Система ИИ-агентов: как устроена, из чего состоит и где ломается

Что такое система ИИ-агентов и почему одной модели мало

Запрос «система ии агентов» чаще приходит от собственника или руководителя отдела продаж, который уже попробовал чат с нейросетью. В окне чата модель отвечает бойко, но на рабочей задаче — свести данные из CRM, проверить условия сделки, подготовить ответ клиенту — ответов из чата перестаёт хватать.

Агент собирается из трёх частей. Языковая модель работает как «мозг»: принимает решения, но во внешнем мире сама ничего не делает. Инструменты работают как «руки»: связывают модель с карточкой сделки в CRM, календарём, поиском, базой данных. Третья часть — память и контекст, то, что агент удерживает по ходу задачи.

Система ИИ-агентов — это несколько таких агентов под общим управлением, где каждый отвечает за свой кусок работы. Рабочий результат даёт связка ролей, подключённая к данным и процессам компании. Качество отдельной модели тут вторично.

Дальше разберём архитектуру по порядку — оркестратор, роли, инструменты, память, передача контекста — и покажем места, где связка рвётся на внедрении.

Паттерн «оркестратор — исполнители»: как распределяется работа

Базовая архитектура мультиагентной системы строится вокруг ведущего агента — оркестратора. Он анализирует задачу, строит стратегию и порождает субагентов под подзадачи динамически, по ходу работы. Число субагентов не прописывают в коде заранее.

Каждый субагент получает роль, набор инструментов и зону ответственности. Оркестратор собирает их результаты и сводит в один ответ.

Прирост качества тут даёт структура. На исследовательской задаче связка «ведущий агент плюс параллельные субагенты» обошла одиночного агента на той же модели на 90,2%. Поднимает результат архитектура из ролей; более умная модель сама по себе такого прироста не показывает.

Для бизнеса это значит, что проектируется структура ролей и их полномочия. Это отдельная инженерная работа со своим составом задач; выбор «самой лучшей нейросети» её не заменяет.

Инструменты, память и передача контекста — где живут данные

Инструменты — то, чем агент дотягивается до реального мира: карточка сделки в CRM, календарь, поиск, внешняя база. Качество текстового описания инструмента тут решает многое. Невнятное описание ведёт к тому, что агент берёт не тот инструмент и подставляет неверные параметры.

Память упирается в контекстное окно — порядка 200 тысяч токенов до усечения. Уже после 20–30 итераций рабочего цикла модель начинает терять данные из начала диалога. Это ограничение ReAct-архитектуры, которое нельзя «включить» настройкой.

Поэтому контекст между агентами передают через внешние артефакты, не одним общим диалогом:

• общие файлы — например, NOTES.md, куда складываются промежуточные результаты;
• очередь задач с зависимостями и блокировками;
• передача подзадачи субагенту со свежим чистым контекстом.

Итоги работы складывают во внешнее хранилище. Прогонять их целиком через ведущего агента нельзя — окно переполняется, детали выпадают.

Где связка рвётся и чем это оборачивается для продаж

Эмпирическая таксономия отказов MAST выделяет 14 режимов сбоев в трёх категориях: ошибки проектирования и спецификации системы, рассогласование между агентами, провал верификации. Её построили на 1600+ размеченных трейсах по семи популярным фреймворкам при высоком согласии разметчиков (κ = 0,88).

Типовые места слома на внедрении повторяются. Оркестратор порождает лишних субагентов на элементарный запрос. Агенты уходят в бесконечные повторные обращения. Работа дублируется из-за расплывчатых формулировок задач. Важная деталь теряется, когда ответ одного агента не влезает в окно контекста следующего.

Для отдела продаж это выглядит так: агент теряет условие из брифа клиента, дублирует действия или зацикливается — и воронка получает кривой ответ. Основные деньги и риски лежат в оркестрации, передаче контекста и доступе к данным. Ломается связка; качество модели тут ни при чём.

Цена масштабирования: токены как статья расходов

Агент тратит примерно в 4 раза больше токенов, чем обычный чат. Мультиагентная система — около 15 раз больше. Расход токенов объясняет порядка 80% разброса в качестве результата.

Для собственника это прямая статья расходов, которую закладывают в экономику внедрения. Больше ролей и итераций — выше и качество, и счёт за токены.

Отсюда вывод для проектирования: не каждую задачу стоит отдавать мультиагентной связке. Несложный запрос дешевле и надёжнее закрыть одним агентом. Это решение принимается на разборе, до старта работ.

Токен-мультипликаторы измерены на конкретной исследовательской задаче. Для агентов, подключённых к amoCRM, Битрикс24 и Roistat, экономику считают под конкретный процесс компании.

Когда систему ИИ-агентов стоит отдать специалистам

Собрать чат с нейросетью можно самому. Рабочая система агентов — это оркестрация ролей, описание инструментов под вашу CRM, продуманная память и передача контекста, плюс устойчивость к типовым отказам из таксономии MAST. Эту часть мы закрываем как внедрение ИИ-агентов.

Работа начинается с подключения агентов к данным и процессам компании: карточкам сделок, задачам, аналитике. Здесь и находится зона внедрения. Выбор модели этот этап не закрывает. Когда связку собирают под воронку, к ней подключают и ИИ-агента в отделе продаж, чтобы он работал с реальными сделками.

Наш порядок работы: вход — бесплатный созвон, после него присылаем план и смету под вашу задачу. Разбор архитектуры и инструментов ведёт Никита Бердников. Состав и стоимость этапа — в смете после созвона.

Если задача шире одного чат-бота и агентам нужен доступ к CRM и процессам — это и есть внедрение ИИ-агентов. Разбор стоит начать с созвона.