Мультиагентная система: что это такое и когда она проигрывает одному агенту

Мультиагентная система — это набор из нескольких ИИ-агентов с разными ролями, которые работают над общей целью по единому плану. Один агент ищет, другой пишет, третий проверяет, а координатор делит работу и собирает итог. На крупных задачах, которые делятся на независимые части, такая схема выигрывает у одного агента. На мелких и тесно связанных задачах она проигрывает.

Из чего состоит мультиагентная система?

Из четырёх частей: роли, координатор, общее состояние и правила приёмки.

• Роли. Каждый агент отвечает за свой участок и не выходит за него. В ORCH это разведчик, архитектор, исполнители бэкенда и интерфейсов, тестировщик, ревьюер, аудитор безопасности, скептик и другие, всего 25+ ролей.
• Координатор. Он оценивает задачу, строит план, раздаёт работу и принимает результат. В ORCH эту роль выполняет Opus.
• Общее состояние. План, статусы задач и отчёты лежат в одном месте, и любой агент (или свежая сессия после обрыва) читает их оттуда.
• Правила приёмки. Результат не принимается без проверок: тестов, ревью, состязательной проверки.

Чем мультиагентная система отличается от одного агента?

У каждого агента системы свой короткий контекст и своя роль, а одиночный агент держит всё в одной истории. Отсюда остальные различия:

Когда мультиагентная система проигрывает одиночному агенту?

В четырёх случаях.

1. Задача на одну-две правки. Координация съедает больше времени, чем сама работа. В ORCH задачи размера S поэтому идут без плана.
2. Части сильно связаны. Если все изменения упираются в один файл или одну схему данных, параллельные агенты мешают друг другу. Работа распадается на независимые зоны не всегда.
3. Нет критерия готовности. Проверяющим нечего проверять, и система превращается в дорогую дискуссию между агентами.
4. Нет лимита расходов. Несколько агентов тратят токены быстрее одного, и без потолка счёт растёт незаметно.

Разработчики Claude описывают тот же компромисс в разборе собственной мультиагентной системы для исследований: она хорошо справляется с широкими задачами, где части идут параллельно, и заметно больше расходует токенов, чем чат. Для работы с жёсткими зависимостями между частями такой подход подходит хуже. СОГЛАСОВАТЬ: сверить формулировку и цифру расхода токенов с первоисточником — anthropic.com/engineering/multi-agent-research-system — и добавить ссылку с датой.

Как устроена мультиагентная система на примере ORCH?

ORCH превращает сессию Claude Code в команду из 25+ агентов. Путь задачи выглядит так:

1. Диспетчер принимает задачу.
2. Координатор оценивает размер (S, M, L, XL) и риск.
3. Архитектор строит план: задачи без пересечений по файлам, с критерием готовности у каждой.
4. Владелец отвечает «да» на план больших задач.
5. Исполнители работают параллельно, каждый в своей зоне файлов и в отдельном git worktree.
6. Проверки: тесты, ревью, аудит безопасности для рискованных задач, скептик, визуальная приёмка по скриншотам 1440 и 390.
7. Владелец отвечает «да» на выкладку.

Модели закреплены за ролями. Opus держит две роли, где нужны сложные решения. Sonnet выполняет работу и проверяет. Восемь быстрых помощников на Haiku берут простое: поиск тестов, разбор логов, сжатие отчётов. На фоновую задачу действует потолок расхода: на 80% команда сдаёт итог, на 100% работа останавливается.

Как выглядит работа системы на конкретной задаче?

Возьмём учебный пример: страница онлайн-записи на услуги с оплатой и уведомлением в Telegram. Система оценивает задачу как L с риском «платежи» и строит план из шести задач в двух волнах.

• Волна 1: разведчик находит форму и API записи, бэкенд делает таблицу записей и слоты, интерфейс верстает страницу.
• Волна 2: бэкенд подключает оплату и вебхук, затем уведомление в Telegram, тестировщик пишет тесты сценария записи.

Вторая волна ждёт первую, потому что оплата опирается на таблицу записей. Это и есть зависимость между частями: её видит архитектор, и без неё параллельная работа привела бы к конфликту. Так как задача касается платежей, к обычным проверкам добавляется аудит безопасности, и владелец отвечает «да» на каждый необратимый шаг. Пример иллюстративный: реальные сроки и расход зависят от проекта.

Какие задачи подходят мультиагентной системе?

Подходят задачи, у которых выполняются три условия: их можно разделить на независимые части, у результата есть проверяемый критерий, а ошибка стоит дороже, чем лишний проход проверок.

Типичные примеры: сайт или лендинг, SaaS-сервис, бот для заявок, цикл статей. Агентство VEYRO строит на ORCH сервис LeadSync, ИИ-агента по заявкам для сайтов. СОГЛАСОВАТЬ: публикацию кейса и цифры (4 параллельные задачи, 11 выкладок в прод к 15.10.2026).

Частые вопросы

Мультиагентная система и оркестратор: это одно и то же?

Нет. Оркестратор выполняет управляющую роль: он ставит задачи, собирает результаты и следит за порядком. Мультиагентная система включает всю конструкцию: агентов плюс оркестратор. ORCH называют оркестратором, потому что он управляет остальными 24 ролями.

Нужна ли мультиагентная система малому бизнесу?

Бизнесу нужен результат, а не схема. Мелкую задачу решит один агент. Если требуется сайт, сервис или цикл статей с проверками, мультиагентная система экономит ваше время: вы пишете задачу и отвечаете «да» на план и на выкладку.

Мультиагентная система всегда дороже?

На одну задачу чаще да, потому что агенты тратят токены на координацию. ORCH сдерживает расход: простые операции идут на дешёвой модели Haiku, а на задачу действует потолок расхода с автостопом. Выигрыш по деньгам мы не обещаем, он зависит от задачи.

Что дальше

Посмотрите всех участников команды: 25+ ролей ORCH. Затем прочитайте, чем ИИ-агент отличается от чат-бота и как оптимизировать работу в Claude Code.

Тариф «Лёгкий» — 5 490 ₽ разово. ORCH работает в вашем Claude Code на вашей подписке Claude, нужны macOS или Linux и Node.js 20+. Выбрать тариф