W skrócie
- System wieloagentowy składa się z kilku współpracujących agentów AI, z których każdy ma własne zadania, instrukcje i narzędzia. Zwykle steruje nimi koordynator.
- Anthropic informuje, że w wewnętrznej ocenie wyszukiwania informacji taki system przewyższył jednego agenta o 90,2 procent, ale zużył około 15 razy więcej tokenów niż czat. Tokeny to fragmenty tekstu, według których rozliczane są usługi AI.
- Inni twórcy ostrzegają, że agenci pomocniczy pracujący równolegle przyjmują sprzeczne założenia, jeśli nie współdzielą kontekstu.
- Praktyczna zasada: zacząć możliwie prosto, a kilku agentów stosować tylko do niezależnych podzadań, z ograniczonymi uprawnieniami i zatwierdzaniem przez ludzi.
Czym jest system wieloagentowy
Agent AI składa się z modelu językowego, instrukcji i narzędzi. Anthropic odróżnia przepływy pracy, w których modele językowe i narzędzia są sterowane przez z góry ustalone ścieżki programu, od agentów samodzielnie określających przebieg pracy i wybór narzędzi. System wieloagentowy łączy kilku takich agentów. W praktyce występują trzy podstawowe schematy:
| Schemat | Jak działa | Przykład |
|---|---|---|
| Koordynator i specjaliści | Główny agent dzieli zadanie, przydziela części agentom pomocniczym i podsumowuje wyniki | Wyszukiwanie informacji o dziesięciu dostawcach, po jednym agencie pomocniczym na dostawcę |
| Przekazanie | Jeden agent przekazuje rozmowę innemu, odpowiedzialnemu za dany temat | Pierwsza linia obsługi klienta przekazuje sprawę do obsługi zwrotów pieniędzy lub wsparcia technicznego |
| Twórca i weryfikator | Jeden agent tworzy, drugi ocenia i przekazuje uwagi, aż wynik będzie odpowiedni | Wersja robocza tekstu z kontrolą jakości według listy kontrolnej |
Co pokazuje praktyka
We wpisie z czerwca 2025 Anthropic opisuje system do wyszukiwania informacji oparty na schemacie koordynatora. W ocenie wewnętrznej uzyskał wynik o 90,2 procent lepszy niż pojedynczy agent. Jednocześnie agenci zużywali około cztery razy, a systemy wieloagentowe około 15 razy więcej tokenów niż czat. Anthropic wskazuje zadania ze wspólnym kontekstem i wieloma zależnościami jako mniej odpowiednie, na przykład programowanie, które ma mniej części możliwych do wykonania równolegle niż wyszukiwanie informacji.
Cognition, twórca asystenta programowania, w tym samym miesiącu dochodzi do ostrożniejszego wniosku: agenci pomocniczy widzą tylko fragmenty, przyjmują różne założenia i dostarczają wyniki, które do siebie nie pasują. Doniesienia te są mniej sprzeczne, niż się wydaje: kilku agentów pomaga przy szeroko zakrojonej pracy, którą można podzielić, ale wymaga znacznie więcej mocy obliczeniowej i większej kontroli.
Kiedy wystarczy jeden agent lub ustalony proces
Anthropic zaleca szukanie najprostszego możliwego rozwiązania i zwiększanie złożoności tylko wtedy, gdy jest to konieczne. Dla większości zadań w małych i średnich firmach oznacza to:
- Przebieg jest ustalony: odczytanie faktury, weryfikacja, księgowanie. Ustalony proces z krokami AI jest tu szybszy, tańszy i łatwiejszy do sprawdzenia.
- Zadanie wymaga ciągłości kontekstu: napisanie oferty dla konkretnego klienta, odpowiedź na zapytanie. Wystarczy jeden agent z właściwymi narzędziami.
- Liczą się koszty i szybkość: każdy kolejny agent zużywa czas i moc obliczeniową, a każde przekazanie jest potencjalnym źródłem błędu.
Kiedy kilku agentów ma sens
- Podzadania są niezależne: jednoczesne sprawdzenie dziesięciu dostawców lub dwudziestu dokumentów, a następnie połączenie wyników.
- Uprawnienia mają pozostać rozdzielone: jeden agent czyta e-maile i ma tylko uprawnienia do odczytu, a drugi zapisuje dane w Państwa systemie magazynowo-handlowym, ale wyłącznie po zatwierdzeniu. Ogranicza to szkody, gdy zmanipulowane treści skierują agenta na niewłaściwą drogę.
- Dodatkowe sprawdzenie ma wartość: agent weryfikujący porównuje wynik ze źródłami, zanim zobaczy go człowiek.
- Kontekst przekroczyłby limit: bardzo długie zadania można podzielić na części, z których każdą obsługuje osobny agent pomocniczy.
Ryzyka i kontrola
- Koszty: należy ustalić limity dla każdego zlecenia i mierzyć zużycie zasobów podczas jednego uruchomienia.
- Łańcuchy błędów: błąd jednego agenta jest przejmowany przez kolejnego. Należy zapisywać wyniki pośrednie wraz ze źródłami i wyrywkowo je sprawdzać.
- Uprawnienia: każdy agent otrzymuje tylko to, czego potrzebuje. OWASP wymienia „Excessive Agency”, czyli zbyt szerokie uprawnienia, jako odrębne zagrożenie dla aplikacji z modelami językowymi. Działania zapisujące dane wymagają zatwierdzenia.
- Możliwość prześledzenia działań: rejestr pokazuje, który agent co zrobił i dlaczego. W przypadku danych osobowych obowiązują zasady RODO.
- Wysokie ryzyko: jeśli agenci przygotowują decyzje dotyczące ludzi, na przykład w rekrutacji lub ocenie zdolności kredytowej, zgodnie z załącznikiem III AI Act obowiązują rygorystyczne zasady. Więcej o kategoriach ryzyka.
Jak postępować
- Opisanie procesu: kroki, dane, decyzje i osoba zatwierdzająca.
- Prosty początek: ustalony proces lub jeden agent oraz pomiar wyników.
- Wskazanie wąskiego gardła: gdzie to nie wystarcza, pod względem czasu, jakości czy uprawnień?
- Podział tylko w tym miejscu: agent pomocniczy z jasno określonym zadaniem, danymi wejściowymi i wyjściowymi.
- Porównanie: koszty, czas i odsetek błędów w odniesieniu do prostego rozwiązania.
- Wprowadzenie zatwierdzania: człowiek potwierdza, zanim cokolwiek trafi na zewnątrz lub zostanie zaksięgowane.
Źródła
- Anthropic: Jak zbudowaliśmy nasz wieloagentowy system badawczy, 13 czerwca 2025
- Anthropic: Tworzenie skutecznych agentów, 19 grudnia 2024
- Cognition: Nie budować systemów wieloagentowych, 12 czerwca 2025
- OpenAI: Agents SDK, przekazywanie zadań
- OWASP: 10 najważniejszych zagrożeń dla aplikacji LLM 2025
- Rozporządzenie (UE) 2024/1689 w sprawie sztucznej inteligencji, załącznik III: EUR-Lex