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 procesie | Wystarczy jeden agent | Kilku agentów ma sens |
|---|---|---|
| Narzędzia i uprawnienia | wszystkie kroki korzystają z tych samych systemów | części zadania potrzebują innych systemów, a jedna z nich zapisuje dane, których reszta nie powinna ruszać |
| Zależności między krokami | każdy krok potrzebuje wyniku poprzedniego | części da się wykonać niezależnie i złożyć na końcu |
| Kontekst | każdy krok musi znać całą historię sprawy | każda część potrzebuje tylko swojego wycinka danych |
| Instrukcja | mieści się na jednej stronie | rozrasta 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.
- Koordynator czyta zapytanie i rozdziela pracę.
- Agent od researchu sprawdza klienta w CRM i na jego stronie internetowej. Ma tylko prawo odczytu.
- Agent od oferty dobiera pozycje z cennika i przygotowuje szkic, jak przy automatyzacji ofertowania.
- Agent od CRM zakłada lead i zadanie, podobnie jak agent AI do kwalifikacji leadów.
- 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:
- How we built our multi-agent research system (Anthropic)
- Building effective agents (Anthropic)
- A practical guide to building agents (OpenAI)
- AI Agent Tool (n8n)
- Call n8n Workflow Tool (n8n)
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.