Multi-agent системы для автоматизации операций

В 2025 году мы построили три внутренних автоматизации на multi-agent системах: автообработка клиентских заявок, автоматический ресайз изображений по бренд-гайду и автогенерация черновиков финансовой отчётности. Делимся архитектурой.

Базовая идея

Один LLM-агент, пытающийся сделать всё, проигрывает «команде» специализированных агентов с чёткими ролями. Архитектура повторяет идею микросервисов: разбить задачу на ответственности, добавить координатора.

Наш базовый паттерн

• Coordinator - общий план задачи, маршрутизация, финальная проверка.
• Specialist agents - каждый отвечает за один тип субзадачи (parsing, generation, validation, search).
• Tool layer - общий пул tools (БД, API, файловое хранилище), доступ через MCP.
• Human-in-the-loop - обязательная checkpoint-точка перед side-effects.
• Memory store - общий контекст между шагами, обычно Postgres + Redis.

Что не работает

• Полностью автономные системы без human-in-the-loop. На любой нетривиальной задаче через неделю работы накопится 3–5 ошибок, которые сами себя усугубят.
• Слишком много агентов (>6). Стоимость растёт линейно, качество - нет.
• Свободная коммуникация «каждый с каждым». Превращается в бесконечный диалог. Жёсткая иерархия лучше.

Frameworks

Рассматривали LangGraph, CrewAI, AutoGen, custom. Остановились на собственной обвязке поверх Anthropic SDK + наш orchestrator. LangGraph мощный, но переусложнён для наших задач. CrewAI - слишком маркетинговый.