Инженеры Anthropic советуют прекратить плодить ИИ-агентов
· Владимир Холодов
Кратко: Создание десятков узких ИИ-агентов усложняет архитектуру, увеличивает задержки и снижает точность выполнения задач. Переход к единому мощному агенту с динамическим подключением инструментов позволяет строить более надежные и экономичные системы.
Почему бум узких ИИ-агентов завел разработку в тупик?
Еще недавно доминирующей идеей в сфере нейросетей была микросервисная концепция. Компании стремились написать отдельного бота под каждую мелкую операцию: один агент парсил почту, второй составлял ответ, третий проверял остатки на складе, а четвертый заносил данные в CRM. Разработчики верили, что разделение ответственности сделает систему более предсказуемой и дешёвой в эксплуатации.
Однако на практике эта концепция столкнулась с жесткой реальностью производственных систем. Когда цепочка выполнения задачи состоит из 5-10 последовательных вызовов узких нейросетей, итоговая надежность стремительно падает. Если каждый отдельный узел срабатывает с высокой точностью, то вся цепочка из пяти агентов выдает правильный результат лишь в части случаев. Ошибки накапливаются как снежный ком, а отладка превращается в детективное расследование.
Эксперты и инженеры компании Anthropic обратили внимание на эту тенденцию. Они предложили альтернативную парадигму: вместо постройки огромных роев специализированных скриптов использовать одного сильного ИИ-агента, оснащенного динамическим набором навыков и инструментов.
В чем главная проблема мультиагентных систем на практике?
Первая фундаментальная сложность каскадных мультиагентных систем заключается в потере контекста. Когда один агент передает текстовый результат работы другому, он неизбежно вырезает часть фоновой информации. В итоге финальный исполнитель получает куцую выжимку и совершает ошибки из-за недостатка нюансов исходного запроса.
Вторая проблема связана с накладными расходами и задержками (latency). Каждый межагентный шаг требует нового сетевого запроса, сериализации данных, обработки промпта и ожиданий ответа от API. Пользователь, отправивший простой запрос в службу поддержки, вынужден ждать 15-20 секунд, пока узкие боты перебрасывают задачу друг другу по цепочке.
Если вы уже разбирались с архитектурой автономных ИИ-агентов, то знаете, насколько важна связность контекста. Переизбыток промежуточных звеньев усложняет мониторинг и приводит к нецелевому расходу токенов, когда один и тот же контекст заново скармливается разным моделям.
Как подход Anthropic меняет взгляд на архитектуру ИИ?
Разработчики Claude из Anthropic показали, что современные флагманские модели обладают достаточно высоким уровнем рассуждений, чтобы самостоятельно планировать сложные многошаговые задачи. Им не требуется отдельный агент-менеджер или агент-критик, если предоставить модели прямой доступ к четко описанным функциям (tools).
Вместо создания десятка узких ботов создается один универсальный агент на базе Claude. Ему передается подробный системный промпт и каталог доступных инструментов: подключение к базе данных, API отправки писем, модуль финансовой аналитики и сервисы генерации документов. Модель сама решает, в каком порядке и какие инструменты вызывать для достижения цели.
Этот подход возвращает гибкость. Единый агент держит в памяти весь контекст диалога с пользователем, видит промежуточные результаты вызова функций и может на ходу скорректировать план действий, если один из внешних сервисов вернул ошибку.
Единое ядро против роя ботов: сравнение двух подходов
Чтобы наглядно оценить разницу между устаревающей мультиагентной схемой и подходом с единым ядром, достаточно взглянуть на архитектурные показатели. Децентрализованные рои создают иллюзию модульности, но на практике приводят к хрупкости всей системы.
Ниже приведено детальное сопоставление ключевых параметров работы двух архитектурных шаблонов при автоматизации бизнес-процессов.
Как работает схема с универсальным агентом и набором навыков?
В основе системы с единым агентом лежит концепция вызова функций (Tool Calling). Модели не нужно переключать контекст или передавать управление стороннему сервису. Она получает задачу, оценивает имеющиеся инструменты и строит внутренний план действий.
Процесс выглядит следующим образом: агент принимает комплексный запрос, выбирает нужный инструмент из библиотеки навыков, получает результат работы функции и на его основе принимает решение о следующем шаге. Все промежуточные этапы проходят внутри единой сессии, что сохраняет абсолютную точность данных.
Я проектирую системы по принципу «единое ядро и настраиваемые нишевые модули»: один продукт быстро адаптируется под разные отрасли без переписывания всей логики взаимодействия. Такой подход показал свою эффективность при разработке платформы WAI-Pro для охранных компаний и системы OmniLead, где единое ядро обработки запросов легко подключает нужные бизнес-модули.
Кому и когда все еще нужны узкоспециализированные агенты?
Отказ от сотни мелких ботов не означает полное уничтожение специализированных моделей. Существуют сценарии, где узкие агенты остаются единственно верным техническим решением. В первую очередь это касается локальных вычислений и жестких требований к безопасности.
Если задача требует обработки огромного массива персональных данных прямо на устройстве пользователя без отправки в облако, компактная специализированная модель (SLM) справится лучше универсального гиганта. Также узкие агенты оправданы там, где требуется экстремальная скорость отклика в миллисекундах и строго детерминированный ответ.
Однако во многих случаях для задач бизнес-автоматизации (обработка заявок, документооборот, клиентская поддержка, аналитика) один мощный облачный агент с правильной обвязкой инструментов оказывается дешевле в разработке и надежнее в эксплуатации.
Как перестроить свою систему автоматизации уже сегодня?
Первый шаг к упрощению архитектуры - проводить ревизию существующего стека. Задайте себе вопрос: действительно ли для каждой операции вам нужен отдельный агент с собственным промптом, или это можно оформить как обычную функцию (Python или JavaScript), доступную центральной модели?
Второй шаг - инвестировать время в качество описания инструментов (Tool Descriptions). Флагманские модели ориентируются на названия функций и их параметры. Чем точнее описаны входные и выходные данные инструмента, тем реже ошибки модели при выборе нужного действия.
Третий шаг - внедрение надежной системы обработки ошибок. Если вызываемая функция возвращает ошибку, агент должен получать понятно сформулированный текст проблемы, чтобы предпринять повторную попытку с исправленными параметрами или уведомить оператора.
Главные выводы для бизнеса и инженеров
Эпоха хаотичного создания десятков мелких ИИ-ботов уходит в прошлое. Архитектурный тренд сместился от количества к качеству: один рассуждающий агент с широким набором навыков работает быстрее, точнее и стабильнее, чем раздутая сеть из узкоспециализированных скриптов.
На мой взгляд, попытка решить любую задачу созданием очередного отдельного ИИ-агента - это проявление архитектурной инерции. Использование единого ядра с подключаемыми модулями существенно упрощает масштабирование и снижает стоимость владения технологическим стеком.
Имея значительный опыт в этой сфере, я как AI-архитектор и эксперт по автоматизации бизнеса провожу AI-аудит процессов, внедряю автоматизацию продаж, маркетинга и AI-воронки, а также создаю AI-агентов и решения под ключ - от готовых AI-ассистентов до корпоративных интеграций. Чтобы обсудить задачи вашего проекта и подобрать оптимальную архитектуру, свяжитесь со мной через Telegram: @vholodov_bot.
От автора. В сообществе мы делимся опытом и практикой, а не продаём в лоб.
Буду постепенно исследовать и делиться готовыми связками «от идеи до готового решения»: делайте шаг за шагом, и всё получится.