AI Agents Quest

Anthropic в своём ключевом исследовании выделил принцип: «Не используй агентов, когда хватает workflows». Это не отрицание агентов, а призыв к инженерной дисциплине. Есть 6 базовых паттернов — от простого к сложному.

1. Prompt Chaining — Цепочка промптов

Задача разбивается на последовательные шаги. Выход одного шага — вход следующего. Каждый шаг простой, проверяемый.

Когда использовать: задача естественно декомпозируется на последовательные шаги, где каждый шаг зависит от предыдущего.

2. Routing — Маршрутизация

Первый LLM-вызов классифицирует запрос и направляет к специализированному обработчику. Как коммутатор в телефонной сети.

3. Parallelization — Параллелизация

Задача разбивается на независимые подзадачи, которые выполняются одновременно. Результаты собираются агрегатором.

Два паттерна: Sectioning (разные аспекты одной задачи) и Voting (одна задача, несколько попыток, лучший результат).

4. Orchestrator-Workers — Оркестратор

Центральный LLM динамически решает, какие подзадачи создать и как их распределить. В отличие от параллелизации, здесь подзадачи не предопределены — оркестратор сам планирует.

5. Evaluator-Optimizer — Оценщик

Один LLM генерирует, другой оценивает. Цикл повторяется, пока оценщик не одобрит результат. Это как code review, но автоматизированный.

6. Autonomous Agent — Автономный агент

LLM сам решает, когда остановиться. Он работает в цикле, используя инструменты, пока не достигнет цели или не исчерпает лимиты. Максимальная гибкость, но и максимальные риски.

Чтобы агенты могли работать с внешним миром и друг с другом, нужны стандартные протоколы. В 2025 году появились два ключевых стандарта, которые определили ландшафт.

MCP — Model Context Protocol

Создан Anthropic. Решает проблему M×N интеграций: вместо того чтобы каждый AI-клиент писал коннектор к каждому сервису, MCP создаёт единый стандарт подключения.

MCP-сервер предоставляет три типа возможностей:

• Resources — данные для чтения (файлы, БД, API). Контролируются приложением.
• Tools — действия, которые может вызывать модель (CRUD операции, вычисления).
• Prompts — шаблоны инструкций, подготовленные сервером.

Транспорт работает через JSON-RPC 2.0 по stdio (локально) или HTTP+SSE (удалённо). Ключевая фича — capability negotiation: клиент и сервер договариваются, что каждый из них поддерживает.

A2A — Agent-to-Agent Protocol

Создан Google. Если MCP — это «агент ↔ инструмент», то A2A — это «агент ↔ агент». Протокол для коммуникации между агентами разных вендоров.

Ключевые концепции A2A:

• Agent Card — JSON-файл с описанием возможностей агента (как robots.txt для AI)
• Task — единица работы с жизненным циклом (submitted → working → completed)
• Message/Part — обмен сообщениями с типизированным контентом (текст, файлы, формы)
• Artifact — результат работы агента (файл, данные, отчёт)

MCP + A2A = Полная экосистема

Эти протоколы комплементарны: MCP даёт агенту руки (доступ к инструментам), A2A даёт голос (общение с другими агентами). Вместе они формируют полноценную экосистему, где агенты разных вендоров могут сотрудничать.

В 2025 году Manus (китайский AI-агент общего назначения) опубликовал статью, которая перевернула представление об «инженерии промптов». Их тезис: prompt engineering мертв, да здравствует context engineering.

Контекстное окно — это всё

Ключевой инсайт: всё, что видит модель — это контекстное окно. Не промпт, не RAG, не fine-tuning — а именно то, что оказалось в контексте на момент генерации. Задача инженера — сделать так, чтобы в контексте оказалась нужная информация в нужном порядке.

4 принципа context engineering от Manus

1. KV-Cache — ваш компас

KV-cache хранит промежуточные вычисления модели. Попадание в кэш = быстро и дёшево. Промах = дорогая рекомпуляция. Manus научился структурировать контекст так, чтобы максимизировать cache hits — стабильный системный промпт вначале, динамическая информация в конце.

2. Не утопи модель в инструментах

Каждый MCP-инструмент в контексте — это ~400 токенов описания. 100 инструментов = 40K токенов только на описания. Manus использует динамическое подключение инструментов — загружает только те, что релевантны текущей задаче.

3. Файловая система как контекст

Когда информация не помещается в контекст, Manus пишет её в файлы и даёт агенту ссылку. Файл становится «внешней памятью», а контекст содержит только указатель. Это аналог виртуальной памяти в OS — подкачка по требованию.

4. Рефлексия через ошибки

Вместо того чтобы прятать ошибки агента, Manus оставляет их в контексте. Модель видит: «Я пробовал X, это не сработало из-за Y». Это мощный сигнал — модель учится в рамках одной сессии не повторять ошибки.

Todo-list как backbone

Manus использует todo-list как центральный механизм координации. Каждый шаг отмечается: [✓] сделано или [ ] в процессе. Модель всегда видит, где она находится в плане. Это решает проблему «потерянного контекста» на длинных задачах.

Отдельный агент — это солдат. Рой агентов — это армия. Идея роевого интеллекта (Swarm Intelligence) пришла из биологии: муравьи, пчёлы, стаи птиц решают сложные задачи без центрального координатора.

От одного агента к рою

Ограничения одиночного агента:

• Контекстное окно — один агент не может «знать всё» о большом проекте
• Специализация — один промпт не может быть одинаково хорош для кодирования, тестирования и деплоя
• Надёжность — одна ошибка ломает всю цепочку
• Скорость — последовательное выполнение медленнее параллельного

Архитектуры мульти-агентных систем

Иерархическая (Manager-Worker)

Менеджер-агент получает задачу, декомпозирует на подзадачи и раздаёт рабочим. Каждый рабочий — специалист в своей области. Менеджер собирает результаты и контролирует качество.

Сеть равных (Peer-to-Peer)

Нет центрального координатора. Агенты общаются напрямую через A2A, передают задачи друг другу по компетенциям. Каждый агент публикует Agent Card с описанием своих навыков.

Конвейер (Pipeline)

Агенты выстроены в цепочку, как на заводском конвейере. Каждый делает свою операцию и передаёт результат следующему. Coder → Reviewer → Tester → Deployer.

Примеры из реального мира

Claude Code — использует субагентов для исследования кодовой базы. Главный агент делегирует: «найди все файлы, связанные с аутентификацией» → субагент сканирует проект и возвращает результаты.

Cursor — Background Agents работают параллельно на отдельных ветках. Несколько агентов решают разные задачи одновременно, каждый в своей песочнице.

Devin — полноценная виртуальная машина для каждого агента. Агент может устанавливать зависимости, запускать серверы, тестировать в браузере.

Проблема координации

Главный вызов мульти-агентных систем — не создание агентов, а их координация. Кто решает конфликты? Как синхронизировать состояние? Как избежать бесконечных циклов? Ответы на эти вопросы определяют успех роя.

В книге «Agents» от Google собраны паттерны проектирования, выработанные индустрией. Это не академическая теория — это боевые рецепты, проверенные в продакшене.

Когнитивные архитектуры

1. ReAct — Reasoning + Acting. Модель чередует рассуждения и действия. Базовый цикл всех современных агентов.
2. Chain-of-Thought (CoT) — модель «думает вслух», разбивая решение на шаги. Улучшает точность на 40%+ на сложных задачах.
3. Tree-of-Thought (ToT) — вместо одной цепочки мыслей модель исследует дерево вариантов. Параллельный поиск лучшего пути.
4. Reflexion — модель анализирует свои прошлые ошибки и формулирует выводы для следующих попыток.

Управление инструментами

5. Dynamic Tool Selection — загрузка только релевантных инструментов (паттерн Manus).
6. Tool Chaining — последовательный вызов инструментов, где выход одного = вход другого.
7. Parallel Tool Calls — вызов нескольких инструментов одновременно, когда они независимы.
8. Human-in-the-Loop Tools — агент запрашивает подтверждение человека перед опасными действиями.

Память и контекст

9. RAG (Retrieval-Augmented Generation) — поиск релевантной информации перед генерацией.
10. Episodic Memory — хранение истории взаимодействий для обучения на своём опыте.
11. Semantic Memory — база знаний с фактами и концепциями.
12. Procedural Memory — сохранение успешных стратегий и процедур для повторного использования.
13. Context Window Management — стратегии сжатия и ротации контекста (суммаризация, приоритизация).

Мульти-агентные паттерны

14. Supervisor — агент-супервизор контролирует группу рабочих агентов.
15. Debate — агенты спорят и критикуют решения друг друга для повышения качества.
16. Ensemble — несколько агентов решают одну задачу, лучший ответ выбирается голосованием.
17. Handoff — передача задачи от одного агента другому с сохранением контекста.

Безопасность и надёжность

18. Guardrails — ограничения на действия агента (allowlists, rate limits, sandboxing).
19. Graceful Degradation — агент умеет корректно обрабатывать сбои и переходить в безопасный режим.
20. Audit Trail — полное логирование всех решений и действий для отладки.
21. Capability Boundaries — чёткое определение того, что агент может и не может делать.

Мы прошли путь от чат-ботов до роёв. Но это лишь начало. Вот что ждёт нас в ближайшие годы — и почему стоит обратить внимание уже сейчас.

Тренд 1: Агенты становятся commodity

Создание базового агента больше не рокет-сайенс. Фреймворки (LangGraph, CrewAI, AutoGen, OpenAI Agents SDK) позволяют собрать агента за час. Конкурентное преимущество смещается от «умею создать агента» к «умею создать надёжного агента в продакшене».

Ключевые фреймворки 2025–2026:

• OpenAI Agents SDK — минималистичный: Agent + Handoff + Guardrails
• LangGraph — граф-ориентированная оркестрация с состоянием
• CrewAI — мультиагентные «команды» с ролями
• Claude Code — агент с прямым доступом к терминалу и файловой системе

Тренд 2: Context Engineering > Prompt Engineering

Как показал Manus, будущее не за «волшебными промптами», а за инженерией контекста. Кто лучше управляет тем, что видит модель — тот получает лучший результат. Это включает:

• Управление KV-cache и структурой контекста
• Динамическую загрузку/выгрузку инструментов
• Файловую систему как расширение памяти
• Стратегии суммаризации и сжатия контекста

Тренд 3: Специализированные агенты

Вместо «одного умного агента для всего» индустрия движется к экосистемам специалистов:

• Coding agents (Cursor, Claude Code, Devin, Windsurf)
• Research agents (Deep Research, Perplexity)
• Data agents (аналитика, визуализация, ETL)
• DevOps agents (деплой, мониторинг, инцидент-менеджмент)

Тренд 4: Безопасность становится критичной

Когда агент может выполнять код, обращаться к API, отправлять сообщения — ошибка агента = ошибка в продакшене. Тренды в безопасности:

• Sandboxing — каждый агент в изолированной среде
• Permission systems — явные разрешения на каждое действие
• Audit trails — полное логирование для пост-анализа
• Human-in-the-loop — человек одобряет критические действия

Тренд 5: Агентский интернет

MCP + A2A формируют фундамент для «интернета агентов» — сети, где AI-агенты находят друг друга, договариваются и сотрудничают. Вместо веб-сайтов для людей — API-эндпоинты для агентов. Вместо SEO — Agent Cards.

Финальная мысль

Мы находимся в точке, аналогичной 1995 году для веб-разработки. Всё только начинается. Агенты — это не мода, это новая парадигма взаимодействия с AI. И те, кто поймёт их архитектуру сегодня, будут строить продукты завтра.