelier для создания агентов и low-code конструктор Yandex Workflows для сценариев из нескольких агентов | YandexGPT |
Для команд, которые работают с GigaChat, Сбер в 2026 году выпустил Deep Agents - открытую обвязку на LangGraph, которая подключает агентов к GigaChat API без собственной интеграции с нуля.
LangGraph остается одним из самых распространенных инструментов для оркестрации: на нем удобно описывать шаги системы, ветвления и точки, где решение подтверждает человек.
Чат-бот, ИИ-агент или мультиагентная система: что выбрать под задачу
Мультиагентная система - самый сложный вариант в линейке ИИ-решений, и часто задачу закрывает что-то проще. Выбор удобно делать от задачи: что решение должно делать и сколько шагов, систем и проверок для этого нужно.
| Решение | Что делает | Когда выбирать |
|---|---|---|
| Чат-бот по сценариям | Отвечает по заранее прописанным веткам диалога | Вопросы типовые и их немного, данные компании не нужны |
| ИИ-ассистент по базе знаний | Отвечает на вопросы по документам компании со ссылкой на источник | Много вопросов по регламентам, инструкциям, каталогу |
| ИИ-агент | Сам планирует шаги и выполняет действия в системах: CRM, почта, учет | Кроме ответов нужны действия в системах, шаги идут последовательно |
| Мультиагентная система | Несколько агентов с ролями делят задачу, проверяют друг друга, работают параллельно | Задача большая, делится на независимые части и требует разных инструментов и проверок |
Большинство проектов проходят этот путь постепенно: сначала ИИ чат-бот или ассистент на базе знаний, затем агент, который выполняет действия, и только когда процесс разрастается - система из нескольких агентов. Каждый шаг дает измеримый результат и опыт, на который опирается следующий.
Как запустить мультиагентную систему: шесть шагов
Порядок запуска похож на внедрение одного агента, но с двумя отличиями: роли агентов проектируют заранее, а при проверке оценивают и итоговый результат, и работу каждого агента отдельно. Шаги выглядят так:
- Опишите процесс и роли. Разбейте задачу на шаги и решите, какие из них выполняет отдельный агент, какие - обычный код, а какие остаются за человеком.
- Соберите прототип. Проверьте задачу на самой простой схеме и посмотрите, где она не справляется. Именно эти места становятся кандидатами на отдельных агентов.
- Выберите архитектуру и фреймворк. Для первого проекта - оркестратор с исполнителями или конвейер, фреймворк - под выбранную модель.
- Настройте инструменты и доступы. Каждый агент получает только те системы и права, которые нужны для его роли.
- Проверьте на реальных задачах. Оцените каждого агента отдельно и систему целиком на обращениях или документах из архива.
- Запустите с наблюдением. Включите журнал действий, лимиты токенов и точки подтверждения человеком, разбирайте ошибки и дорабатывайте инструкции.
Сколько стоит мультиагентная система в эксплуатации
Стоимость складывается из разработки и расхода токенов. Разработку оценивают по проекту, а расход токенов можно прикинуть заранее. Возьмем условную задачу, которая в обычном чате занимает 3 000 токенов, и применим соотношения из исследования Anthropic: агент - около 4×, мультиагентная система - около 15×. Цены - по официальным тарифам на 30 сентября 2026 года:
| Модель | Чат | Один агент (~4×) | Мультиагентная система (~15×) | 1 000 задач в месяц на системе агентов |
|---|---|---|---|---|
| GigaChat Pro, 0,5 ₽ за 1000 токенов | 1,5 ₽ | 6 ₽ | 22,5 ₽ | 22 500 ₽ |
| YandexGPT Pro 5.1, 0,8 ₽ за 1000 токенов | 2,4 ₽ | 9,6 ₽ | 36 ₽ | 36 000 ₽ |
Расчет условный: реальный расход зависит от числа агентов, длины инструкций и того, сколько раз агенты перепроверяют работу друг друга. Снизить затраты помогают маршрутизация простых шагов на легкие модели, как в Self AI, и лимиты на число итераций.
Посчитаем мультиагентную систему на ваших задачах
Оценим архитектуру, расход токенов и стоимость разработки, соберем прототип на ваших данных до заключения договора.
Как Unistory разрабатывает мультиагентные системы
Unistory проектирует и внедряет ИИ-агентов и мультиагентные системы под процессы компании: от одного агента для поддержки до связки агентов, которая ищет информацию, проверяет данные и работает в CRM и учетных системах. Архитектуру подбираем под задачу и бюджет, начинаем с самой простой схемы, которая решает задачу.
Что мы делаем:
- ИИ-агентов для процессов, которые сами выполняют цепочки действий в CRM, почте и учетных системах.
- Мультиагентные системы с оркестратором, агентами проверки и контролем расхода токенов.
- Маршрутизацию между моделями: простые шаги - на легкие модели, сложные - на сильные, чтобы не переплачивать.
- Интеграции с Битрикс24, amoCRM, retailCRM, 1С, хелпдесками и мессенджерами, а также MCP-коннекторы к любой системе с API.
- Мониторинг и поддержку после запуска: журнал действий агентов, разбор ошибок, обновление инструкций.
Почему с нами удобно работать:
- Опыт и признание. Больше 100 проектов с ИИ и компьютерным зрением, клиенты в 30+ странах. В 2025 году Unistory вошла в топ-3 ИИ-разработчиков России в «Рейтинге Рунета» и получила 5 отраслевых наград.
- Российские и открытые модели. Технологический партнер Yandex AI Studio, участник АЛРИИ. Работаем на YandexGPT, GigaChat и open-source моделях, в том числе на серверах заказчика.
- Данные по 152-ФЗ. Модели и инфраструктуру подбираем под требования к данным, агенты получают только нужные им доступы.
- Проверка до договора. Бесплатная диагностика на 30-60 минут и бесплатный прототип на ваших данных.
- Минимум нагрузки на команду. С вашей стороны нужен один ответственный за процесс, разработку, интеграцию и поддержку берем на себя.
- Понятная цена. Внедрение начинается от 150 тыс. руб., состав работ и сумму фиксируем в договоре после диагностики.
Проекты, в которых агенты уже работают:
- Self AI - мультиагентная система из пяти агентов для персонального ассистента с поиском в интернете.
- LLM-чат-бот для производителя электромонтажных изделий - модель сама выбирает API, GPT-агент контролирует качество ответов, на 22% больше покупок после консультаций.
- ИИ-бот для инженеров по ремонту банкоматов - нагрузка на операторов колл-центра снизилась на 80%.
- Чат-бот для интернет-магазина «Бомбора» - поиск по каталогу из 15 000 книг, экономия 1 млн рублей в год на поддержке.
Подробнее об этапах и условиях - на странице разработки ИИ-агентов.
Спроектируем систему агентов под ваш процесс
Бесплатная диагностика 30-60 минут и прототип на ваших данных. Работаем с российскими моделями и в вашем контуре.
Заключение
Мультиагентная система делит сложную задачу между ИИ-агентами с разными ролями и за счет этого справляется с объемом, который не под силу одному агенту. Взамен она расходует в разы больше токенов и сложнее в разработке. Переходить к ней стоит, когда задача явно делится на независимые части, а выгода от скорости и качества перекрывает рост затрат.
Частые вопросы
Что такое мультиагентная система?
Это несколько ИИ-агентов, которые вместе решают одну задачу. Каждый агент отвечает за свою роль, например поиск, анализ или проверку, а координатор распределяет задания и собирает результат.
Чем мультиагентная система отличается от одного ИИ-агента?
Один агент выполняет все шаги сам и держит весь контекст в одном окне. Система агентов делит работу, может выполнять части задачи параллельно и дает каждому агенту только нужный контекст, но расходует примерно в 15 раз больше токенов, чем обычный чат.
Какие бывают архитектуры мультиагентных систем?
Чаще всего встречаются четыре: оркестратор с исполнителями, конвейер, иерархия и сеть равных агентов. Для первого проекта обычно выбирают оркестратора с исполнителями или конвейер, потому что их проще контролировать.
Где применяются мультиагентные системы?
В исследованиях и аналитике, поддержке клиентов, обработке заказов и документов, продажах и подборе персонала - везде, где задача делится на роли, которые можно проверить отдельно.
Как сделать мультиагентную систему?
Сначала выбрать процесс и разбить его на роли, затем выбрать архитектуру и фреймворк, например LangGraph, GigaChain или Yandex AI Studio, подключить инструменты и настроить контроль. Для первого проекта подойдет оркестратор с исполнителями или конвейер: их проще отлаживать.
На каких моделях можно построить мультиагентную систему в России?
На GigaChat и YandexGPT, а также на open-source моделях, развернутых на серверах компании. Для GigaChat есть GigaChain и Deep Agents, для YandexGPT - Agent Atelier и Yandex Workflows в Yandex AI Studio.
Сколько стоит работа мультиагентной системы?
Расход токенов примерно в 15 раз больше обычного чата. Например, задача, которая в чате стоит 2,4 ₽ на YandexGPT Pro 5.1, в системе агентов обойдется примерно в 36 ₽. К этому добавляется стоимость разработки.
Что такое MCP и A2A?
Это открытые протоколы для агентов. MCP подключает ИИ к инструментам и данным, например к CRM или базе документов. A2A, представленный Google в 2025 году, позволяет агентам разных разработчиков обмениваться задачами между собой.
Нужна ли мультиагентная система малому бизнесу?
Чаще всего малому бизнесу хватает одного агента или бота на базе знаний. Система агентов нужна, когда задача явно делится на независимые части и объем работы оправдывает рост расходов.
