От workflow к AI-команде: как устроены агентские системы

Что это

AI-агент — это модель, которая может использовать инструменты. Отправить письмо, найти файл, вызвать API. Но одного агента редко хватает на реальную задачу.

Agentic system — это архитектура из нескольких агентов, работающих по правилам. Каждый отвечает за свой этап, а центральный координатор решает, кто за что отвечает и когда включать человека.

Зачем нужно

Один агент не может одновременно проверять документы, считать бюджет и согласовывать с юристом. Можно дать ему все инструменты сразу — но тогда он начнёт путаться, вызывать API в неправильном порядке или зацикливаться.

Agentic system решает это декомпозицией: одна задача — один специализированный агент. Это замена универсального сотрудника специализированной командой.

Как работает

Есть несколько уровней сложности:

1. Workflow — жёсткий сценарий

Последовательность шагов: если A, то B, затем C. Нет выбора — просто цепочка. Пример: получить заявку → проверить базу → отправить ответ. Работает хорошо, пока задача предсказуема.

2. Multi-agent — несколько агентов взаимодействуют

Каждый агент — эксперт в узкой области. Один ищет документы, другой считает цифры, третий пишет ответ. Они могут работать параллельно или последовательно. Но без центрального управления возникает хаос: агенты дублируют работу или противоречат друг другу.

3. Supervisor — централизованный контроль

Центральный агент-маршрутизатор получает запрос и решает, какому специалисту его передать. Sub-агенты работают в изолированных контекстах — они не видят, что делают коллеги. Supervisor собирает результаты и формирует финальный ответ.

LangGraph и другие фреймворки сейчас рекомендуют именно этот pattern: supervisor напрямую через tool use, а не сложные графы. Это проще в отладке и предсказуемее в продакшене.

4. Human-in-the-loop — человек в контуре контроля

Автономность хороша, но не везде. Есть задачи, где ошибка стоит дорого: финансовые операции, медицинские решения, юридические выводы.

Здесь система останавливается и ждёт человека. Например: агент подготовил ответ на жалобу клиента — но перед отправкой человек проверяет текст. Или агент нашёл аномалию в платеже — останавливается на подтверждении.

Такой контроль требуют регуляторы. EU AI Act для high-risk систем и California SB-833 (действует с 1 июля 2026 года) обязывают человеческий надзор в критичных сценариях.

Где используется

Контент-производство. Агент-исследователь собирает данные, агент-писатель создаёт черновик, агент-редактор проверяет. Supervisor решает, когда материал готов.

Финансовые операции. Один агент анализирует транзакцию, другой проверяет на мошенничество, supervisor маршрутизирует. При подозрении — human-in-the-loop.

Техническая поддержка. Агент классифицирует обращение, агент ищет решение в базе знаний, агент пишет ответ. Сложные случаи — на человека с контекстом.

Ограничения

Сложность отладки. Когда один агент ошибается — понятно, где искать. Когда система из пяти агентов даёт неверный результат — причина может быть в любом звене.

Задержки. Каждый handoff между агентами — это вызов модели. Если агентов пять, а у каждого 5–30x больше токенов, чем у простого чата — задача выполняется медленнее и дороже.

Контекст теряется. Sub-агенты не делят общую память. Supervisor получает только финальный результат, а не промежуточные рассуждения. Это снижает качество координации.

Что дальше

Agentic system — это переход от "модель умеет" к "система работает". Но следующий шаг — когда агенты начинают не просто выполнять задачи, а строить процессы в реальном времени: адаптировать workflow под ситуацию, а не следовать жёсткому сценарию.

В следующем блоке разберём, как устроена система внутри.