Год назад я работал с ИИ так же, как большинство: один чат, один агент, одна задача за раз. Сейчас у меня на сложных проектах агент сам созывает себе помощников: один роется в документации, второй проверяет цифры, третий собирает всё в один ответ. Это и есть мультиагентная система, и слово звучит куда страшнее, чем то, что за ним стоит.
Ниже разбираю по-человечески: что это такое, чем несколько агентов отличаются от одного, как они делят одну задачу и когда такая связка реально окупается. Без формул, на бытовых примерах и с опорой на инженерные разборы Anthropic и документацию Claude Code.
В Telegram-канале - что нового в вайб-кодинге: инструменты, находки, ошибки. Подпишись, чтобы быть в курсе.
Что такое мультиагентная система простыми словами?
Представь ремонт квартиры. Можно нанять одного мастера, который сам штробит стены, кладёт плитку, красит и ставит розетки по очереди. А можно позвать бригаду: прораб раздаёт работу, электрик тянет провода, плиточник кладёт плитку, и всё это идёт одновременно. Мультиагентная система устроена как бригада, только вместо людей - ИИ-агенты.
Агент здесь - это не просто чат, который пишет ответ. Это ИИ, который умеет сам пользоваться инструментами: искать в интернете, читать и править файлы, запускать команды. Когда таких агентов несколько и они решают общую задачу, получается мультиагентная система. Формулировка Anthropic из инженерного разбора звучит ровно так:
Мультиагентная система состоит из нескольких агентов - языковых моделей, которые самостоятельно пользуются инструментами в цикле, - работающих вместе.
Такое же по смыслу определение даёт IBM в своём справочнике: мультиагентная система - это несколько ИИ-агентов, которые сообща выполняют задачи для пользователя или другой системы. Термин не новый и не маркетинговый, за ним стоит понятная инженерная идея: разделить труд между несколькими исполнителями.
Чем мультиагентная система отличается от одного ИИ-агента?
Главная разница - в том, как распределена работа и память. Одиночный агент ведёт всю задачу в одном разговоре: каждый новый шаг ложится в тот же контекст, и к концу большой задачи там уже свалка из логов, кусков файлов и промежуточных выводов. Мультиагентная система разносит это по разным агентам, у каждого свой чистый лист.
Свёл различия в таблицу, чтобы было видно сразу:
| Признак | Один агент | Мультиагентная система |
|---|---|---|
| Как идёт работа | Шаг за шагом, по очереди | Куски задачи идут одновременно |
| Память и контекст | Всё в одном разговоре | У каждого агента свой чистый контекст |
| Скорость на большой задаче | Ниже, всё последовательно | Выше за счёт параллельной работы |
| Расход | Базовый | Заметно больше (разберу ниже) |
| Когда лучше | Простой вопрос, короткая задача | Большое исследование, много источников |
| Риск | Захлёбывается в собственном контексте | Сложнее свести куски в один ответ |
Вывод из таблицы простой. Мультиагент - не апгрейд обычного агента на все случаи жизни. Это отдельный инструмент под большие задачи. Для короткого вопроса он избыточен и только жжёт деньги. Для большой развесистой задачи с десятком источников он вытягивает то, на чём один агент буксует.
Как работает связка «оркестратор и воркеры»?
У этой схемы есть техническое имя - оркестратор и воркеры (по-английски orchestrator-workers). Anthropic описывает её так:
В схеме «оркестратор и воркеры» центральная языковая модель на ходу разбивает задачу на части, раздаёт их моделям-исполнителям и сводит их результаты воедино.
На живом примере это выглядит так. В своей функции исследований Anthropic ставит главного агента, который получает запрос пользователя, продумывает стратегию и заводит несколько агентов-помощников. Каждый уходит копать свою часть темы, а главный ждёт и потом собирает найденное. Их собственное описание процесса:
Когда пользователь отправляет запрос, ведущий агент разбирает его, вырабатывает стратегию и порождает субагентов, чтобы изучить разные стороны вопроса одновременно.
Главное тут - помощники работают параллельно, ради этого всё и затевается. В той же системе главный агент созывает по три-пять помощников сразу, каждый из них тоже пользуется несколькими инструментами одновременно. За счёт этого большая задача, которая у одного агента растянулась бы на длинную цепочку шагов, у бригады схлопывается в несколько параллельных потоков.
Рядом со схемой «оркестратор и воркеры» есть два соседних понятия, которые часто путают с мультиагентом:
- Маршрутизация (роутинг). Система смотрит на входящий запрос и отправляет его в нужную ветку: вопрос про оплату - в одну, про технику - в другую. Это ещё не команда агентов, это сортировка на входе.
- Цепочка (prompt chaining). Задачу делят на шаги, и каждый следующий шаг работает с результатом предыдущего. Это конвейер из одного агента, а несколько агентов рядом тут не работают.
Мультиагентная система отличается тем, что исполнителей действительно несколько и работают они одновременно, каждый в своём пространстве.
Изоляция контекста - это часть того, что я называю контекст-инжинирингом: управление тем, что и куда попадает в память ИИ. На практикуме за три вечера собираешь всю связку под свой бизнес целиком: ИИ-клон + Второй мозг + Контекст-инжиниринг - она и превращает ИИ из «помощника с галлюцинациями» в рабочий инструмент.
Где ты уже пользуешься мультиагентами, сам того не зная?
Самый близкий пример - субагенты в Claude Code. В документации Claude их описывают коротко:
Субагенты - это специализированные ИИ-помощники, которые берут на себя определённые типы задач.
Ключевое в них - отдельное рабочее пространство. Субагент не сидит в твоём основном разговоре, у него своё окно контекста, свой набор инструкций и свои права:
Каждый субагент работает в собственном окне контекста, со своим системным промптом, своим доступом к инструментам и отдельными правами.
На практике это выглядит так: ты просишь агента, скажем, разобрать большой отчёт об ошибке. Он не заваливает твой чат сотней строк логов. Эту грязную работу он отдаёт субагенту. Тот роется в логах у себя, а тебе возвращает короткий вывод: причина такая-то, чинить здесь. Твой основной разговор остаётся чистым, и ИИ не начинает путаться и терять нить.
Тут же понятно, зачем это нужно бизнесу. Я держу Claude Code и других агентов в паре, а большие задачи разбиваю на субагентов ровно по этой причине: чтобы каждый копал своё и не мешал остальным. Если хочешь понять, какие задачи вообще стоит отдавать агенту, у меня есть отдельный разбор про задачи для ИИ-агента. А про то, сколько таких помощников держать одновременно и не перегрузить агента, я писал в материале про субагентов и расширения Claude Code.
Зачем дробить задачу на несколько агентов?
Первая причина - память. Когда один агент ведёт большую задачу, его контекст быстро забивается: сюда легли результаты поиска, туда - куски файлов, ещё выше - промежуточные рассуждения. К концу он уже плохо помнит, с чего начинал. Разнести это по нескольким агентам - значит дать каждому чистый лист. Anthropic описывает выгоду так: каждый субагент даёт разделение труда со своими инструментами и своей линией поиска, и это делает исследование более полным.
Вторая причина - скорость и охват. Пять помощников, копающих одновременно, проходят по теме шире и быстрее, чем один агент по цепочке. На своей внутренней проверке качества исследований Anthropic получила такой результат:
Мы обнаружили, что мультиагентная система с Claude Opus 4 в роли ведущего агента и субагентами на Claude Sonnet 4 обошла одиночного Claude Opus 4 на 90,2 процента в нашей внутренней проверке качества исследований.
Цифра красивая, но у неё есть цена, и честно сказать про эту цену важнее, чем про сам прирост. Разберу её отдельно - тут у большинства и рушатся ожидания.
Почему мультиагент жжёт в 15 раз больше токенов?
Токен - это единица, которой измеряют расход ИИ: грубо, кусочек текста, за который идёт оплата. Один агент уже тратит больше обычного чата, потому что он не только отвечает, но и гоняет инструменты, читает файлы, ищет. Когда таких агентов несколько, расход складывается. Замер Anthropic по их собственным данным:
По нашим данным, агенты обычно расходуют примерно вчетверо больше токенов, чем чат, а мультиагентные системы - примерно в пятнадцать раз больше токенов, чем чат.
Отсюда прямой вывод про деньги. Пятнадцатикратный расход имеет смысл только там, где результат стоит этих денег. Anthropic формулирует это без обиняков: мультиагентная система оправдана на задачах, ценность которых достаточно высока, чтобы окупить возросший расход. Для короткого вопроса, на который хватило бы одного агента, поднимать бригаду - значит платить за пятерых там, где справился бы один.
У этой же механики есть и плюс. Anthropic заметила, что расход токенов сам по себе объясняет большую часть разницы в качестве: чем больше система может потратить на задачу, тем лучше результат. То есть мультиагент выигрывает во многом просто потому, что позволяет вложить в задачу больше вычислений. Если бюджет ограничен, эта же логика работает против тебя. Про то, как вообще не сжигать лимиты на одном агенте, у меня есть разбор как не спалить лимиты в Claude Code.
Когда мультиагентная система оправдана, а когда нет?
Простое правило: чем крупнее и «шире» задача, тем больше смысла в бригаде. Anthropic приводит наглядную градацию по масштабу:
| Тип задачи | Сколько агентов | Пример |
|---|---|---|
| Простой поиск факта | 1 агент, 3-10 обращений к инструментам | «Найди дату выхода такой-то модели» |
| Прямое сравнение | 2-4 субагента, по 10-15 обращений каждый | «Сравни три инструмента по цене и функциям» |
| Сложное исследование | Больше 10 субагентов с чёткими зонами | «Собери полную картину рынка по теме» |
Где мультиагент не помогает, тоже сказано прямо. Не всякую задачу можно разбить на параллельные куски, и агенты пока не очень хорошо договариваются между собой на ходу:
Например, большинство задач по написанию кода содержат меньше по-настоящему параллельных частей, чем исследование, а ИИ-агенты пока не очень хорошо координируются и делегируют работу друг другу в реальном времени.
Вывод простой. Если ты пишешь код, где шаг за шагом одно вытекает из другого, толпа агентов скорее запутается, чем поможет. Если ты собираешь широкое исследование из десятка источников, бригада вытянет то, на чём один агент задохнётся. И общий совет, который Anthropic повторяет отдельно: начинай с самого простого решения и усложняй только когда упрёшься.
Мы советуем искать самое простое из возможных решений и наращивать сложность только по необходимости. Иногда это означает вообще не строить агентную систему.
Как собрать свою первую мультиагентную связку?
По моему опыту, порядок такой:
- Возьми задачу, которая делится на части. Широкое исследование, сбор данных из многих мест, разбор большого объёма. Если задача идёт строго по шагам, мультиагент ей не нужен, оставайся на одном агенте.
- Начни с одного агента. Прогони задачу как обычно. Часто выясняется, что одного достаточно, и городить бригаду незачем.
- Вынеси грязную работу в один субагент. Когда видишь, что часть задачи заваливает контекст логами или поиском, отдай её субагенту. В Claude Code это делается настройкой, без кода: у субагента появляется своё окно и свой набор инструкций.
- Добавь параллельность, когда кусков стало много. Несколько субагентов, каждый на свою часть темы, работают одновременно. Держи за каждым чёткую зону, чтобы они не лезли в работу друг друга.
- Следи за расходом. Помни про пятнадцатикратную разницу. Если задача не стоит этих денег, вернись к одному агенту.
Если работаешь не в Claude Code, механика та же и в других инструментах. Про то, чем вообще кодить и держать агентов в 2026 году, у меня есть общая карта инструментов вайб-кодинга, а про то, как делегировать большую задачу вложенным помощникам, - разбор вложенных субагентов.
Что ещё спрашивают про мультиагентные системы?
Частые вопросы
Источники
Полная схема вайб-кодинга за три вечера: ИИ-клон + Второй мозг + Контекст-инжиниринг. Записи эфиров в личном кабинете, доступ 30 дней.
Новые материалы - дайджестом, без спама
Гайды выходят регулярно. Подпишись, чтобы не пропускать: пришлю подборку в Telegram или на email. Раз в неделю или каждый день - выбираешь сам.
