Архитектура агентских систем: что важно знать
Краткий обзор ключевых компонентов агентских систем на LLM — планирование, инструменты, память, оркестрация. С чего начинать и на чём спотыкаются.
Когда говорят про «ИИ-агентов», часто имеют в виду очень разные вещи: от простого prompt + function calling до полноценных мульти-агентных систем с планированием. В этой заметке — мой взгляд на то, из чего реально состоит агентская архитектура и где лежат главные сложности.
Четыре кита агентской системы
1. Планирование (planning)
Способность модели разбить большую задачу на шаги. Простейший вариант — ReAct (Reason + Act). Сложнее — Tree of Thoughts, когда агент строит дерево гипотез и оценивает их.
2. Инструменты (tools / function calling)
Инструменты — это «руки» агента: поиск, запросы к БД, вызовы API, исполнение кода. Ключевой момент: описание инструмента для модели важнее его реализации. Если модель не понимает, когда звать инструмент — она его не использует или использует неверно.
3. Память (memory)
- Краткосрочная — контекст текущего разговора/задачи.
- Долгосрочная — векторное хранилище (RAG), куда агент кладёт факты для переиспользования.
Именно память чаще всего становится узким местом: что класть, что забывать, как бороться с устареванием.
4. Оркестрация и наблюдаемость
В мульти-агентной системе нужен оркестратор: кто кому передаёт управление, как завершать циклы, как логировать решения каждого агента. Без observability агентская система — чёрный ящик, и дебажить её невозможно.
С чего начинать
- Сначала — простой single-agent с парой инструментов и понятной задачей.
- Добавьте evals до усложнения. Метрики качества — основа.
- Мульти-агентность — только когда один агент реально перестаёт справляться.
Главный вывод: агент — это не «магия LLM», а инженерная система с теми же требованиями к архитектуре, тестированию и наблюдаемости, что и любой продакшн-сервис.
