Графовая инженерия мультиагентного ИИ: почему важны связи

🎬 Видео на YouTube: Графовая инженерия мультиагентного ИИ

Источник исследования: оригинальное видео Yersham на русском

Главная сложность мультиагентного ИИ уже не в том, чтобы заставить одну модель звучать умно. Нужно решить, какой агент получает какой контекст, какому результату можно доверять и куда передается информация. Это и есть графовая инженерия.

От мостов Эйлера к агентам

Задача Эйлера о семи мостах становится понятнее, если заменить карту города графом: участки суши становятся узлами, а мосты — связями. У мультиагентной системы такая же форма. Агенты — узлы, а сообщения, вызовы инструментов, артефакты и передача на проверку — связи. В большой системе качество связей может быть важнее возможностей одной модели.

Почему один большой LLM дает сбои

Одна модель с огромным промптом выглядит простой, но все задачи конкурируют за одно окно контекста. В него одновременно попадают результаты поиска, заметки, инструкции и незавершенные рассуждения. Модели приходится решать, что помнить, пока она еще решает саму задачу.

Практическая альтернатива — разделение обязанностей. Каждому агенту задаются узкий системный промпт, чистое окно контекста и одна измеримая ответственность. Сборщик ищет источники, извлекатель превращает источник в структурированные факты, проверяющий проверяет утверждения, а автор собирает итоговый отчет. Оркестратор связывает эти роли и не перегружает одну модель всем сразу.

Исследовательская фабрика как DAG

Полезная архитектура — направленный ацикличный граф, который движется только вперед:

1. Планировщик превращает вопрос в план исследования.
2. Сборщики ищут релевантные материалы.
3. Извлекатели превращают источники в отдельные доказательства.
4. Проверяющие ищут противоречия и проверяют ссылки.
5. Автор превращает проверенный набор данных в понятный ответ.

В исходном видео приведена иллюстративная схема: 1 планировщик, 5 сборщиков, 25 извлекателей, 75 проверяющих и 1 автор. Там же встречаются другие суммы — 180 и 108, хотя перечисленные этапы дают 107 агентов. Поэтому числа нельзя считать подтвержденным бенчмарком. Важнее принцип: работа расширяется для независимого сбора фактов, а затем сужается через проверку перед финальным синтезом.

Изоляция контекста как контроль качества

Узкие промпты не дают лишнему контексту перетекать между этапами. Проверяющему нужны утверждение, фрагменты-основания и правила проверки, но не вся история поиска и не внутренние рассуждения другого агента. Если итог ошибочен, можно проверить конкретную связь: вернул ли сборщик слабый источник, потерял ли извлекатель важное уточнение, получил ли проверяющий правильные данные.

Так ошибки становятся видимыми, а повторный запуск дешевым. Неудачный извлекатель можно перезапустить, не повторяя весь отчет, а у каждого артефакта есть понятные родители и потомки.

Кэширование промптов меняет стоимость

Сети агентов часто повторяют одни и те же системные инструкции. Если десятки проверяющих используют длинный неизменный префикс, его кэширование уменьшает повторную работу с входными токенами. В видео заявлено снижение примерно с 10 до 1 доллара за запуск; это иллюстрация из источника, а не независимо подтвержденный бенчмарк. Сам подход универсален: отделяйте постоянные инструкции от данных задачи, кэшируйте повторяемое и измеряйте расходы на каждом этапе.

Новый узкий участок — соединения

Современные агенты умеют читать код, работать с браузером, вызывать инструменты, анализировать ошибки и повторять попытки. Поэтому ограничением все чаще становится граф вокруг них: что агент знает, что производит и куда попадает его артефакт.

Относитесь к графу как к рабочей системе: задавайте типы входов и выходов, храните происхождение данных, добавляйте тайм-ауты и лимиты повторов, делайте каждую связь наблюдаемой. Главный вывод прост: способная модель — это узел, а надежный ИИ-продукт — граф. Вкладывайтесь в связи.

Обсудить разработку ИИ-агентов можно в X, Discord или Telegram.