Przejdź do treści

System wieloagentowy w firmie: kiedy kilku agentów AI ma sens, a kiedy wystarczy jeden

Zespół agentów AI, z których każdy ma swoją rolę, dobrze wygląda na schemacie. Każdy kolejny agent to jednak więcej tokenów, więcej przekazań, w których gubi się informacja, i więcej logów do czytania. Opisuję, kiedy podział się opłaca.

Autor: Szymon Łakomy. Aktualizacja:

Kiedy kilku agentów AI ma sens, a kiedy wystarczy jeden?

Podział na agentów nie wynika z liczby kroków, tylko z tego, czy kroki potrzebują różnych narzędzi, uprawnień i danych. Agent, który czyta maila, sprawdza zamówienie i pisze odpowiedź, to nadal jeden agent z trzema narzędziami. O kilku agentach myślę dopiero wtedy, gdy części zadania da się wykonać osobno, a każda ma inny zakres dostępu.

Sygnał w procesieWystarczy jeden agentKilku agentów ma sens
Narzędzia i uprawnieniawszystkie kroki korzystają z tych samych systemówczęści zadania potrzebują innych systemów, a jedna z nich zapisuje dane, których reszta nie powinna ruszać
Zależności między krokamikażdy krok potrzebuje wyniku poprzedniegoczęści da się wykonać niezależnie i złożyć na końcu
Kontekstkażdy krok musi znać całą historię sprawykażda część potrzebuje tylko swojego wycinka danych
Instrukcjamieści się na jednej stronierozrasta się w listę wyjątków, a agent myli podobne narzędzia

To moja reguła robocza, a nie norma. Decyzję podejmuję po rozpisaniu procesu na kroki.

Podobnie piszą dostawcy modeli. Przewodnik OpenAI o budowie agentów zaleca najpierw wykorzystać możliwości jednego agenta i dokładać mu kolejne narzędzia, a podział na więcej agentów rozważyć wtedy, gdy agent stale wybiera złe narzędzie. Anthropic w artykule o swoim systemie badawczym dodaje, że zadania, w których wszyscy agenci muszą znać ten sam kontekst albo zależą od siebie na wielu etapach, nie pasują dziś do architektury wieloagentowej. Obsługa jednej sprawy klienta w małej firmie to zwykle właśnie ciąg zależnych kroków. Jeśli dopiero wybierasz między regułami a modelem, zacznij od strony automatyzacja czy agent AI.

Jak agenci dzielą się pracą: wzorce Anthropic i OpenAI

Koordynator i wykonawcy

Anthropic w tekście „Building effective agents” opisuje układ orchestrator-workers: centralny model dzieli zadanie, przekazuje części modelom wykonawczym i składa ich wyniki. W systemie badawczym Anthropic agent prowadzący uruchamia podagentów, którzy szukają informacji równolegle.

Menedżer z agentami jako narzędziami

Przewodnik OpenAI o budowie agentów opisuje wzorzec menedżera: jeden agent wywołuje wyspecjalizowanych agentów jak narzędzia i cały czas steruje przebiegiem. Według przewodnika pasuje, gdy przebiegiem ma sterować i z użytkownikiem rozmawiać tylko jeden agent.

Przekazanie sprawy

W układzie zdecentralizowanym z tego samego przewodnika agenci są równorzędni i przekazują sobie sprawę według specjalizacji. Przekazanie (handoff) działa w jedną stronę: prowadzenie sprawy przejmuje kolejny agent, więc z góry ustalam, jaką część historii od niego dostaje.

W n8n koordynatorem jest węzeł AI Agent, a wykonawców podłączam na dwa sposoby. Węzeł AI Agent Tool wywołuje innego agenta jak narzędzie w tym samym przepływie, a takie węzły można zagnieżdżać. Węzeł Call n8n Workflow Tool uruchamia osobny przepływ i zwraca agentowi jego wynik. Osobny przepływ wybieram, gdy wykonawca ma korzystać z innego konta niż reszta, na przykład jako jedyny z prawem zapisu w CRM. Według dokumentacji n8n przepływ wskazany w tym węźle musi być opublikowany, bo inaczej przy uruchomieniu produkcyjnym agent dostaje jako wynik narzędzia treść błędu. Dlatego sprawdzam to w testach całego przebiegu. Budowę pojedynczego agenta opisuję na stronie agent AI w n8n.

Otwarty protokół A2A służy do komunikacji agentów z różnych platform i od różnych dostawców, ale gdy wszyscy agenci działają w jednym narzędziu w jednej firmie, zwykle go nie potrzebuję.

Ile tokenów zużywa system wieloagentowy?

Więcej, niż się zakłada. Anthropic podaje w artykule technicznym o swoim systemie badawczym, że w jego danych agenci zużywali około czterech razy więcej tokenów niż zwykła rozmowa z czatem, a systemy wieloagentowe około piętnastu razy więcej. Według autorów taki koszt ma sens tylko przy zadaniach, których wartość go uzasadnia.

To dane z systemu, który szuka informacji w internecie, a nie z obsługi zamówień, ale kierunek jest ten sam: każdy podagent ma własne instrukcje, kontekst i wywołania narzędzi. Dlatego przed wdrożeniem liczę koszt jednej sprawy na przykładach z firmy i ustawiam:

  • tańszy model dla podagentów z prostym zadaniem, mocniejszy dla koordynatora,
  • limit podagentów i kroków na jedną sprawę,
  • miesięczny limit wydatków na koncie u dostawcy modelu, ustawiony przed startem.

Szacunek dla swojego ruchu policzysz w kalkulatorze kosztów API AI, a składniki ceny wdrożenia opisuje strona ile kosztuje agent AI.

Jak pilnuję kilku agentów naraz

  • Osobne uprawnienia dla każdego agenta. Agent od researchu czyta CRM, ale niczego nie zapisuje. Agent od oferty widzi cennik i tworzy szkic. Zapis w CRM robi tylko agent z kontem ograniczonym do wybranych pól.
  • Log przekazań. Każde przekazanie zapisuję z numerem sprawy: kto, komu, z jakimi danymi i z jakim wynikiem. Bez tego nie wiadomo, czy pomylił się wykonawca, czy koordynator źle opisał mu zadanie.
  • Jeden człowiek odpowiedzialny za wynik. Ofertę, odpowiedź do klienta albo zmianę w systemie zatwierdza jedna wskazana osoba w firmie, która widzi wynik całego przebiegu, a nie cząstkowe wyniki poszczególnych agentów.
  • Zadania tylko od koordynatora. Wykonawca przyjmuje zlecenia wyłącznie od koordynatora, a polecenia znalezione w treści maila albo w wyniku innego agenta traktuje jak dane. Wynik każdego agenta sprawdzam w kodzie, zanim trafi do następnego.
  • Awaria jednego agenta nie blokuje pozostałych spraw. Gdy wykonawca nie odpowiada albo zwraca wynik w złym formacie, ta sprawa trafia do kolejki ręcznej.
  • Testy całego przebiegu. Sprawdzam też, czy właściwy agent dostał właściwą część zadania. Metodę opisuje strona testowanie agentów AI.

O uprawnieniach, akceptacjach i ryzyku przekazywania zadań między agentami piszę szerzej na stronie bezpieczeństwo agentów AI.

Przykład z małej firmy: zapytanie ofertowe

Przykład jest hipotetyczny i pokazuje podział pracy, a nie wynik wdrożenia. Firma usługowa dostaje zapytania mailem, a handlowiec sprawdza klienta, liczy ofertę z cennika i przepisuje dane do CRM.

  1. Koordynator czyta zapytanie i rozdziela pracę.
  2. Agent od researchu sprawdza klienta w CRM i na jego stronie internetowej. Ma tylko prawo odczytu.
  3. Agent od oferty dobiera pozycje z cennika i przygotowuje szkic, jak przy automatyzacji ofertowania.
  4. Agent od CRM zakłada lead i zadanie, podobnie jak agent AI do kwalifikacji leadów.
  5. Handlowiec dostaje kartę klienta, szkic oferty i pytania do wyjaśnienia, a ofertę wysyła po własnej poprawce.

Ten sam proces zaczynam od jednego agenta do szkicu oferty. Drugiego dokładam, gdy pierwszy działa stabilnie, a podział daje konkretną korzyść, na przykład węższe uprawnienia agenta, który zapisuje dane w CRM.

Ile kosztuje wdrożenie i od czego zaczynam

System kilku współpracujących agentów z integracjami kosztuje od około 4500 zł netto. Zaczynam od pilotażu na jednym agencie, wycenianego jak prosty agent (od około 1200 zł netto) i opisanego na stronie pilotaż agenta AI. Za użycie modelu płacisz osobno, na własnym koncie u dostawcy. Podstawy wyjaśnia strona co to jest agent AI, a całą usługę opisuję na stronie agenci AI dla firm.

Źródła

Opis opieram na poniższych źródłach. Przepisy, dokumentacja producentów i warunki usług się zmieniają, więc szczegóły warto sprawdzić u źródła:

Najczęstsze pytania

Czy system wieloagentowy daje lepsze wyniki niż jeden agent?

Nie z definicji. Anthropic opisuje lepsze wyniki przy zadaniach badawczych, w których podagenci równolegle szukają informacji, ale za cenę wielokrotnie większego zużycia tokenów. Gdy kroki zależą od siebie, każdy dodatkowy agent to kolejne przekazanie, w którym może zgubić się informacja.

Ilu agentów potrzebuje mała firma?

Na start jednego. Kolejnego dokładam, gdy ma osobny zestaw narzędzi i uprawnień albo gdy pierwszy agent stale myli podobne narzędzia. Sama liczba kroków w procesie nie jest powodem do podziału.

Czy każdy agent może korzystać z innego modelu?

Tak, i często to się opłaca. Koordynator, który planuje i ocenia wyniki, potrzebuje mocniejszego modelu, a podagent wyciągający dane z maila poradzi sobie z tańszym. Jak dobieram modele, opisuję na stronie wybór modelu AI do agenta.

Czy system wieloagentowy da się zbudować w n8n?

Tak. Koordynatorem jest węzeł AI Agent, a wykonawcami węzły AI Agent Tool albo osobne przepływy. Gdy logika przekazań jest złożona albo system ma być częścią aplikacji, piszę go w Pythonie i zapisuję przebieg każdej sprawy w bazie danych firmy.

Kto odpowiada za błąd, gdy agenci przekazują sobie sprawę?

Za wynik odpowiada osoba w firmie, która go zatwierdza. Od strony technicznej log przekazań pokazuje, który agent dostał jakie dane i co zwrócił, więc błąd poprawia się w jednym miejscu, a nie w instrukcjach wszystkich agentów.

Powiązane strony

Zastanawiasz się, czy proces potrzebuje kilku agentów?

Opisz proces krok po kroku: skąd przychodzi sprawa, jakie systemy biorą w niej udział i kto zatwierdza wynik. Powiem, czy wystarczy jeden agent, czy podział na kilku ma sens.