Agentic-архитектура — это способ организации ИИ-системы, при котором вокруг модели строится инфраструктура для автономных агентов: постановка целей, планирование, вызов инструментов, память и цикл обратной связи. Такая архитектура превращает LLM из “чата с ответами” в систему, которая сама разбивает цель на задачи, действует по шагам и корректирует поведение по результатам.
Содержание статьи
Что такое agentic-архитектура простыми словами
Agentic-архитектура описывает, как именно в системе устроены ИИ-агенты: какие у них цели, какие у них есть инструменты, как они принимают решения и как координируются между собой. Это уже не “один запрос — один ответ”, а управляемое поведение набора агентов вокруг базовой модели.
В центре обычно находится большая языковая модель (LLM), вокруг которой строится “обвязка”: модуль планирования, хранилище памяти, менеджер инструментов и оркестрация задач. Всё вместе образует среду, где агент может:
- получить цель или задачу;
- разбить её на подзадачи;
- выбрать подходящие инструменты и данные;
- выполнить шаги и оценить результат;
- скорректировать план и продолжить.
Главная роль agentic-архитектуры — задать правила игры: какие агенты бывают в системе, как они общаются, какие ресурсы используют и какие ограничения для них заданы.
Что такое agentic AI и “агентность” в ИИ
Agentic AI — это ИИ-система, в которой агенты действуют автономно: сами принимают решения, инициируют действия и двигаются к цели без непрерывных подсказок пользователя. “Агентность” здесь означает способность системы планировать, выбирать действия и оценивать их последствия.
В классическом понимании агент — это сущность, которая:
- воспринимает среду (через запросы, события, данные);
- имеет цели или задачи;
- выбирает действия и исполняет их;
- получает обратную связь и обновляет свое состояние.
В ИИ-контексте это связывают с четырьмя опорами:
Интенциональность (намерение и планирование). Агент понимает цель, формулирует план и придерживается его, а не отвечает “на лету” на отдельные запросы.
Предвосхищение (forethought). Система оценивает, к чему приведут действия, и строит несколько шагов вперед, а не реагирует только на текущий вход.
Саморегуляция. Агент отслеживает прогресс, замечает ошибки, меняет стратегию, если промежуточный результат не ведет к цели.
Саморефлексия. Система может анализировать свои прошлые шаги, результаты и использовать это для улучшения дальнейших решений.
Agentic-архитектура как раз и задает, где в системе живут эти свойства: каким модулем реализовано планирование, как агенты хранят историю, как описаны цели и критерии успеха.
Как работает agentic-архитектура на уровне компонентов
Работа agentic-архитектуры сводится к циклу “цель → план → действия → оценка → корректировка”, который реализуется через несколько ключевых модулей. Каждый модуль отвечает за свою часть: постановку целей, генерацию шагов, выполнение задач и накопление опыта.
Типичная схема включает:
- Уровень целей. Модуль, который принимает запрос пользователя или системную задачу и формирует явную цель для агента (или группы агентов).
- Планировщик. Компонент, который превращает цель в план: последовательность подзадач, шагов и проверок. Часто он тоже использует LLM, но с иными промптами и контекстом.
- Менеджер инструментов (tool calling). Связывает агента с внешними API, базами данных, поиском, корпоративными системами. Агент не ограничен только текстом: он может делать запросы, вызывать функции и получать актуальные данные.
- Модуль памяти. Долгосрочное и краткосрочное хранение: факты, прошлые действия, результаты, предпочтения пользователя, внутренние заметки агента.
- Оркестратор агентов. Управляет взаимодействием нескольких агентов: кто за что отвечает, в какой очередности выполняются шаги, как передаются результаты.
- Мониторинг и оценка. Слой, который проверяет промежуточные результаты, может перезапускать шаги, менять план или эскалировать задачи (например, человеку).
Снаружи это может выглядеть как “просто чат с ботом”. Но вместо одного ответа на запрос модель запускает целый цикл: строит план, вызывает инструменты, пишет промежуточные заметки, обновляет память и только потом формирует финальный результат.
Чем agentic-архитектура отличается от “обычных” LLM-систем
Главное отличие — наличие явного уровня агентности: цели, план, память и действия выходят за пределы одной сессии диалога. LLM в неагентной схеме просто отвечает на запрос, а в agentic-схеме она встраивается в более широкий цикл принятия решений.
В неагентной архитектуре LLM:
- получает входной текст;
- смотрит на ограниченный контекст (оконный контекст модели);
- генерирует ответ и “забывает” о нем как о части долгой стратегии;
- не управляет внешними процессами, если их специально не организовали вне модели.
В agentic-архитектуре:
Модель становится частью агента, который может хранить состояние, вести журнал, инициировать новые действия, планировать на несколько шагов. Архитектура дает ему доступ к инструментам и задает протокол их вызова. Появляется явное разделение: что делает сама модель (генерация текста, разбор задач), а что реализовано в коде вокруг нее (оркестрация, память, управление ресурсами).
Результат — разные режимы использования:
Неиагентная архитектура. Подходит для задач “один запрос — один ответ”: классификация текста, простой чат, суммаризация, перевод, генерация описаний.
Agentic-архитектура. Используется там, где нужна последовательность шагов, многозадачность, управление внешними системами, долгие сценарии и долговременное состояние.
Основные типы agentic-архитектур по числу агентов
По количеству и взаимодействию агентов архитектуры делят на одиночные и многоагентные. В первом случае есть один центральный агент, во втором — несколько специализированных агентов, которые координируются через заданные протоколы.
Архитектура с одним агентом
Одиночная agentic-архитектура — это система, в которой один агент принимает решения и выполняет все шаги сам. Вокруг него могут быть разные инструменты и сервисы, но именно он управляет всем процессом.
Ключевые особенности:
- Централизация. Один агент воспринимает задачу целиком и отвечает за весь цикл: от планирования до завершения.
- Автономия. Нет необходимости координировать несколько ролей; логика сосредоточена внутри одного контура.
- Относительная простота. Проще отладка, меньше коммуникационных протоколов, легче контролировать поведение.
Преимущества такого подхода:
Он удобен для сценариев с четко ограниченной областью: например, один агент может заниматься анализом документов, формированием отчетов, ответами на вопросы по базе знаний, запуском стандартных процедур в бекенде приложения. Требования к координации минимальны, поэтому легче контролировать время ответа и потребление ресурсов.
Ограничения:
Одиночный агент труднее масштабировать на множество разнородных задач. Если системе нужно одновременно работать с разными каналами данных, доменами знаний и типами действий, один агент может превратиться в “узкое горлышко”. Такие архитектуры хуже подходят для очень разветвленных, многошаговых процессов, где полезно разделять роли.
Многоагентная архитектура
Многоагентная архитектура строится вокруг нескольких агентов, каждый из которых решает свою задачу и взаимодействует с другими через правила оркестрации. Это позволяет разделить сложную цель на набор специализированных ролей.
Характерные элементы:
- Специализация. Отдельные агенты могут быть заточены под анализ текста, поиск по данным, планирование, проверку качества, генерацию кода и так далее.
- Гибкость. Можно добавлять новых агентов под дополнительные домены и инструменты, не ломая остальную систему.
- Разделение ответственности. Один агент отвечает за стратегию, другой — за исполнение конкретных шагов, третий — за контроль и оценку результата.
Внутри многоагентных систем часто применяют разные техники:
NLP-агенты. Обрабатывают и интерпретируют запросы на естественном языке, ведут диалог, уточняют требования.
RAG-агенты. Используют retrieval augmented generation: по запросу ищут документы или фрагменты данных в векторных базах и подмешивают их в контекст LLM.
Агенты-интеграторы. Работают с внешними сервисами и API, синхронизируют данные между системами и хранят информацию о подключениях.
Организовать такую систему помогает слой оркестрации, который распределяет задачи по агентам, собирает результаты и определяет, кто должен действовать следующим. Это могут быть фреймворки, в которых заложены шаблоны ролей и протоколы взаимодействия.
Вертикальные, горизонтальные и гибридные архитектуры агентов
Внутри многоагентных систем архитектуру часто описывают по тому, как устроена координация между агентами. Основные подходы — вертикальная (иерархическая), горизонтальная (равноправное взаимодействие) и гибридная, которая сочетает оба подхода.
Вертикальная (иерархическая) архитектура
В вертикальной архитектуре есть ведущий агент (или несколько уровней руководящих агентов), который управляет подчиненными агентами, раздает им задачи и собирает результаты. Это напоминает многоуровневую организационную структуру.
Ключевые черты:
- Четкая иерархия. У каждого агента есть роль, зона ответственности и “начальник”, которому он отчитывается.
- Централизованное принятие решений. Ведущий агент формирует общий план и принимает ключевые решения, а подчиненные выполняют конкретные шаги.
Сильные стороны:
Управляемость последовательных сценариев. Хорошо подходит для многошаговых бизнес-процессов, где есть понятный порядок согласований и действий.
Прозрачность ответственности. Понятно, какой агент за что отвечает и кто собирает итоговый результат.
Слабые стороны:
Риск узкого места. Перегрузка ведущего агента может замедлить работу всей системы.
Зависимость от центрального звена. Ошибки или сбои на верхнем уровне влияют на всю архитектуру.
Горизонтальная (децентрализованная) архитектура
Горизонтальная архитектура строится вокруг группы агентов с примерно равными правами, которые обмениваются информацией и совместно приходят к решению. Здесь главное — обмен и координация, а не подчинение.
Основные свойства:
- Равноправные роли. Агенты общаются “по сети”: каждый может предлагать шаги, решения, оценивать результаты других.
- Распределенное принятие решений. Нет центра, который единолично задает путь; решения формируются через обсуждение или специальные протоколы согласования.
Преимущества:
Разнообразие идей. Подходит для задач, где полезно получить несколько взглядов на проблему — от разных агентов, использующих разные подходы.
Параллельная работа. Агенты могут обрабатывать разные аспекты задачи одновременно, что увеличивает скорость для сложных задач.
Недостатки:
Риски неэффективной координации. Если протоколы обмена продуманы слабо, агенты могут дублировать друг друга или “спорить” без выхода к результату.
Увеличение задержек. Обсуждение и повторные раунды обмена сообщениями удлиняют время до финального ответа.
Гибридная архитектура агентов
Гибридная архитектура сочетает элементы вертикальной и горизонтальной схем. В ней могут быть ведущие агенты, которые задают общий вектор, и группы агентов, которые внутри себя взаимодействуют на горизонтальных началах.
Типичные особенности:
- Динамическое лидерство. В зависимости от этапа задачи роль “ведущего” может переходить от одного агента к другому.
- Комбинация структуры и свободы. На части этапов действуют строгие регламенты, на других допускается свободный обмен идеями между агентами.
Плюсы:
Универсальность. Можно соединять формальные бизнес-процессы с творческими или исследовательскими задачами в рамках одной системы.
Гибкость планирования. Архитектура может подстраиваться под текущий сценарий: где-то усиливать координацию, где-то — расширять пространство вариантов.
Минусы:
Сложность управления ресурсами. Требуются продуманные механизмы переключения ролей и распределения нагрузки.
Высокие требования к оркестратору. Нужна логика, которая корректно балансирует между вертикальными и горизонтальными режимами.
Типы agentic-фреймворков по логике принятия решений
Кроме организационных схем, agentic-архитектуры различаются по тому, как агенты принимают решения внутри. Распространенное разделение: реактивные, рассуждающие (deliberative) и когнитивные архитектуры.
Реактивные архитектуры
Реактивная архитектура строится на прямом сопоставлении “ситуация → действие”: агент реагирует на текущий вход без сложного планирования и без использования долгосрочной памяти. Он не анализирует, что было до этого, и не строит прогнозов на будущее.
Свойства:
- Минимальное состояние. Агент опирается на текущие сигналы среды и, возможно, кратковременный контекст.
- Простые правила. Решения задаются набором правил или политикой, которая напрямую связывает входы и выходы.
Плюсы реактивной схемы — высокая скорость и предсказуемость, особенно в узких задачах. Минус — отсутствие полноценного планирования: такие агенты не подходят для задач, где нужно удерживать длинный контекст и стратегию.
Рассуждающие (deliberative) архитектуры
Рассуждающая архитектура добавляет уровень внутренней модели мира: агент строит представление о среде, оценивает возможные действия и их последствия, а потом выбирает шаги на основе рассуждений.
Типичные компоненты:
- Внутренняя модель среды. Представление о состоянии мира, которое обновляется по мере поступления данных.
- Планировщик. Логика, которая анализирует варианты действий, оценивает их, формирует план.
- Модуль оценки. Сравнивает результаты действий с целями и критериями успеха.
Такие архитектуры позволяют агентам решать сложные задачи с несколькими шагами вперед: просчитывать варианты, возвращаться назад, если выбранное направление оказалось неудачным, и корректировать стратегию без участия человека.
Когнитивные архитектуры и модель BDI
Когнитивная agentic-архитектура стремится воспроизвести основные элементы человеческого мышления: восприятие, память, обучение, рассуждение и принятие решений. В такой системе обычно есть отдельные модули для разных когнитивных функций.
Один из известных подходов — архитектура типа BDI (belief–desire–intention), которая моделирует рациональное поведение агента через три ключевые составляющие.
Beliefs (убеждения). Это знания агента о мире: факты, восприятие текущей ситуации, результаты сенсоров и запросов к данным. Например: “дверь закрыта”.
Desires (желания). Цели и задачи, к которым стремится агент. Это не конкретные действия, а состояние, которого он хочет достичь. Например: “я хочу оказаться в комнате”.
Intentions (намерения). Набор действий, на которые агент осознанно соглашается для достижения желаемого результата. Например: “я открою дверь, чтобы войти в комнату”.
В BDI-архитектуре агент постоянно обновляет свои убеждения, пересматривает желания и выбирает, какие из них превратить в намерения. За счет этого он может вести себя последовательнее и более “по-человечески”, чем чисто реактивные системы.
Сводная таблица: ключевые разновидности agentic-архитектур
Ниже — обобщающая таблица, которая помогает увидеть различия между основными типами agentic-архитектур по двум осям: организационная структура агентов и внутренняя логика принятия решений.
| Критерий | Одиночный агент | Многоагентная вертикальная | Многоагентная горизонтальная | Гибридная многоагентная |
| Число агентов | Один автономный агент | Несколько уровней агентов с лидером | Группа равноправных агентов | Комбинация иерархии и сети |
| Координация | Не требуется между агентами | Централизованная, через лидера | Распределенная, через обмен сообщениями | Смешанная, с переключением ролей |
| Основные плюсы | Простота, предсказуемость, легкая отладка | Удобна для последовательных процессов и отчетности | Поддержка параллельной работы и разнообразия решений | Гибкость под разные типы задач |
| Основные минусы | Ограниченная масштабируемость и узкая специализация | Риск узкого места на верхнем уровне | Сложность координации и возможные задержки | Сложное управление ресурсами и логикой ролей |
| Типичная логика | Реактивная или простая рассуждающая | Рассуждающая с централизованным планированием | Рассуждающая, иногда с элементами когнитивных моделей | Часто использует когнитивные и BDI-подходы |
Что определяет выбор agentic-архитектуры для конкретной задачи
Выбор архитектуры зависит от того, насколько задача сложна, как много шагов и участников в процессе, какие данные и инструменты нужно задействовать. В простых сценариях достаточно одного агента, в сложных — выгоднее применять многоагентные и гибридные схемы.
Полезно учитывать несколько параметров:
- Структура задачи. Если задача линейная и четко регламентирована, подойдут одиночные или иерархические схемы. Для задач с большим числом неопределенностей уместнее горизонтальные или гибридные подходы.
- Требования к автономности. Чем меньше допустимо вмешательство человека, тем важнее наличие планировщиков, модулей памяти и когнитивных элементов.
- Чувствительность к задержкам. Реактивные архитектуры обычно быстрее, а богатые многоагентные конфигурации могут быть медленнее из-за координации.
- Интеграции и инструменты. Если нужно объединять разные сервисы и домены, возрастает ценность многоагентных систем с выделенными ролями.
- Требования к объяснимости. Иерархические и BDI-схемы часто легче анализировать: у них явно выражены цели, намерения и ответственность.
Agentic-архитектура в итоге задает не только технический каркас системы, но и стиль работы ИИ-агентов: насколько они инициативны, как они учатся на опыте, как согласуют решения между собой и с внешней средой.
