Мультиагентные пайплайны в финанализе: зачем дробить задачу

Что происходит

За 2024–2025 годы крупные разработчики оформили мультиагентные сценарии как отдельный класс инструментов: OpenAI выпустила Agents SDK и Responses API, Anthropic описала подход multi-agent research в своём инженерном блоге, LangChain развивает фреймворк LangGraph для графов из агентов, а Microsoft — AutoGen. Финансовый анализ оказался одним из первых прикладных полей, где эти конвейеры пробуют всерьёз: задача естественно дробится на роли — сбор данных, расчёты, проверка, оформление отчёта.

Идея простая. Один запрос к языковой модели с инструкцией «проанализируй отчётность компании и дай вывод» упирается в две стены: модель путается на длинных цепочках рассуждений и не умеет надёжно считать. Мультиагентный пайплайн разносит это по отдельным исполнителям, каждый со своей узкой задачей, своим набором инструментов и своей проверкой на выходе.

Как устроен типичный конвейер

В финансовом сценарии пайплайн обычно собирают из нескольких агентов^*, которые передают результат по цепочке или работают под управлением координатора.

• Агент-сборщик — тянет данные: отчётность из открытых источников, котировки через API, новости. Здесь чаще всего подключают RAG^**, чтобы модель отвечала по загруженным документам, а не по памяти.
• Агент-калькулятор — не считает «в голове», а вызывает внешний инструмент: Python-функцию, SQL-запрос или готовый расчётный сервис. Мультипликаторы, динамика выручки, долговая нагрузка — всё через код, а не через генерацию текста.
• Агент-критик — проверяет выводы предыдущих: сходятся ли цифры, нет ли противоречий, откуда взят каждый факт.
• Агент-редактор — собирает финальный отчёт в нужном формате.

Ценность мультиагентной схемы не в том, что моделей стало больше, а в том, что появилась точка, где ошибку можно поймать до того, как она уедет в отчёт для клиента.

Чем это отличается от одного мощного промпта

Одна модель с большим контекстным окном^*** тоже переварит годовой отчёт целиком. Разница — в надёжности и в том, что можно проверить. Монолитный промпт выдаёт ответ как чёрный ящик: если в выводе ошибка в расчёте, вы не увидите, на каком шаге она возникла. Пайплайн оставляет след — какой агент какие данные взял и что посчитал.

Обратная сторона честная: конвейер сложнее в разработке, дороже по токенам (каждый агент — это отдельные вызовы модели) и медленнее. Anthropic в своём разборе multi-agent research прямо отмечала, что такие системы потребляют кратно больше токенов, чем одиночный чат, — за счёт координации и передачи контекста между агентами.

Сравнение подходов

Инструменты, из которых собирают

Готовых «финансовых мультиагентов из коробки» на рынке немного, чаще собирают из общих фреймворков. Точные условия и лимиты API меняются — проверяйте на официальных страницах разработчиков.

• OpenAI Agents SDK / Responses API — оркестрация агентов и вызов инструментов внутри экосистемы OpenAI.
• LangGraph (LangChain) — построение графов из агентов с состоянием и ветвлениями, популярен для сложной логики.
• AutoGen (Microsoft) — фреймворк для диалога нескольких агентов между собой.
• CrewAI — упор на роли и командную работу агентов, низкий порог входа.

Стоимость складывается не из подписки на фреймворк (многие открытые), а из токенов у провайдера модели. Именно поэтому наивный пайплайн, где четыре агента гоняют друг другу полный контекст отчёта, легко становится в разы дороже одного запроса — это главная статья расходов, которую недооценивают на старте.

Кому это пригодится, а кому нет

Пригодится:

• Инвестиционным и аналитическим командам, которые готовят однотипные разборы десятков компаний — конвейер окупается на объёме.
• Тем, кому важна воспроизводимость: регулярный отчёт, где нужно показать, откуда взялась каждая цифра.
• Задачам, где расчёт обязателен и ошибка недопустима — потому что вычисления уходят в код, а не в генерацию текста.

Не пригодится:

• Разовому вопросу «что это за компания» — здесь один запрос дешевле и быстрее.
• Командам без инженера, готового поддерживать пайплайн: он ломается на смене форматов данных и требует отладки.
• Сценариям, где нужна юридически значимая финансовая оценка — вывод модели остаётся черновиком, а не заключением, за которое кто-то отвечает.

Что важно помнить

Мультиагентный пайплайн не делает модель «умнее» — он делает процесс проверяемым и снимает с языковой модели то, в чём она слаба (арифметика). Любая цифра на выходе всё равно требует человека, который сверит её с первоисточником. Автоматизация здесь про скорость и дисциплину, а не про право не читать отчётность самому.

^* Агент — программа на базе языковой модели, которая не просто отвечает текстом, а сама решает, какие инструменты вызвать (поиск, код, API) для достижения цели.

^** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает релевантные документы из базы и отвечает по ним, а не только по обучающим данным.

^*** Контекстное окно — объём текста (в токенах), который модель способна удерживать в одном запросе одновременно.