Первое поколение AI-продуктов: один GPT-4, один системный промпт, один бот. Это работает. Но как только задача усложняется — нужна экспертиза в нескольких доменах одновременно, появляется проблема: модель либо галлюцинирует, либо даёт слишком общие ответы.
// Почему специализация важна
Представьте хирурга, который одновременно ставит диагноз, делает анестезию и ведёт бухгалтерию. Плохая идея. С AI то же самое: агент-аналитик данных, агент-эксперт в домене и агент-коуч дают лучший результат, чем один «всезнающий» промпт. Каждый агент заточен под свою задачу, имеет свой системный промпт и инструменты.
// Паттерны оркестрации
Самый простой паттерн — последовательная цепочка: агент А анализирует данные → передаёт результат агенту Б → тот генерирует план. Более продвинутый — оркестратор с роутингом: главный агент решает, кого вызвать, и собирает ответы. В PLOS именно так: оркестратор получает запрос пользователя и маршрутизирует его к Data Science, Domain Expert или Health Coach в зависимости от типа вопроса.
Сложность multi-agent систем — не в написании агентов, а в управлении контекстом между ними. Что передавать? Сколько? В каком формате?
// Инструменты
LangChain, LangGraph, AutoGen, CrewAI — экосистема растёт быстро. Мы начинали с LangChain, но для сложных сценариев перешли на LangGraph — он лучше моделирует состояние и циклы между агентами. Для простых цепочек иногда проще написать свой оркестратор на чистом Python, чем тащить фреймворк.