Шесть паттернов оркестрации AI-агентов: с чего начинать и когда усложнять

Когда автоматизация перерастает один промпт, появляется соблазн сразу строить команду: агент-исследователь, агент-писатель, агент-редактор, над ними — агент-руководитель. На схеме это выглядит солидно. В счёте — тоже.

По данным Anthropic из разбора их исследовательской системы, агент в среднем тратит примерно в 4 раза больше токенов, чем обычный чат, а система из нескольких агентов — примерно в 15 раз больше. Такая архитектура оправдана только там, где ценность задачи окупает этот множитель.

Поэтому паттерны оркестрации полезно видеть не как меню, а как лестницу. Начинать с нижней ступени и подниматься выше, только когда упёрлись в конкретное ограничение. Этот принцип Anthropic формулирует прямо в руководстве по построению агентов: ищите самое простое решение и усложняйте, только когда это действительно нужно. Сводную таблицу паттернов с оценкой стоимости ведёт и Vercel.

Шесть ступеней одной таблицей

Паттерн	Когда подходит	Расход токенов	Когда не нужен
Один агент в цикле	Задача помещается в одно окно контекста, агенту хватает инструментов	Базовый	Есть действительно независимые подзадачи
Цепочка шагов	Шаги известны заранее и не меняются	Умеренный, растёт с длиной цепочки	Границы шагов непонятны до запуска
Маршрутизация	Входы разных типов лучше обрабатывать по-разному	Низкий	Все входы обрабатываются одинаково
Параллельные ветки	Независимые подзадачи известны заранее	Высокий, растёт с числом веток	Шаги зависят друг от друга
Оркестратор и исполнители	Какие подзадачи нужны, становится ясно только в работе	Высокий, растёт с числом исполнителей	Подзадачи предсказуемы
Генератор и критик	Есть чёткие критерии, и ответ улучшается от правок	Умеренный, растёт с числом кругов	Нужен мгновенный ответ или нет критериев

Дальше — каждая ступень подробнее, с признаками, по которым пора подниматься.

1. Один агент в цикле

Модель вызывает инструмент, смотрит на результат, добавляет его в контекст и решает, что делать дальше. Так — пока не выполнено условие остановки.

Это стартовая точка почти для любой задачи, и она сильнее, чем кажется. В исследовании апреля 2026 года одиночного агента сравнили с несколькими архитектурами из многих агентов на задачах многошагового рассуждения. Главное условие — одинаковый бюджет токенов на рассуждение. Проверяли на трёх семействах моделей: Qwen3, DeepSeek-R1-Distill-Llama и Gemini 2.5. Один агент стабильно не уступал команде, а часто оказывался лучше.

Авторы делают осторожный вывод: заявленное преимущество систем из многих агентов на таких задачах во многом объясняется тем, что им просто давали больше вычислений. Они же отмечают, когда команда становится конкурентоспособной: если одиночный агент плохо использует свой контекст или если на задачу тратят больше вычислений.

Когда подниматься выше:

• контекст не помещается в одно окно;
• в задаче есть по-настоящему независимые части, которые выгодно делать одновременно;
• агент начинает путаться в состоянии — повторяет уже сделанные поиски, забывает промежуточные результаты.

И одно правило для этой ступени без исключений: у цикла должен быть предел шагов. Иначе агент, который не нашёл ответ, будет искать его за ваш счёт.

2. Цепочка шагов

Фиксированная последовательность вызовов: каждый обрабатывает результат предыдущего. Цепочка сужает задачу на каждом шаге и поэтому обычно точнее одного большого промпта.

Но у неё есть математическая ловушка. Ошибки шагов накапливаются. Если каждый шаг верен в 95% случаев, цепочка из десяти шагов сработает целиком примерно в 60% случаев. При 90% на шаг — примерно в 35%.

Отсюда главное правило цепочки: между шагами ставятся программные проверки. Правильный ли формат, все ли обязательные поля на месте, не нарушены ли ограничения, нужно ли подтверждение человека. Плохой промежуточный результат должен останавливаться на проверке, а не уезжать дальше.

Пример из нашего бота: аудит репутации по картам. По адресу сайта бот определяет бренд и город, ищет компанию на Яндекс.Картах, собирает отзывы с трёх площадок, отдаёт их модели на разбор и собирает отчёт. Ключевая проверка стоит в самом начале. Название на сайте часто не совпадает с названием на картах, поэтому бот берёт каноническое имя из найденной карточки Яндекса и уже по нему ищет компанию в 2ГИС. Без этого шага цепочка честно собрала бы отзывы о чужой компании.

3. Маршрутизация

Первый шаг классифицирует вход и отправляет его нужному обработчику. Вопрос про оплату — в одну ветку, жалоба — в другую, запрос на отчёт — в третью. Каждый обработчик может иметь свой промпт и даже свою модель.

У маршрутизации есть потолок: система не может быть точнее своего маршрутизатора. Ошибся классификатор — и специалист получил не свою работу.

Поэтому, где только возможно, маршрут стоит определять правилами, а не моделью: по ключевым словам, по источнику, по кнопке, которую нажал человек. Это убирает целый источник ошибок. В нашем боте так устроены точки входа: ссылка из поста уже содержит код нужного отчёта, и бот сразу запускает нужный сценарий без всякой классификации. А в кейсе UspAIChat эвристический маршрутизатор без модели отправляет простые запросы в дешёвые модели. Та же логика на уровне бюджета разобрана в статье за какую AI-модель платить.

Если без модели в классификации не обойтись, проверьте её на реальных входах, а не на аккуратном списке категорий. Чистая таксономия на бумаге ничего не говорит о спорных случаях.

4. Параллельные ветки

Независимые подзадачи выполняются одновременно, а результаты собираются программно. У паттерна две разновидности, которые Anthropic разделяет в своём руководстве:

• Разделение на части. Задачу режут на независимые куски: например, одна ветка проверяет отзывы, другая — сайт, третья — цены конкурентов.
• Голосование. Одну и ту же задачу решают несколько раз или несколькими моделями, чтобы повысить уверенность в ответе.

Правило, которое чаще всего нарушают: способ сборки результатов определяется до запуска веток. Если ветки вернут несовместимые форматы, весь выигрыш по времени съест склейка.

Пример из бота — A/B-тест моделей. Один промпт уходит во все модели набора одновременно, ответы приходят без названий, и оценивает их человек. Это голосование, только голос у человека. Подробнее о том, как проектировать ветвление, не теряя время на ожидании самой медленной ветки, — в статье граф вместо цепочки.

5. Оркестратор и исполнители

Центральная модель сама решает, на какие подзадачи разбить работу, раздаёт их исполнителям и собирает результат. Отличие от параллельных веток в одном: там подзадачи известны заранее, здесь — только в процессе.

Классический случай — правка кода, где количество затронутых файлов зависит от запроса. Или исследование, где непонятно заранее, сколько направлений придётся проверить.

Именно здесь многоагентные системы показывают себя лучше всего. В той же публикации Anthropic система с Claude Opus 4 в роли руководителя и Claude Sonnet 4 в роли исполнителей обошла одиночный Claude Opus 4 на 90,2% во внутреннем тесте исследовательских задач — на запросах «вширь», где нужно параллельно проверить много направлений. Но там же сказано, от чего это зависит: на тесте BrowseComp расход токенов сам по себе объяснил 80% разницы в результатах.

Этот результат не спорит с исследованием одиночного агента из первого раздела, а дополняет его. Команда агентов выигрывает, когда ей дают больше вычислений на задачу, которая действительно раскладывается на независимые направления. Если задача узкая, а бюджет тот же, лишние агенты ничего не добавят, кроме координации.

Как это устроено в Claude Code, разбирал в статье про Agent Teams, а на маркетинговых задачах — в разборе отдела маркетинга на Claude Code.

6. Генератор и критик

Одна модель создаёт ответ, другая оценивает его по критериям и возвращает замечания. Круг повторяется, пока ответ не пройдёт порог качества или не кончится лимит кругов.

Паттерн окупается при двух условиях: есть чёткая рубрика, и ответ действительно улучшается от замечаний. Хорошая проверка перед запуском: если человек может сформулировать полезную правку к черновику, скорее всего, сможет и модель.

Главная опасность — бесконечный круг критики. При расплывчатых критериях вроде «сделай лучше» критик всегда найдёт, что поправить, и цикл будет крутиться, пока не кончатся деньги. Лимит кругов задаётся в коде, а не в промпте.

Упрощённая версия есть и в нашем боте: проверка текста на штампы. Каталог шаблонных фраз и разбор моделью находят проблемные места и сразу предлагают вариант «было → стало» — за один проход, без повторного круга. Как составить рубрику, по которой критик будет оценивать тексты, разобрано в статье про голос бренда в AI-контенте.

Как выбрать ступень

flowchart TD
    A["Задача"] --> B{"Помещается в одно окно<br/>и не делится на части?"}
    B -->|да| S1["Один агент в цикле"]
    B -->|нет| C{"Шаги известны<br/>заранее?"}
    C -->|да| D{"Шаги независимы<br/>друг от друга?"}
    D -->|да| S4["Параллельные ветки"]
    D -->|нет| S2["Цепочка с проверками"]
    C -->|нет| E{"Входы разных<br/>типов?"}
    E -->|да| S3["Маршрутизация"]
    E -->|нет| S5["Оркестратор<br/>и исполнители"]
    S1 --> F{"Есть рубрика и ответ<br/>растёт от правок?"}
    S2 --> F
    S3 --> F
    S4 --> F
    S5 --> F
    F -->|да| S6["Добавить критика<br/>с лимитом кругов"]
    F -->|нет| G["Оставить как есть"]

Паттерны не взаимоисключающие. Маршрутизатор может отправлять запрос в цепочку, один из шагов цепочки — запускать параллельные ветки, а на выходе может стоять критик. Лестница задаёт не выбор одного варианта, а порядок: сначала простая форма, сложная — только там, где простая упёрлась в ограничение.

Две ошибки, которые встречаются чаще всего

Преждевременное размножение агентов. Команда агентов появляется раньше, чем у задачи обнаружились независимые части. Стоимость растёт кратно, а вместе с ней — число мест, где что-то может сломаться. Лечится вопросом: какое конкретное ограничение одиночного агента мы этим снимаем? Если ответа нет — агент один.

Сложная схема без наблюдения. Чем больше шагов и агентов, тем тише ломается система: каждый отдельный вызов выглядит нормально, а результат неверный. Прежде чем подниматься на следующую ступень, стоит научиться видеть, что происходит внутри одной задачи. Что записывать и за какими числами следить, разобрано в статье как следить за AI-ботом в работе.

Вывод

Шесть паттернов оркестрации — это лестница, а не меню. Один агент в цикле закрывает больше задач, чем кажется, а при равном бюджете часто не уступает команде. Цепочке нужны проверки между шагами, маршрутизации — правила вместо модели, где это возможно, параллельным веткам — заранее продуманная сборка, оркестратору — задача, которая действительно раскладывается на независимые направления, критику — рубрика и лимит кругов.

Следующий шаг: возьмите свою текущую автоматизацию и назовите её паттерн. Затем ответьте на один вопрос: какое конкретное ограничение заставило выбрать именно эту ступень? Если ответа нет, попробуйте опуститься на ступень ниже и сравнить результат и расход.

Читайте также

Хотите разобрать свою автоматизацию и подобрать ей правильную ступень — напишите мне в Telegram.