Multi-agent workflows для операций: когда одного агента недостаточно

Multi-agent systems часто показывают как футуристичный набор агентов. В реальных операциях все проще и полезнее: отдельные роли, понятные handoffs, общее состояние и supervisor, который удерживает workflow внутри политики.

Один агент хорош для небольшой задачи. Несколько агентов нужны, когда процесс требует разных навыков, источников данных или путей согласования.

Практический пример

Возьмем обработку входящего лида для AI-агентства. Один агент извлекает данные из формы. Второй обогащает компанию и классифицирует use case. Третий готовит черновик ответа. Четвертый проверяет бренд и policy. Человек подтверждает. CRM обновляется, Telegram-уведомление уходит.

Это не театр искусственного интеллекта. Это operations pipeline с AI-шагами.

Разделяйте по ответственности

Хорошие роли узкие:

• intake agent;
• research agent;
• retrieval agent;
• drafting agent;
• QA agent;
• routing agent;
• reporting agent;
• supervisor agent.

У каждой роли должны быть свои inputs, outputs, tools и поведение при ошибке. Если агент умеет все, его сложно тестировать и отлаживать.

Общее состояние лучше скрытой памяти

Агенты должны общаться через structured state: JSON, строки в базе, workflow events или task objects. Скрытая chat history делает сложные системы хрупкими. Общее состояние позволяет понять, что случилось, повторить упавший шаг и измерить каждую стадию.

Добавьте supervisor

Supervisor не обязан быть огромной reasoning-моделью. Это может быть workflow engine, rules или легкий classifier. Его задача решить, какой шаг идет дальше, когда остановиться, когда эскалировать и какие tools разрешены.

Именно здесь живет бизнес-политика.

Где это работает

Сильные сценарии: lead operations, proposal generation, support triage, compliance review, content production, internal reporting и document processing. Слабые сценарии это размытые цели без acceptance criteria.

Измеряйте стадии отдельно: extraction accuracy, enrichment quality, draft approval rate, escalation correctness, task completion time и cost.

Multi-agent workflows полезны, когда упрощают управление сложностью. Если система стала менее понятной, упрощайте. Цель не в количестве агентов, а в надежном выполнении работы.