GLM: многоагентная декомпозиция сложного рассуждения

Парадокс: Один универсальный агент проигрывает команде из пяти узких специалистов. Когда модель пытается держать в голове весь ход рассуждений + все извлечённые факты, к 5-му шагу промпт раздувается до 40 тысяч токенов — и модель теряет фокус на середине контекста. Точность падает с 42% до 17%, каждый запрос стоит $3.6, latency 39 секунд. GLM разбивает монолитное рассуждение на роли: классификатор отсекает простые вопросы, аналитик решает достаточно ли данных, генератор формирует структурированные запросы к внешним источникам. Фишка: вместо полной истории рассуждений модель видит только компактный блокнот из 5-10 ключевых фактов — сжатие в 10-50 раз. Результат: +38% точности, −95.7% токенов, в 15 раз быстрее.