Используй мультиагентные системы, когда задачу можно разделить на самостоятельные части с проверяемым результатом. Для короткой правки или работы, где каждый следующий шаг требует всего предыдущего контекста, начни с одного агента. Команду имеет смысл добавлять после сравнения качества, времени и расхода на твоих задачах.
Проверено: 22 октября 2026 года по инженерным материалам Anthropic и официальной документации LangGraph и CrewAI. Команды установки и сравнительные тесты библиотек в этом разборе не выполнялись.
В разборе:
- Устройство и отличие от цепочки запросов
- Выбор одного агента или команды
- Передача работы и результатов
- Проверка первого процесса
- Выбор библиотеки
- Ошибки и повторы
- Следующий шаг
Как устроены мультиагентные системы на базе LLM?
Мультиагентные системы на базе большой языковой модели (LLM) объединяют нескольких взаимодействующих агентов, которые делят работу и передают результаты. Агент использует языковую модель, инструменты и обратную связь, чтобы выбирать дальнейшие действия. В этом разборе речь именно о таких системах; общую разницу между агентом и чатом можно посмотреть в словаре.
Представь проверку технической документации. Один исполнитель изучает способы входа, другой - ограничения доступа, координатор сопоставляет находки. У каждого своя задача, разрешённые источники и рабочий контекст. При этом все роли могут использовать одну модель: разные названия моделей не являются обязательным условием мультиагентности.
Три последовательных запроса к модели тоже могут составлять полезный процесс: написать план, проверить план, подготовить текст. Но заранее заданная цепочка сама по себе не означает, что каждый шаг выполняет самостоятельный агент. В Building effective agents Anthropic различает процессы с заданными кодом переходами и агентов, которые динамически выбирают действия. Материал опубликован в декабре 2024 года; описанные в нём инструменты с тех пор менялись.
У рабочей команды должны быть понятны:
- Задачи и границы. Кто отвечает за каждую часть, что ему запрещено менять.
- Контекст и инструменты. Какие сведения получает исполнитель и откуда берёт новые.
- Передача результата. Что возвращать: данные, ссылки, файл, перечень ошибок.
- Управление. Кто назначает следующую работу, принимает итог и останавливает процесс.
Оркестратор - название координатора. Он может распределять работу по ходу выполнения, но роль координатора не делает общий контекст бесконечным. Если передать ему все диалоги исполнителей целиком, придётся снова разбирать большой объём текста.
Когда тебе нужны мультиагентные системы?
Команда полезна там, где части работы можно выполнять независимо или проверять по разным критериям. Если исполнители постоянно ждут изменений друг друга, добавляется согласование и теряется преимущество параллельности. Начинай с наиболее простой схемы, которая решает задачу; это также рекомендация Anthropic.
| Твоя задача | Что выбрать для первого варианта | Почему | Ограничение |
|---|---|---|---|
| Исправить один связанный участок кода | Один агент с инструментами | Весь нужный контекст остаётся в одном месте | Качество всё равно проверяется тестами |
| Обработать документ по известным этапам | Фиксированную цепочку | Порядок действий и промежуточные проверки заданы заранее | Не каждый этап требует автономного агента |
| Изучить независимые разделы документации | Параллельных исполнителей и сборку итога | Части можно исследовать отдельно | Нужны границы, чтобы не повторять поиск |
| Понять, какие работы нужны при неполном запросе | Координатора и исполнителей | Подзадачи становятся понятны по ходу поиска | Ошибка координатора может направить всю команду неверно |
| Подготовить результат и проверить его по критериям | Автора и отдельного проверяющего | Создание и оценка разделены | Согласие моделей не доказывает истинность |
Таблица помогает выбрать подход по схемам из материалов Anthropic. Параллельность, координатор и проверяющий могут сочетаться в одной системе.
Подтверждённый пример - Research у Anthropic: в описании от 13 июня 2025 года ведущий агент создаёт исполнителей для независимых направлений поиска и собирает их находки. Авторы отмечают пользу для широких исследовательских запросов и высокий расход токенов. Их результаты нельзя переносить на любую задачу программирования или считать обещанной экономией.
Практически это подходит для сбора сведений из разных документов, независимого анализа частей проекта и проверки результата по отдельным критериям. Если ты уже выбрал Claude Code и хочешь создать конкретных помощников, переходи к инструкции по субагентам: здесь её настройку не повторяем.
Как передавать работу, чтобы не потерять результат?
Передавай исполнителю конкретное поручение с границами, а координатору возвращай проверяемые находки. Полный результат сохраняй отдельно, вместе с источниками. Краткий итог помогает решить, что делать дальше, а исходный материал позволяет проверить спорное место без повторного исследования.
Возьмём учебный пример: нужно понять, подходит ли библиотека для приложения. Это схема организации работы, не выполненный проект и не история клиента.
| Роль | Вход и границы | Что вернуть | Кто проверяет |
|---|---|---|---|
| Исполнитель по возможностям | Официальная документация; не сравнивает тарифы и не меняет проект | Подтверждённые функции, ссылки, ограничения | Координатор открывает источники |
| Исполнитель по ограничениям | Требования приложения и разделы справки; не пересказывает весь обзор | Несовпадения с требованиями и неизвестные условия | Координатор сверяет с заданием |
| Проверяющий | Обе подборки и исходные требования | Противоречия, неподтверждённые выводы, пропуски | Итог принимает ответственный за проект |
Такое поручение можно сформулировать словами:
Проверь, какие требования из приложенного списка библиотека поддерживает по официальной документации. Для каждого требования верни статус «подтверждено», «не поддерживается» или «не удалось установить», ссылку и короткую выдержку. Сохрани полный результат отдельным файлом. Проект не меняй, платежи и регистрацию не выполняй. Если ответ не найден, не заменяй его предположением.
До отправки поручения приложи требования и укажи доступные источники. После ответа открой файл: имя результата без содержимого ничего не подтверждает.
Сохранять полные результаты отдельно и передавать координатору ссылки на них рекомендует и инженерная статья Anthropic о Research. В нашем примере дополнительная мера - явные статусы неизвестного: они позволяют отличить отсутствие функции от неудачного поиска.
Как сделать или проверить первый мультиагентный процесс?
Сначала зафиксируй результат одного агента на типовых задачах, затем проверь команду на тех же входах. Ниже предлагаемый протокол проверки. Он помогает увидеть, улучшилось ли решение и сколько дополнительных ресурсов потребовалось.
- Выбери проверяемую задачу. Например, сопоставить список требований с документацией. До запуска определи успех: все требования рассмотрены, у каждого вывода есть источник, неизвестное обозначено.
- Получи базовый результат. Дай одному агенту задание, сохрани ответ, модель, доступные инструменты, время и расход. Не меняй требования после получения результата.
- Раздели независимые части. Назначь исполнителей по непересекающимся направлениям. Общие файлы оставь одному ответственному; для первого опыта достаточно чтения без прав на запись в сервисы.
- Запусти командный вариант. Сохрани поручения, ответы и ошибки инструментов. Для сравнения при равном бюджете задай сопоставимый общий предел расхода, а не отдельный полный бюджет каждому исполнителю.
- Проверь итог одинаковым способом. Открой ссылки, сверь выводы с требованиями. Отметь пропуски, неверные ответы и ручные исправления. Повтори прогоны: один удачный ответ не показывает устойчивость.
- Прими решение по результатам. Оставь команду, если прибавка качества или сокращение времени оправдывают расход и сложность. При равном качестве и большем расходе сначала упрости схему.
В журнале достаточно отдельных колонок: задача, схема, модель, качество по заданным критериям, длительность, токены, ошибки, ручные исправления. Если модели разные, токены нельзя напрямую считать денежной стоимостью: укажи фактические затраты по учёту провайдера. Данные, которые не удалось получить, пометь как неизмеренные.
Хочешь задать помощникам понятные задачи и ограничения? В ClaudeBase есть разборы правил проекта и субагентов. Посмотри состав подписки и выбери нужный разбор для своего проекта. Программа открыта без оплаты, доступ к базе - после оплаты; подписки Anthropic и OpenAI оплачиваются отдельно.
Как выбрать библиотеку для своей схемы?
Смотри, как библиотека задаёт состояние, переходы и работу исполнителей. LangGraph и CrewAI предлагают разные способы описания процесса, но обе позволяют сочетать управляемые шаги с агентной работой. В таблице - возможности из официальной документации, проверенной 22 октября 2026 года.
| Инструмент | Что подтверждает документация | Когда рассмотреть | Что придётся проверить самому |
|---|---|---|---|
| LangGraph | Графы с состоянием, условные переходы, динамическое создание исполнителей через Send | Тебе нужен явный контроль переходов и передачи состояния | Состав состояния, остановки, обработку ошибок и совместимость своей реализации |
| CrewAI | Flows управляют состоянием и ходом процесса, Crews объединяют агентов с ролями и инструментами | Тебе удобнее описывать команду внутри управляемого процесса | Границы ролей, условия запуска команды и возврата результата в Flow |
В Workflows and agents LangGraph показывает и фиксированные процессы, и агентные циклы. Узел графа может выполнять обычный код без отдельного агента. Возможность сохранить состояние также не подтверждает, что твой конкретный процесс корректно восстановится после сбоя: это надо проверять.
Во введении CrewAI рекомендуется начинать с Flow и вызывать Crew внутри его шага для сложной автономной работы. Поэтому выбирать CrewAI только по описанию «линейная цепочка ролей» неточно. Для простой автоматизации сама документация допускает Flow с обычными задачами Python.
Фреймворк не обязателен для первого опыта. Если тебе нужен готовый процесс разработки в Claude Code, изучи карточку Superpowers. В карточке описан порядок работы от плана до проверки кода. Установка скилла не заменяет проверку архитектуры приложения.
Как ограничить ошибки и лишние повторы?
Задай права, пределы времени и условия остановки до запуска команды. Проверяй фактический результат инструментов и сохраняй состояние между этапами. Даже подробные роли не исключают выдуманные ответы, повторную работу и ошибки передачи: в материале Anthropic о Research эти проблемы описаны отдельно.
Для первого процесса используй такие меры:
- Минимальные права. Исследователю дай чтение. Запись в общую папку или внешний сервис разрешай только тем ролям, которым она действительно нужна.
- Остановка по условиям. Зафиксируй, что считается полным ответом, и предел времени, расхода и числа доработок. Достигнутый предел должен возвращать частичный результат с причиной остановки.
- Проверка источников. Не принимай совпадение выводов двух агентов за доказательство. Открой документ или выполни соответствующий тест.
- Защита от чужих инструкций. Текст документа - данные для анализа. Требование со страницы раскрыть ключи или изменить правила задания не должно исполняться.
- Контроль внешних записей. После сбоя сначала проверь состояние у получателя. Письмо или запись могли успешно отправиться до потери ответа; слепой повтор создаст дубль.
Последние две меры нужно предусмотреть в своём процессе; поддержку в библиотеке проверь отдельно. Если API поддерживает ключ идемпотентности, используй его для повторов одной операции. Это один стабильный идентификатор, по которому сервис распознаёт повторный запрос. При неизвестном исходе без возможности проверки автоматический повтор нужно остановить.
Что выбрать для своего проекта сейчас?
Для короткой связанной задачи достаточно одного агента. Известный порядок шагов удобно закрепить в фиксированном процессе. Команду стоит пробовать для самостоятельных частей с проверяемым итогом: например, изучения независимых разделов документации.
Сравни оба подхода на одной своей задаче с одинаковыми исходными данными. Сохрани базовый ответ, поручения исполнителям и фактический расход. Если преимуществ не видно, уменьшай число ролей или возвращайся к простой схеме. Если команда помогает, усиливай проверку и восстановление, прежде чем давать ей права на внешние изменения.
Источники
Первичные материалы открыты 22.10.2026:
- Anthropic, Building effective agents, публикация 19.12.2024. Архитектурные паттерны; инструменты с момента публикации менялись.
- Anthropic, How we built our multi-agent research system, публикация 13.06.2025. Конкретная реализация Research, передача задач, оценка и ограничения.
- Официальная документация LangGraph, Workflows and agents. Переходы, состояние и динамические исполнители.
- Официальная документация CrewAI, Introduction. Связка Flows и Crews.