TL;DR
Агентная архитектура — подход к работе с LLM, где модель становится автономной системой с памятью и планированием, а не просто отвечает на каждый запрос изолированно. Вместо "спросил → получил ответ → забыли" модель ведёт персистентное состояние (помнит контекст), планирует последовательность шагов, использует внешние инструменты, симулирует несколько экспертов и учится на обратной связи.
Обычный LLM работает реактивно и без памяти: каждый промпт — отдельный эпизод, модель генерирует текст вероятностно, не проверяя факты и не отслеживая прогресс к цели. Это создаёт проблемы в сложных задачах: модель может противоречить себе между сообщениями, терять контекст долгой работы, галлюцинировать вместо проверки внешних источников, не декомпозировать большую задачу на шаги. Для простого вопроса ("столица Франции") это не критично. Для многошаговой работы (исследование рынка, разработка стратегии, написание серии материалов) — фатально.
Агентный подход разбивает на 5 компонентов: (1) Стратегическое планирование — декомпозиция цели на подзадачи, (2) Управление памятью — накопление контекста между сессиями, (3) Выполнение действий — использование внешних инструментов и источников, (4) Коллаборация — симуляция команды экспертов с разными ролями, (5) Эволюция — рефлексия и улучшение через критику своих результатов. Каждый компонент решает конкретную слабость базовой модели.
Схема архитектуры
КОМПОНЕНТ 1: Стратегическое планирование
Задача → Разбивка на подзадачи {g1, g2, ..., gk} → План действий
КОМПОНЕНТ 2: Управление памятью
Новое наблюдение + Старое состояние → Обновлённое состояние St
КОМПОНЕНТ 3: Выполнение действий
Выбор действия: текст | внешний инструмент | корректировка плана
КОМПОНЕНТ 4: Коллаборация
Симуляция нескольких агентов с разными экспертизами → Консенсус
КОМПОНЕНТ 5: Эволюция
Результат → Самокритика → Корректировка → Улучшенный результат
[Все компоненты работают в цикле, обновляя внутреннее состояние]
Пример применения
Задача: Ты развиваешь направление edtech в стартапе. Нужно исследовать российский рынок онлайн-курсов для взрослых, оценить конкурентов, найти незанятую нишу и предложить позиционирование.
Промпт (агентный подход):
Ты автономный стратегический агент. Твоя задача: исследовать рынок онлайн-образования для взрослых в России и предложить позиционирование для нового продукта.
КОМПОНЕНТЫ РАБОТЫ:
1. ПЛАНИРОВАНИЕ
Разбей задачу на последовательность подзадач. Каждую подзадачу опиши чётко: что делаешь, какой результат получаешь. Пронумеруй шаги.
2. ПАМЯТЬ
После каждого шага создавай краткий summary: что узнал, какие ключевые факты, какие гипотезы появились. Используй этот summary в следующем шаге.
3. ДЕЙСТВИЯ
На каждом шаге явно укажи:
- Какие данные нужны (попроси меня найти или скажи что нужно загуглить)
- Какой анализ делаешь
- Какой вывод получил
4. КОЛЛАБОРАЦИЯ
На ключевых шагах (например, анализ конкурентов, выбор ниши) симулируй дискуссию между:
- Маркетолог (смотрит на спрос)
- Продуктолог (смотрит на feasibility)
- Финансист (смотрит на unit-экономику)
Покажи их аргументы, найди консенсус.
5. РЕФЛЕКСИЯ
Перед финальным выводом покритикуй свой анализ: какие допущения сделал, где данных не хватает, какие риски упустил. Скорректируй выводы.
Начинай с плана. После каждого шага жди моего подтверждения "продолжай" или дополнительных данных.
Результат:
Модель выдаст пошаговый план (5-7 пунктов: от анализа игроков до финального позиционирования). На каждом шаге покажет summary предыдущих находок ("из шага 2 знаем что SkillFactory и Нетология доминируют в IT-курсах..."). При анализе конкурентов симулирует дискуссию трёх ролей с аргументами за/против. Перед финальными выводами критикует сам себя ("Я предположил что аудитория 25-35, но не учёл сегмент 40+ который активно переучивается"). Вместо одного длинного текста получишь структурированный процесс с чекпоинтами.
Почему это работает
LLM по умолчанию — генератор следующего токена, не мыслитель. Модель предсказывает вероятное продолжение текста на основе паттернов из обучения. Это отлично работает для локальных задач ("напиши email"), но ломается на долгих горизонтах: модель не отслеживает глобальную цель, не помнит что было 50 сообщений назад, не проверяет противоречия между частями ответа. Если задача требует 10 шагов рассуждений — модель держит в "голове" только последние 2-3, остальное теряется.
LLM сильна в симуляции структур через текст. Модель отлично следует явным инструкциям ("сделай сначала Х, потом Y, потом проверь Z"). Если в промпте описать формат мышления (план → память → действие → критика), модель имитирует этот процесс текстуально. Псевдокод, XML-теги, роли — это не программирование, это scaffolding (строительные леса) для рассуждений. Мы создаём структуру словами, модель заполняет содержанием.
Агентный подход превращает слабости в контролируемые процессы. Вместо надежды что модель "сама вспомнит" ранний контекст — явная инструкция "создай summary после шага". Вместо риска галлюцинаций — явное требование "укажи нужен ли внешний источник". Вместо хаотичного потока сознания — план с checkpoint'ами. Вместо одной плоской перспективы — симуляция дебатов между ролями обостряет критичность. Каждый компонент — костыль для конкретной слабости, но все вместе создают систему способную к автономной работе над сложной задачей.
Рычаги управления: - Число агентов в коллаборации — 2 агента для быстрого челленджа идеи, 4-5 для глубокого анализа с разных углов (но дороже в токенах) - Частота рефлексии — после каждого шага для критичных задач (юридический анализ), раз в 3-5 шагов для исследований - Глубина планирования — высокоуровневый план (5 шагов) для неопределённых задач, детальный (15+ шагов) для structured workflows - Формат памяти — краткий bullet-list для экономии токенов, развёрнутый narrative для сохранения нюансов - Критерий завершения — консенсус всех агентов (строго), большинство (быстрее), или числовой порог уверенности
Шаблон промпта
Ты автономный агент для решения {тип_задачи}. Твоя цель: {конечная_цель}.
КОМПОНЕНТЫ РАБОТЫ:
1. ПЛАНИРОВАНИЕ
Разбей задачу на {число_шагов} последовательных подзадач.
Для каждой укажи: что делаешь, какой критерий успеха, какой выход.
2. ПАМЯТЬ
После каждого шага создавай SUMMARY:
- Что узнал (факты)
- Какие гипотезы возникли
- Что изменилось в понимании задачи
Используй предыдущие SUMMARY в следующих шагах.
3. ДЕЙСТВИЯ
На каждом шаге явно укажи тип действия:
[TEXT] - генерация текста/анализа
[TOOL] - нужен внешний источник/инструмент (опиши что именно)
[PLAN_UPDATE] - корректировка плана на основе новых данных
4. КОЛЛАБОРАЦИЯ
На шагах {критические_шаги} симулируй дискуссию между {роли_агентов}.
Формат:
Agent_A [роль]: [аргумент]
Agent_B [роль]: [контраргумент]
Agent_C [роль]: [синтез]
Консенсус: [общий вывод]
5. РЕФЛЕКСИЯ
Перед финальным выводом:
- Какие допущения сделал?
- Где данных не хватает?
- Какие альтернативные объяснения?
- Что может пойти не так?
Скорректируй выводы на основе критики.
Начинай с плана. После каждого шага жди команды "продолжай" или дополнительных данных от меня.
Где подставлять:
- {тип_задачи} — "стратегического анализа", "разработки контент-плана", "исследования рынка"
- {конечная_цель} — конкретный результат который нужен
- {число_шагов} — 5-7 для первого уровня декомпозиции
- {критические_шаги} — например "анализ конкурентов", "выбор стратегии" — где важна многосторонняя оценка
- {роли_агентов} — эксперты релевантные задаче: "маркетолог, финансист, продуктолог" или "оптимист, пессимист, прагматик"
🚀 Быстрый старт — вставь в чат:
Вот шаблон агентной архитектуры. Адаптируй под мою задачу: [твоя задача].
Задавай вопросы чтобы заполнить компоненты: какие роли агентов нужны,
сколько шагов, какие критические точки для рефлексии.
[вставить шаблон выше]
LLM спросит про специфику задачи (творческая/аналитическая?), число шагов (известен ли процесс заранее?), роли агентов (какие перспективы важны?), критерии успеха каждого шага. Она возьмёт паттерн из шаблона и адаптирует — ты получишь готовый агентный промпт под свою задачу без ручной настройки архитектуры.
Ограничения
⚠️ Токены и стоимость: Агентный подход генерирует значительно больше текста — планы, summary каждого шага, дискуссии агентов, рефлексия. Для GPT-4 сессия может стоить в 5-10 раз дороже прямого вопроса. Не для быстрых справочных задач.
⚠️ Барьер входа для новичка: Требует понимания когда применять. Для "напиши пост в соцсеть" агентный подход — overkill. Эффективен для многошаговых задач с неопределённостью (исследования, стратегии, разработка сложного контента).
⚠️ Иллюзия автономности: Модель симулирует агентов и память, но это текстовая имитация, не настоящая персистентность. Между сессиями чата память теряется — нужно сохранять summary вручную или использовать Projects/Memory в ChatGPT. В пределах одного чата работает хорошо.
⚠️ Качество зависит от промпта: Если не указать явные критерии ("что такое хороший план" или "как выглядит конструктивная критика"), агент может генерировать поверхностные шаги или формальную псевдокритику без реальной пользы. Нужна калибровка под твою задачу.
Как применять
Когда использовать агентный подход:
✅ Многошаговые задачи с неопределённостью — исследование, разработка стратегии, написание серии материалов where каждый шаг влияет на следующий
✅ Задачи требующие разных перспектив — бизнес-решения, оценка идей, дилеммы where нужно взвесить trade-offs
✅ Долгий горизонт работы — проект на несколько сессий, где важно не терять контекст
✅ Высокая цена ошибки — юридические тексты, медицинские консультации, финансовый анализ where критична проверка
Когда НЕ использовать:
❌ Быстрые справочные вопросы ("как сделать Х в Excel")
❌ Простая генерация контента по шаблону (email, соцсети)
❌ Задачи где процесс линеен и очевиден
Адаптация для своих задач:
Для исследований и аналитики — усиль компонент MEMORY (детальные summary после каждого блока фактов) и РЕФЛЕКСИЯ (критика методологии, проверка bias).
Для креативных задач — добавь в КОЛЛАБОРАЦИЮ роли с разной эстетикой ("минималист", "максималист", "провокатор") вместо функциональных экспертов.
Для долгих проектов — экспортируй SUMMARY каждой сессии в отдельный файл, загружай в начале новой сессии как "previous state".
Для обучения/менторинга — добавь роль "критика-студента" который задаёт наивные вопросы — помогает выявить пробелы в объяснениях.
Связь с другими техниками
Chain-of-Thought (CoT) — базовый building block компонента Планирование. Агентный подход = CoT + память + рефлексия + multi-agent.
Tree-of-Thoughts — расширение компонента Планирование: вместо линейного плана строится дерево альтернативных путей. Можно интегрировать: "На шаге 3 рассмотри 2 альтернативных стратегии параллельно".
Self-Refine / Constitutional AI — компонент Эволюция. Агентный подход систематизирует где именно делать рефлексию.
Role-Playing / Persona — компонент Коллаборация. Но здесь роли не декоративные, а функциональные части процесса принятия решений.
Контекст исследования
Статья — survey (обзор литературы) по применению LLM-агентов в медицинских диалогах. Авторы анализируют 300+ работ и вводят таксономию агентных подходов по двум осям:
Knowledge Source (откуда знания): параметрическая память модели vs внешние источники (EHR, guidelines, databases)
Agency Objective (цель автономности): креативная генерация vs верифицируемая надёжность
Статья описывает 4 парадигмы агентов на пересечении осей, но для нас важны extractable principles — 5 компонентов архитектуры применимы к любым сложным задачам, не только медицине.
Формальная модель: Авторы описывают клинический диалог как POMDP (Partially Observable Markov Decision Process) — математический фреймворк для решений в условиях неопределённости. Это красиво формализует проблему, но для практики достаточно понимать: есть скрытое состояние (истинная ситуация пациента/задачи), есть наблюдения (что видим), нужна политика (как действовать) для достижения цели при неполной информации.
Ресурсы
Reinventing Clinical Dialogue: Agentic Paradigms for LLM-Enabled Healthcare Communication
Авторы: Xiaoquan Zhi, Hongke Zhao, Likang Wu, Chuang Zhao (Tianjin University), Hengshu Zhu (Chinese Academy of Sciences)
GitHub репозиторий с ресурсами
Статья ссылается на ключевые работы по агентным системам, включая исследования по Planning (Chain-of-Thought, Tree-of-Thoughts), Memory (контекстное обучение, RAG), Multi-Agent Collaboration, Self-Reflection.