#оркестрация_агентов — Public Fediverse posts

Мультиагентный хаос: как мы собрали команду AI-сотрудников, а получили бесконечное совещание ни о чем

В 2026 году каждый второй стартап обещает заменить команду разработчиков роем AI-агентов. Звучит как мечта уставшего тимлида: один агент пишет код, второй ревьюит, третий деплоит, четвертый отвечает на вопросы в Slack, а пятый, наверное, уже сам заказывает пиццу в офис. Никаких больничных, никаких «я не успеваю», только железная продуктивность 24/7. Я тоже купился. Взял CrewAI, собрал команду из трёх агентов для анализа конкурентов и генерации отчётов. Демо отработало идеально: агенты обменялись парой сообщений, выдали связный Markdown-файл и даже отправили его в Telegram. «Ну всё, — подумал я, — теперь можно увольнять аналитиков и копирайтеров. Будущее наступило». Ровно через четыре часа после запуска на реальной задаче я наблюдал картину, достойную сюрреалистического полотна: пять AI-агентов устроили бесконечный митинг в духе худших корпоративных созвонов. Они перебивали друг друга, уточняли уже уточнённое, ходили по кругу и, кажется, начали обсуждать погоду. Один агент назначил себя лидом и раздавал указания, которые остальные игнорировали. Другой пытался писать в файл, который в этот момент читал третий. Спустя 127 вызовов LLM и сожжённые $4.30 на API-ключах я остановил этот цирк вручную. В этой статье я расскажу, почему готовые мультиагентные фреймворки превращают вашу задачу в хаос, как мы построили систему, которая действительно работает, и в каких случаях проще вообще не связываться с мультиагентностью. Спойлер: LLM — не главная проблема. Проблема — в архитектуре оркестрации, которую многие принимают за магию. Как остановить этот хаос и написать граф

https://habr.com/ru/articles/1026856/

#мультиагентные_системы #crewai #langgraph #autogen #оркестрация_агентов #llm #архитектура_ai

Мультиагентный хаос: как мы собрали команду AI-сотрудников, а получили бесконечное совещание ни о чем

В 2026 году каждый второй стартап обещает заменить команду разработчиков роем AI-агентов. Звучит как мечта уставшего тимлида: один агент пишет код, второй ревьюит, третий деплоит, четвертый отвечает на вопросы в Slack, а пятый, наверное, уже сам заказывает пиццу в офис. Никаких больничных, никаких «я не успеваю», только железная продуктивность 24/7. Я тоже купился. Взял CrewAI, собрал команду из трёх агентов для анализа конкурентов и генерации отчётов. Демо отработало идеально: агенты обменялись парой сообщений, выдали связный Markdown-файл и даже отправили его в Telegram. «Ну всё, — подумал я, — теперь можно увольнять аналитиков и копирайтеров. Будущее наступило». Ровно через четыре часа после запуска на реальной задаче я наблюдал картину, достойную сюрреалистического полотна: пять AI-агентов устроили бесконечный митинг в духе худших корпоративных созвонов. Они перебивали друг друга, уточняли уже уточнённое, ходили по кругу и, кажется, начали обсуждать погоду. Один агент назначил себя лидом и раздавал указания, которые остальные игнорировали. Другой пытался писать в файл, который в этот момент читал третий. Спустя 127 вызовов LLM и сожжённые $4.30 на API-ключах я остановил этот цирк вручную. В этой статье я расскажу, почему готовые мультиагентные фреймворки превращают вашу задачу в хаос, как мы построили систему, которая действительно работает, и в каких случаях проще вообще не связываться с мультиагентностью. Спойлер: LLM — не главная проблема. Проблема — в архитектуре оркестрации, которую многие принимают за магию. Как остановить этот хаос и написать граф

https://habr.com/ru/articles/1026856/

#мультиагентные_системы #crewai #langgraph #autogen #оркестрация_агентов #llm #архитектура_ai

Мультиагентный хаос: как мы собрали команду AI-сотрудников, а получили бесконечное совещание ни о чем

В 2026 году каждый второй стартап обещает заменить команду разработчиков роем AI-агентов. Звучит как мечта уставшего тимлида: один агент пишет код, второй ревьюит, третий деплоит, четвертый отвечает на вопросы в Slack, а пятый, наверное, уже сам заказывает пиццу в офис. Никаких больничных, никаких «я не успеваю», только железная продуктивность 24/7. Я тоже купился. Взял CrewAI, собрал команду из трёх агентов для анализа конкурентов и генерации отчётов. Демо отработало идеально: агенты обменялись парой сообщений, выдали связный Markdown-файл и даже отправили его в Telegram. «Ну всё, — подумал я, — теперь можно увольнять аналитиков и копирайтеров. Будущее наступило». Ровно через четыре часа после запуска на реальной задаче я наблюдал картину, достойную сюрреалистического полотна: пять AI-агентов устроили бесконечный митинг в духе худших корпоративных созвонов. Они перебивали друг друга, уточняли уже уточнённое, ходили по кругу и, кажется, начали обсуждать погоду. Один агент назначил себя лидом и раздавал указания, которые остальные игнорировали. Другой пытался писать в файл, который в этот момент читал третий. Спустя 127 вызовов LLM и сожжённые $4.30 на API-ключах я остановил этот цирк вручную. В этой статье я расскажу, почему готовые мультиагентные фреймворки превращают вашу задачу в хаос, как мы построили систему, которая действительно работает, и в каких случаях проще вообще не связываться с мультиагентностью. Спойлер: LLM — не главная проблема. Проблема — в архитектуре оркестрации, которую многие принимают за магию. Как остановить этот хаос и написать граф

https://habr.com/ru/articles/1026856/

#мультиагентные_системы #crewai #langgraph #autogen #оркестрация_агентов #llm #архитектура_ai

Мультиагентный хаос: как мы собрали команду AI-сотрудников, а получили бесконечное совещание ни о чем

В 2026 году каждый второй стартап обещает заменить команду разработчиков роем AI-агентов. Звучит как мечта уставшего тимлида: один агент пишет код, второй ревьюит, третий деплоит, четвертый отвечает на вопросы в Slack, а пятый, наверное, уже сам заказывает пиццу в офис. Никаких больничных, никаких «я не успеваю», только железная продуктивность 24/7. Я тоже купился. Взял CrewAI, собрал команду из трёх агентов для анализа конкурентов и генерации отчётов. Демо отработало идеально: агенты обменялись парой сообщений, выдали связный Markdown-файл и даже отправили его в Telegram. «Ну всё, — подумал я, — теперь можно увольнять аналитиков и копирайтеров. Будущее наступило». Ровно через четыре часа после запуска на реальной задаче я наблюдал картину, достойную сюрреалистического полотна: пять AI-агентов устроили бесконечный митинг в духе худших корпоративных созвонов. Они перебивали друг друга, уточняли уже уточнённое, ходили по кругу и, кажется, начали обсуждать погоду. Один агент назначил себя лидом и раздавал указания, которые остальные игнорировали. Другой пытался писать в файл, который в этот момент читал третий. Спустя 127 вызовов LLM и сожжённые $4.30 на API-ключах я остановил этот цирк вручную. В этой статье я расскажу, почему готовые мультиагентные фреймворки превращают вашу задачу в хаос, как мы построили систему, которая действительно работает, и в каких случаях проще вообще не связываться с мультиагентностью. Спойлер: LLM — не главная проблема. Проблема — в архитектуре оркестрации, которую многие принимают за магию. Как остановить этот хаос и написать граф

https://habr.com/ru/articles/1026856/

#мультиагентные_системы #crewai #langgraph #autogen #оркестрация_агентов #llm #архитектура_ai

Мультиагентность в OpenClaw: отдельные агенты, субагенты и ACP (вайбкодим через тг)

В OpenClaw мультиагентность - это не одна функция, а несколько режимов работы. Можно создавать отдельных постоянных агентов со своей рабочей папкой, запускать саб-агентов под конкретную задачу и передавать разработку во внешний инструмент через ACP, например в Codex, Claude Code, Gemini CLI.

https://habr.com/ru/articles/1013150/

#openclaw #промты #промтинжиниринг #промтинженерия #agentos #агенты #ии #ииассистент #агенты_ии #оркестрация_агентов

Мультиагентность в OpenClaw: отдельные агенты, субагенты и ACP (вайбкодим через тг)

В OpenClaw мультиагентность - это не одна функция, а несколько режимов работы. Можно создавать отдельных постоянных агентов со своей рабочей папкой, запускать саб-агентов под конкретную задачу и передавать разработку во внешний инструмент через ACP, например в Codex, Claude Code, Gemini CLI.

https://habr.com/ru/articles/1013150/

#openclaw #промты #промтинжиниринг #промтинженерия #agentos #агенты #ии #ииассистент #агенты_ии #оркестрация_агентов

Мультиагентность в OpenClaw: отдельные агенты, субагенты и ACP (вайбкодим через тг)

В OpenClaw мультиагентность - это не одна функция, а несколько режимов работы. Можно создавать отдельных постоянных агентов со своей рабочей папкой, запускать саб-агентов под конкретную задачу и передавать разработку во внешний инструмент через ACP, например в Codex, Claude Code, Gemini CLI.

https://habr.com/ru/articles/1013150/

#openclaw #промты #промтинжиниринг #промтинженерия #agentos #агенты #ии #ииассистент #агенты_ии #оркестрация_агентов

Мультиагентность в OpenClaw: отдельные агенты, субагенты и ACP (вайбкодим через тг)

В OpenClaw мультиагентность - это не одна функция, а несколько режимов работы. Можно создавать отдельных постоянных агентов со своей рабочей папкой, запускать саб-агентов под конкретную задачу и передавать разработку во внешний инструмент через ACP, например в Codex, Claude Code, Gemini CLI.

https://habr.com/ru/articles/1013150/

#openclaw #промты #промтинжиниринг #промтинженерия #agentos #агенты #ии #ииассистент #агенты_ии #оркестрация_агентов

Оркестрация ИИ-агентов в 2026: как 3 агента заменили отдел из 5 человек (кейс российской компании)

В 2024–2025 годах многие компании экспериментировали с единичными ИИ-агентами для автоматизации поддержки. Результаты были скромными: покрытие 25–40% сценариев, частые зависания в нестандартных ситуациях, необходимость ручной коррекции. Причины провала «монолитного» подхода:

https://habr.com/ru/articles/1008598/

#искусственный_интеллект #ииагенты #оркестрация #оркестрация_агентов #мультиагентные_системы #автоматизация_поддержки #интеграция_1с #агентная_архитектура #ритейл #бизнеспроцессы

Оркестрация ИИ-агентов в 2026: как 3 агента заменили отдел из 5 человек (кейс российской компании)

В 2024–2025 годах многие компании экспериментировали с единичными ИИ-агентами для автоматизации поддержки. Результаты были скромными: покрытие 25–40% сценариев, частые зависания в нестандартных ситуациях, необходимость ручной коррекции. Причины провала «монолитного» подхода:

https://habr.com/ru/articles/1008598/

#искусственный_интеллект #ииагенты #оркестрация #оркестрация_агентов #мультиагентные_системы #автоматизация_поддержки #интеграция_1с #агентная_архитектура #ритейл #бизнеспроцессы

Оркестрация ИИ-агентов в 2026: как 3 агента заменили отдел из 5 человек (кейс российской компании)

В 2024–2025 годах многие компании экспериментировали с единичными ИИ-агентами для автоматизации поддержки. Результаты были скромными: покрытие 25–40% сценариев, частые зависания в нестандартных ситуациях, необходимость ручной коррекции. Причины провала «монолитного» подхода:

https://habr.com/ru/articles/1008598/

#искусственный_интеллект #ииагенты #оркестрация #оркестрация_агентов #мультиагентные_системы #автоматизация_поддержки #интеграция_1с #агентная_архитектура #ритейл #бизнеспроцессы

Оркестрация ИИ-агентов в 2026: как 3 агента заменили отдел из 5 человек (кейс российской компании)

В 2024–2025 годах многие компании экспериментировали с единичными ИИ-агентами для автоматизации поддержки. Результаты были скромными: покрытие 25–40% сценариев, частые зависания в нестандартных ситуациях, необходимость ручной коррекции. Причины провала «монолитного» подхода:

https://habr.com/ru/articles/1008598/

#искусственный_интеллект #ииагенты #оркестрация #оркестрация_агентов #мультиагентные_системы #автоматизация_поддержки #интеграция_1с #агентная_архитектура #ритейл #бизнеспроцессы

[Перевод] Мультиагенты — это скрытые распределённые монолиты

Мультиагентные системы часто собирают по привычной схеме «оркестратор + набор независимых сервисов-агентов» — и довольно быстро приходят к распределённому монолиту. В статье разберем, почему при интерфейсе на естественном языке нельзя принудительно обеспечивать контракты как в API, из-за чего усложняются маршрутизация, изменения начинают каскадить, а общий контекст превращается в разделяемое состояние. И почему в такой ситуации иногда разумнее признать монолит — и управлять оркестрацией как единым целым. Открыть разбор

https://habr.com/ru/companies/otus/articles/986962/

#мультиагентные_системы #оркестрация_агентов #субагенты #распределённый_монолит #микросервисная_архитектура #микросервисы #маршрутизация_диалога #LLM #интеграционные_тесты

[Перевод] Мультиагенты — это скрытые распределённые монолиты

Мультиагентные системы часто собирают по привычной схеме «оркестратор + набор независимых сервисов-агентов» — и довольно быстро приходят к распределённому монолиту. В статье разберем, почему при интерфейсе на естественном языке нельзя принудительно обеспечивать контракты как в API, из-за чего усложняются маршрутизация, изменения начинают каскадить, а общий контекст превращается в разделяемое состояние. И почему в такой ситуации иногда разумнее признать монолит — и управлять оркестрацией как единым целым. Открыть разбор

https://habr.com/ru/companies/otus/articles/986962/

#мультиагентные_системы #оркестрация_агентов #субагенты #распределённый_монолит #микросервисная_архитектура #микросервисы #маршрутизация_диалога #LLM #интеграционные_тесты

[Перевод] Мультиагенты — это скрытые распределённые монолиты

Мультиагентные системы часто собирают по привычной схеме «оркестратор + набор независимых сервисов-агентов» — и довольно быстро приходят к распределённому монолиту. В статье разберем, почему при интерфейсе на естественном языке нельзя принудительно обеспечивать контракты как в API, из-за чего усложняются маршрутизация, изменения начинают каскадить, а общий контекст превращается в разделяемое состояние. И почему в такой ситуации иногда разумнее признать монолит — и управлять оркестрацией как единым целым. Открыть разбор

https://habr.com/ru/companies/otus/articles/986962/

#мультиагентные_системы #оркестрация_агентов #субагенты #распределённый_монолит #микросервисная_архитектура #микросервисы #маршрутизация_диалога #LLM #интеграционные_тесты

[Перевод] Мультиагенты — это скрытые распределённые монолиты

Мультиагентные системы часто собирают по привычной схеме «оркестратор + набор независимых сервисов-агентов» — и довольно быстро приходят к распределённому монолиту. В статье разберем, почему при интерфейсе на естественном языке нельзя принудительно обеспечивать контракты как в API, из-за чего усложняются маршрутизация, изменения начинают каскадить, а общий контекст превращается в разделяемое состояние. И почему в такой ситуации иногда разумнее признать монолит — и управлять оркестрацией как единым целым. Открыть разбор

https://habr.com/ru/companies/otus/articles/986962/

#мультиагентные_системы #оркестрация_агентов #субагенты #распределённый_монолит #микросервисная_архитектура #микросервисы #маршрутизация_диалога #LLM #интеграционные_тесты