Research swarm: как рои ИИ-агентов делят исследование на всех

Anthropic в июне 2025 года опубликовала разбор своей системы Research в Claude, где на один запрос работает не одна модель, а группа: ведущий агент раскладывает задачу на подзадачи и раздаёт их подчинённым агентам, каждый ищет своё. В своём инженерном блоге компания привела цифру, которая отрезвляет энтузиастов: мультиагентная схема потребляет примерно в 15 раз больше токенов, чем обычный диалог с моделью. Это и есть цена вопроса, о которой забывают, когда рисуют красивые схемы «роя агентов».

Что такое research swarm и чем он отличается от одного агента

Под «роем» (swarm) обычно понимают несколько LLM-агентов^*, которые работают над одной задачей параллельно или последовательно, обмениваясь промежуточными результатами. Для исследовательских задач — собрать информацию по теме, сравнить источники, свести выводы — это выглядит так: один агент-координатор дробит вопрос, несколько исполнителей копают каждый свой участок, а финальный агент собирает всё в ответ.

Ключевое отличие от одиночного агента — не в интеллекте отдельной модели, а в параллелизме и специализации. Один агент читает источники по очереди и держит весь контекст в одном окне. Рой распределяет чтение: пока один изучает документацию, другой проверяет свежие новости, третий ищет контрпримеры. Каждый работает в своём контекстном окне и не забивает его чужими данными.

Мультиагентная система выигрывает не там, где нужен один точный ответ, а там, где задача естественно делится на независимые ветки, которые можно искать одновременно.

Почему один агент упирается в потолок

У одиночной модели два ограничения. Первое — контекстное окно: даже 200 тысяч токенов заканчиваются, если агент читает десятки источников подряд, и качество ответов на длинном контексте деградирует к середине окна. Второе — последовательность: одна модель не может читать пять сайтов одновременно, она идёт шаг за шагом. Рой обходит оба: каждый агент держит свежий короткий контекст, а поиск идёт в несколько потоков.

Архитектуры: как именно устроены такие системы

Единого стандарта нет, но на практике встречаются три подхода.

Anthropic в своей системе использует вариант «оркестратор + исполнители»: ведущий Claude решает, сколько подагентов запустить и какие задачи им дать. Компания отдельно отмечала, что научить оркестратор правильно дробить задачу — самая тонкая часть. Слишком мелкое дробление плодит агентов, которые дублируют работу; слишком крупное — сводит рой к одиночке.

Инструменты, на которых это собирают

Готовых фреймворков уже несколько:

• LangGraph — граф состояний, где узлы это агенты или шаги, а рёбра — переходы. Даёт контроль над ветвлением и циклами.
• CrewAI — агенты описываются через роли и задачи, ориентирован на командную метафору.
• AutoGen (Microsoft) — упор на диалог между агентами и человеком в цикле.
• OpenAI Swarm — экспериментальная лёгкая библиотека для передачи управления между агентами; позиционируется как учебная, не production-решение.

Точные возможности и статус этих проектов меняются от релиза к релизу — перед выбором сверяйтесь с их актуальной документацией, а не со статьями полугодовой давности.

Цена вопроса: токены, задержка и отладка

Главная ловушка роя — стоимость. Если один агент на исследовательский запрос тратит условные X токенов, то система из координатора и четырёх исполнителей легко тратит 10–15X: каждый агент дублирует часть контекста, координатор гоняет промежуточные результаты туда-обратно. Названная Anthropic цифра в ~15 раз — это порядок, к которому стоит готовиться, а не гарантия именно такого множителя в вашем случае.

Отсюда простое правило: рой оправдан там, где ценность ответа выше кратно выросшего счёта за токены. Разовый глубокий обзор рынка перед сделкой — да. Ответ на бытовой вопрос пользователя в чате — нет, тут переплата бессмысленна.

Мультиагентность — это не апгрейд по умолчанию. Это компромисс: вы меняете деньги и задержку на широту охвата и параллелизм.

Что ломается на практике

• Накопление ошибок. Если исполнитель ошибся в подзадаче, координатор может принять мусор за факт и вставить его в финальный ответ.
• Отладка. Проследить, почему рой дал странный ответ, сложнее, чем в одном диалоге: логика размазана по нескольким агентам и их обменам.
• Недетерминированность. Один и тот же запрос может дать разные ответы, потому что оркестратор по-разному дробит задачу.
• Задержка. Параллельные агенты ускоряют часть работы, но этап сборки всё равно ждёт самого медленного исполнителя.

Когда рой нужен, а когда нет

Ориентир простой. Мультиагентная схема даёт выигрыш, если у задачи есть ветвление — независимые направления, которые можно искать параллельно, и результаты которых потом сходятся. Для линейной задачи с одним правильным ответом рой чаще проигрывает одному хорошо настроенному агенту: и по цене, и по предсказуемости.

1. Сформулируйте задачу и проверьте, делится ли она на независимые ветки. Если нет — начните с одного агента.
2. Прикиньте бюджет токенов и умножьте на реалистичный множитель (порядок 10–15 для сложных исследований).
3. Заложите этап проверки: отдельный агент-критик или ручная сверка выводов исполнителей.
4. Логируйте обмены между агентами с первого дня — без этого отладка превратится в гадание.

^* LLM-агент — языковая модель, которой дали инструменты (поиск, вызов функций, доступ к файлам) и возможность самостоятельно решать, какой шаг сделать следующим, а не просто выдавать текст на один запрос.