Основные выводы
Недавно команда Swarms выпустила инструмент GraphWorkflow, который ускорил распределение задач между несколькими агентами. Однако настоящая ценность этой работы не заключается в самом показателе ускорения (62,5%), а в том, что он показал важную тенденцию: системы на основе нескольких агентов (часто называемые «колониями») перешли от соревнования в умении моделей к соревнованию в способности к эффективной организации их работы. Важно не просто увеличить количество агентов, а решить проблемы, связанные с их взаимодействием: как не тратить время впустую, как избежать коллективных ошибок и как обеспечить стабильное выполнение задач.
1. Не позволяйте названиям вводить в заблуждение: не каждая группа агентов является настоящей колонией
Многие продукты называют свои системы колониями просто потому, что в них работают несколько агентов одновременно. Однако настоящая колония – это система, в которой отсутствует центральное управление, и каждый агент действует на основе локальной информации, в результате чего система как единое целое выполняет определенные действия (например, муравьи, ищущие путь). Современные системы на основе нескольких агентов больше похожи на временные проектные группы:
- Одиночный агент: подобен квалифицированному сотруднику, выполняющему линейные задачи (например, написание письма);
- Руководитель/Подчиненный: руководитель координирует работу нескольких помощников (например, система Anthropic, где главный агент распределяет задачи, а подчиненные собирают необходимую информацию);
- Графический поток задач (Graph Workflow): системы с фиксированными процессами (например, проверка соответствия правилам, массовые тесты);
- Динамическая колония: агенты могут самостоятельно решать, нужно ли разделять задачи и с кем сотрудничать (например, система Kimi Agent Swarm, способная координировать работу 300 подчиненных агентов);
- Полностью децентрализованная колония: еще находится в стадии разработки (например, модели, имитирующие поведение птичьих стай).
Суть колонии заключается в организационных аспектах: как заставить нескольких агентов совместно работать благодаря разделению обязанностей, коммуникации и обмену информацией для решения задач, невозможных для одного агента.
2. Зачем использовать несколько агентов? Есть задачи, которые нельзя выполнить одному агенту
Модели становятся все умнее, но некоторые задачи нельзя решить, просто предоставив им больше времени:
- Широкий спектр задач: например, при поиске взаимно подтверждающихся фактов среди сотни отчетов один агент может застрять; несколько агентов могут одновременно работать над разными направлениями.
- Ограничения однонаправленного мышления: один агент может сосредоточиться только на одном подходе, игнорируя другие варианты; несколько агентов могут использовать различные источники информации для получения более полного представления.
Пример от компании Anthropic наглядно иллюстрирует этот момент: использование главного агента для координации работы подчиненных позволяет улучшить результаты на 90%, но затраты на выполнение задач увеличиваются в 15 раз. Это не подходит ко всем задачам; например, в программировании существует мало возможностей для параллельной обработки, и использование нескольких агентов может увеличить количество ошибок при передаче данных.
3. Ускорение распределения задач: организационные аспекты играют ключевую роль
Ускорение, достигнутое с помощью GraphWorkflow, связано с оптимизацией процесса распределения задач: фиксированные алгоритмы сначала компилируются, затем выполняются многократно, что сокращает время на планирование взаимодействия между агентами. Однако это касается только статических задач на одном компьютере; скорость самой модели остается примерно той же. Однако при большом количестве агентов организационные расходы становятся значительными. Это подчеркивает важность эффективной организации работы системы: необходимо управлять распределением задач, координацией действий агентов и обменом информацией.
4. Три основные проблемы при использовании нескольких агентов
Распределение задач между агентами представляет собой сложную техническую проблему:
1. Распределение задач: какие задачи следует разделить между агентами, кому их поручить и когда не следует это делать? Например, система SearchSwarm позволяет главному агенту решать этот вопрос, а подчиненные передают сжатые результаты, чтобы избежать лишней информации.
2 Память: необходимо сохранять информацию о ходе выполнения задач (например, данные пользователей, исходные документы и результаты проверок). Если каждый агент будет передавать всю информацию, система может столкнуться с проблемами обработки большого объема данных.
3 Проверка: несколько агентов могут ошибаться; системы с централизованной проверкой снижают вероятность ошибок (например, в 4,4 раза по сравнению с системами без проверки). В будущем самыми востребованными будут не просто исполнители задач, а специалисты по проверке их корректности.
5. Будущее систем на основе нескольких агентов
Будущие системы на основе нескольких агентов будут напоминать временные проектные группы:
- При поступлении задачи сначала оцениваются риски, бюджет и возможности для параллельной обработки;
- Для выполнения задач создаются временные группы агентов, которые после завершения работы распускаются;
- Центральные элементы системы отвечают за управление целями и бюджетом, а местные элементы позволяют динамически исследовать возможные варианты решения задач.
Советы для предпринимателей
Не стоит сосредотачиваться только на количестве агентов; важнее учитывать, есть ли у задачи возможности для параллельной обработки и как можно эффективнее организовать их выполнение. Только в таких случаях использование нескольких агентов будет эффективным. Соревнования между моделями продолжатся, но следующий этап будет связан не с тем, какая модель умнее, а с тем, как можно организовать работу агентов так, чтобы система работала стабильно и эффективно.
(Примечание: данные исследований 2026 года представлены в предварительных версиях или по данным производителей; они не являются стандартами отрасли, поэтому их следует рассматривать с осторожностью.)