Масштабирование управляемых агентов: Отделение мозга от рук

Lisa Ernst · 12.04.2026 · Искусственный интеллект · 11 мин

Архитектура для гибкости: Масштабирование систем ИИ-агентов на предприятии

Как технологический журналист, я был свидетелем бесчисленных перемен, но немногие ощущаются столь же преобразующими, как рост агентов искусственного интеллекта. Эти сложные системы, сочетающие продвинутое рассуждение с практическим действием, готовы переопределить, как работают предприятия. Однако путь от мощной концепции к готовому к производству решению полон проблем, особенно при масштабировании этих интеллектуальных сущностей.

Источник: Подход «больше агентов — лучше» часто сталкивается с ограничениями, потенциально снижая производительность, если он не точно согласован с характеристиками конкретной задачи.

Подход «больше агентов — лучше» часто сталкивается с ограничениями, потенциально снижая производительность, если он не точно согласован с характеристиками конкретной задачи, как подробно описано в недавней статье на arXiv. . Многоагентная координация демонстрируемо повышает производительность для параллелизуемых задач, однако она может значительно снизить производительность в последовательных задачах, как также отмечено в том же исследовании. . Прогностическая модель может определить оптимальную архитектуру для 87% непредвиденных задач, как подчеркнуто в статье.

Краткое резюме

Вот краткий обзор ключевых выводов по масштабированию ИИ-агентов:

• Определение ИИ-агентов: ИИ-агенты сочетают большие языковые модели (LLM) или мультимодальные модели (VLM) с рассуждением, планированием, памятью и использованием инструментов для выполнения сложных задач.
• Архитектурные решения имеют значение: Эффективность многоагентных систем в значительной степени зависит от выбранной архитектуры (одноагентная, независимая, централизованная, децентрализованная, гибридная) и типа задачи.
• Специализация задач: Для параллелизуемых задач, таких как финансовый анализ, централизованная координация значительно повышает производительность. Для последовательных задач многоагентные подходы могут снизить производительность из-за накладных расходов на связь.
• Компромисс при координации инструментов: Больше инструментов означает большие накладные расходы на координацию, что может усилить ошибки в независимых многоагентных системах. Оркестраторы в централизованных системах могут смягчить это.
• Корпоративные решения: Крупные технологические поставщики (Google Cloud, Databricks, Atos, Microsoft, Camunda) предлагают фреймворки и архитектуры для развертывания и масштабирования ИИ-агентов, уделяя особое внимание модульности, управлению и безопасной работе.
• Проблемы: Масштабирование агентов связано с такими препятствиями, как обеспечение надежности, воспроизводимости, управление недетерминированностью и решение новых рисков безопасности, таких как инъекция промтов.
• Обучающие фреймворки: Продвинутые обучающие фреймворки, такие как Forge от Google, решают трилемму пропускной способности системы, стабильности обучения и гибкости агентов для обеспечения крупномасштабного развертывания.

Анатомия ИИ-агента

ИИ-агенты функционируют как системы, которые думают, планируют и действуют, используя большие языковые модели (LLM) или мультимодальные модели (VLM). Они служат практическим мостом между естественным языком и реальными вычислениями. Эти системы сочетают фундаментальные модели с такими возможностями, как рассуждение, планирование, память и использование инструментов. Они действуют как контроллеры, преобразуя намерения в процедуры, выполняемые во внешней среде. Современная цифровая работа, часто фрагментированная между интерфейсами и API, подчеркивает растущую необходимость в ИИ-агентах.

Чистые разговорные системы часто страдают от галлюцинаций, отсутствия обоснованности и неспособности выполнять или проверять действия, что подчеркивает потребность в более надежных, агенто-ориентированных подходах. Конструкции, дополненные инструментами и извлечением данных, значительно повышают надежность, обосновывая утверждения доказательствами и делая промежуточные артефакты проверяемыми.

Цикл выполнения ИИ-агента обычно включает наблюдение, извлечение из памяти, предложение действия, проверку и выполнение. Эти «трансформеры агентов», как их иногда называют, представляют собой модели политики на основе трансформеров, встроенные в структурированные циклы управления. Их поведение моделируется как последовательное моделирование по траекториям взаимодействия, охватывающим наблюдения, мысли, вызовы инструментов и результаты. Политика принятия решений может ветвиться в зависимости от риска, например, путем внедрения дополнительных шагов проверки для действий с высоким риском. Трассировка в стиле ReAct оказывается бесценной как для производительности, так и для управления, поскольку она связывает решения с конкретными доказательствами и результатами инструментов.

Масштабирование ИИ-агентов: Архитектурные парадигмы

Масштабирование систем ИИ-агентов на предприятии требует тщательного рассмотрения архитектуры. Возникли пять стандартных архитектур агентов: одноагентная система (SAS), независимые, централизованные, децентрализованные и гибридные, как обсуждается в статье на arXiv.

Одноагентная система (SAS) выполняет все шаги мысленного процесса и действия последовательно, используя единый поток памяти, согласно тому же источнику. . Независимые многоагентные системы работают параллельно над подзадачами без связи, агрегируя результаты только на финальном этапе, как подробно описано в исследовании. . Централизованные системы используют центральный оркестратор, который делегирует задачи рабочим агентам и синтезирует их результаты, как описано в статье. . Децентрализованные системы образуют одноранговую сеть, где агенты напрямую обмениваются информацией и достигают консенсуса, что также упоминается в статье на arXiv. . Гибридные системы объединяют иерархический надзор с одноранговым координированием, балансируя централизованный контроль с гибким выполнением, как также изложено в статье.

Производительность многоагентных систем значительно варьируется в зависимости от конфигурации и может улучшаться или ухудшаться в зависимости от используемого семейства моделей, таких как OpenAI GPT, Google Gemini или Anthropic Claude, как отмечено в исследовании. . Для параллелизуемых задач, таких как финансовый анализ, централизованная координация привела к увеличению производительности на 80,9% по сравнению с одним агентом, как указано в статье на arXiv и бенчмарках Vals.ai. . Напротив, задачи, требующие строгого последовательного рассуждения, такие как планирование (например, в PlanCraft), ), привели к ухудшению производительности многоагентных вариантов на 39-70%, поскольку накладные расходы на связь фрагментировали последовательный мыслительный процесс, согласно этому исследованию.

Существует заметный «компромисс при координации инструментов»: по мере увеличения количества необходимых инструментов накладные расходы на координацию для нескольких агентов непропорционально возрастают. Независимые многоагентные системы усилили ошибки в 17,2 раза из-за отсутствия механизма проверки работы, как обнаружено в статье на arXiv. . Централизованные системы с оркестратором смягчили усиление ошибок до 4,4 раза, при этом оркестратор функционировал как критический узел проверки, также согласно исследованию. . Наличие прогностической модели с R-квадратом 0,513 указывает на то, что характеристики задачи, такие как количество инструментов и разделимость, могут прогнозировать оптимальный выбор архитектуры, как подчеркнуто в исследовании. . Эта модель точно определяет наилучшую стратегию координации для 87% невидимых конфигураций задач, как сообщается в статье.

Корпоративные агенто-ориентированные системы

Несколько крупных технологических поставщиков разрабатывают надежные фреймворки и архитектуры для облегчения внедрения и масштабирования ИИ-агентов в корпоративных условиях. Например, Google Cloud предлагает шаблоны проектирования для масштабируемых и эффективных по затратам решений для ИИ-агентов, даже на конкурирующих платформах, таких как Azure. Их Google Cloud Agent Development Kit (ADK) предоставляет каркас, инструменты и шаблоны для разработки корпоративных агентов, а Agent Engine обеспечивает безопасную среду выполнения для управления их жизненным циклом, оркестрации инструментов и контроля их рассуждений. Протокол контекста модели (MCP) стандартизирует, как приложения предоставляют контекст LLM, а протокол Agent-to-Agent (A2A) обеспечивает связь между агентами в масштабе.

Источник: the-decoder.com

Архитектура цепочки поставок Google Cloud использует «корневой» агент и специализированные субагенты на базе Gemini для отслеживания и управления заказами.

Реальное иллюстрация этого подхода можно увидеть в предлагаемой Google Cloud архитектуре цепочки поставок, которая включает оркестрирующий «корневой» агент и специализированные субагенты для отслеживания, распределения и управления заказами. Эти агенты, основанные на Gemini, могут быть настроены с использованием предметно-ориентированных данных для оптимизации ответов и снижения затрат. Корневой агент направляет запросы соответствующему субагенту; например, агент заказов, используя MCP, извлекает детали инвентаря из хранилища данных BigQuery. Аналогично, агент дистрибьютора использует соединения с серверами MCP с внешними API для размещения заказов.

Databricks в сотрудничестве с BASF Coatings реализовал готовое к производству многоагентное решение для автоматизации задач координации и анализа, которые ранее требовали значительных ручных усилий. Их проект Marketmind, ориентированный на отдел продаж и маркетинга, использует специализированные агенты «Genie» и агенты, вызывающие функции, взаимодействующие с инструментом Databricks Vector Store Retrieval Tool для обработки структурированных и неструктурированных данных. Агенты Genie делают структурированные данные доступными через интерфейсы естественного языка, конструируя SQL-запросы из вопросов пользователей, используя метаданные Unity Catalog. Эта система использует шаблон супервизора для координации этих специализированных агентов, интегрируясь с Microsoft Teams для выполнения в реальном времени. Marketmind, который будет использоваться более чем 1000 торговыми представителями по всему миру, направлен на преобразование полевых взаимодействий в своевременные, основанные на ИИ действия, демонстрируя ощутимое бизнес-влияние многоагентных архитектур, характеризующихся масштабируемостью, модульностью и улучшенным пользовательским опытом.

Atos также предоставляет план «Услуги как программное обеспечение», направленный на преобразование рабочих процессов в программно-доставленные результаты. Их подход подчеркивает контрольную плоскость для доверия в масштабе, включая управление в процессе выполнения, нулевое доверие к доступу, поведенческую безопасность, аварийное отключение, наблюдаемость и неизменяемые аудиторские журналы. Этот фреймворк «Sovereign Agentic AI» обеспечивает сознательный контроль над критическими данными, решениями и поведением ИИ во всем технологическом стеке.

Microsoft также предлагает эталонную архитектуру для адаптивных, масштабируемых и безопасных многоагентных систем, уделяя особое внимание оркестрации, управлению и масштабированию специализированных агентов. Camunda 8.8 представляет стандартные, корпоративные агенты, позволяющие проектировать и выполнять высококачественные процессы. Camunda Agentic BPMN облегчает создание ИИ-агентов, их подключение к LLM и развертывание. AI Agent Connector позволяет агентам действовать автономно в сквозных процессах и интегрироваться с поставщиками LLM, расширяя оркестрацию за пределы отдельных задач до динамического выполнения процессов. Camunda может оркестрировать как свои собственные агенты, так и внешние, поддерживая состояние процесса и непрерывность, что поддерживает более крупные наборы инструментов и большую масштабируемость.

Источник: stickpng.com

Проект Databricks Marketmind интегрирует специализированные агенты с Microsoft Teams для выполнения в реальном времени, превращая продажи в действия, управляемые ИИ.

Проблемы масштабирования и обучения

Путь к надежным, масштабируемым ИИ-агентам для производственного использования по-прежнему сопряжен со значительными препятствиями. Оценка ИИ-агентов требует сквозных измерений, отражающих реальные траектории взаимодействия. Ключевые метрики включают общую производительность задач, эффективность и стоимость, правильность использования инструментов, качество траектории, надежность и безопасность.

Надежность, воспроизводимость и управление представляют собой существенные ограничения для масштабирования систем агентов. Длительные задачи усиливают кумулятивные ошибки, а недетерминированность усложняет оценку и отладку. Агенты, ориентированные на инструменты, создают новые риски безопасности, такие как инъекция промтов и действия с побочными эффектами. Системные компромиссы — задержка против точности, автономность против управляемости, возможности против надежности — остаются малоизученными.

Внутренний фреймворк Google для обучения с подкреплением (RL), Forge, решает фундаментальную трилемму пропускной способности системы, стабильности обучения и гибкости агентов при масштабировании RL для сложных, реальных агентов. Целостный подход Forge сочетает гибкую архитектуру системы, алгоритмический дизайн, оптимизированное асинхронное планирование и чрезвычайную эффективность обучения-инференции. Он поддерживает обучение произвольных каркасов агентов через стандартизированные протоколы взаимодействия, обработав более ста тысяч различных каркасов реальных агентов и сред. Система достигла дневной пропускной способности миллионов образцов и стабильной сходимости вознаграждений.

Источник: swishdata.com

Фреймворк Forge от Google предлагает целостный подход для решения трилеммы пропускной способности системы, стабильности обучения и гибкости агентов для масштабирования RL в сложных условиях.

Система RL Forge состоит из стороны агента, промежуточного абстрактного слоя и стороны обучения/инференции. Сторона агента абстрагирует общий агент и его операционную среду, а промежуточное ПО изолирует его от стороны обучения/инференции. Сервер Gateway обрабатывает запросы на завершение между агентом и LLM, а распределенный пул данных асинхронно собирает траектории прокрутки и отчеты. Сторона обучения и инференции управляет вычислительной нагрузкой, используя движок LLM для высокопроизводительной генерации токенов и движок Train для обновления политик на основе обработанных последовательностей токенов. Forge позволяет обучать различные каркасы без внутренних модификаций агента, обеспечивая последовательную оптимизацию как для белых, так и для черных агентов.

Заключение

Появление ИИ-агентов представляет собой значительный скачок в автоматизации предприятий, предлагая практические интерфейсы между естественным языком и сложными вычислениями. Однако эффективное развертывание в масштабе требует стратегических архитектурных решений, надежных моделей управления и продвинутых обучающих фреймворков. Решения от ведущих технологических новаторов подчеркивают явный фокус на модульности, специализированной координации и комплексных контрольных плоскостях для преодоления присущих проблем масштабирования. Поскольку эти интеллектуальные системы становятся все более распространенными, акцент будет оставаться на обеспечении их надежности, безопасности и эффективности, постоянно совершенствуя баланс между автономией и человеческим надзором.