Евгений Волков – Агенты среди нас. Как нанять нейросеть на работу и не уволиться самому (страница 7)
Когда вы запихиваете эти две роли в один промпт, модель вынуждена искать «среднее арифметическое». В результате вы получаете шизофренический продукт: договор с неуместными шутками и рекламный пост, написанный канцеляритом.
Невозможно быть одновременно клоуном и судьей в рамках одной сессии генерации. Универсальность убивает качество.
2. Эффект домино при ошибках (Error Propagation)
В «Одном Большом Промпте» все действия связаны в одну неразрывную цепь. Анализ, планирование, написание кода и его проверка происходят в одном потоке вывода.
Если модель совершает ошибку в самом начале (например, неправильно поняла входные данные), эта ошибка лавиной катится через весь ответ.
Модель не может остановиться, сказать «Ой, я ошиблась в первом абзаце» и переписать его. Она работает авторегрессионно – только вперед. Она будет героически строить логические замки на фундаменте из галлюцинаций.
В конце вы получаете огромный, красивый, связный текст, который полностью неверен, потому что первая предпосылка была ошибочной. В монолитной системе нет «точек сохранения» и «предохранителей».
3. Проблема «Черного ящика» (Debugging Nightmare)
Это боль всех, кто пытался внедрять ИИ в продакшн.
Вы написали сложный промпт. Клиент жалуется, что бот иногда грубит.
Где ошибка?
– Может, вы неудачно описали Tone of Voice?
– Может, модель неправильно интерпретировала вопрос клиента?
– Может, сработал защитный фильтр OpenAI?
– В «Большом Промпте» вы не можете изолировать проблему. Вы меняете одно слово в инструкции, и ломается всё остальное (эффект бабочки). Промпт-инжиниринг превращается в шаманизм: вы боитесь дышать на промпт, который «вроде бы работает». Это тупик для масштабирования.
Смерть «Швейцарского ножа»
Рынок долго верил в мечту об AGI (General Intelligence) – универсальном разуме, который умеет всё. Но практика 2025 года показывает, что бизнес-задачи лучше решают не универсалы, а узкие специалисты.
«Один Большой Промпт» – это попытка забивать гвозди микроскопом. Да, микроскоп тяжелый, им можно забить гвоздь. Но гвоздь будет кривой, а микроскоп сломается.
Мы переходим от парадигмы «Супер-Модель, которая делает всё» к парадигме «Команда средних моделей, каждая из которых делает одно дело идеально».
Вместо того чтобы растягивать внимание модели на километр, мы нарезаем задачу на 10 маленьких кусочков, где для каждого кусочка внимание сфокусировано на 100%.
Именно неспособность одной модели удерживать в голове сложный контекст и привела к рождению мультиагентных систем. Мы перестали бороться с природой нейросетей и начали использовать её сильные стороны.
Мы поняли: чтобы написать книгу, не нужен один гений. Нужен редактор, писатель, корректор и фактчекер. И они не должны жить в одной голове.
Разделяй и властвуй: как разбиение задачи на микро-роли повышает качество на 40%
Если «Один Большой Промпт» – это проблема, то каково решение? Ответ лежит в плоскости организационного управления, а не программирования. Решение называется Декомпозиция Агентных Ролей (Agentic Role Decomposition).
В исследовании, проведенном Microsoft Research в рамках проекта AutoGen (осень 2024), был зафиксирован поразительный результат. Группа из трех «слабых» агентов (на базе модели GPT-3.5), работающих по цепочке, решила сложные задачи по программированию и математике на 40% точнее, чем одна «сильная» модель (GPT-4), которой дали ту же задачу целиком.
Как такое возможно? Как три джуниора могут победить сеньора?
Секрет кроется в методологии «Разделяй и властвуй».
1. Гигиена Контекста (Context Hygiene)
Главное преимущество мультиагентной системы – чистота рабочей памяти каждого отдельного агента.
Когда мы разбиваем задачу, мы создаем для каждого агента свой, изолированный мир.
– Мир Агента-Аналитика: В его контексте лежат только сухие цифры, таблицы и отчеты. Ему запрещено думать о красоте слога. Его промпт короткий и жесткий: «Извлеки тренды из таблицы». Лучь его внимания (Self-Attention) бьет точно в цифры. Он не отвлекается.
– Мир Агента-Копирайтера: В его контексте нет таблиц. Ему не нужно тратить вычислительный ресурс на понимание цифр – он получает от Аналитика уже готовые выводы. В его контексте лежат только гайдлайны по стилю и примеры хороших текстов. Его внимание сфокусировано на метафорах и глаголах.
Разделяя контексты, мы устраняем «интерференцию навыков». Модель больше не пытается усидеть на двух стульях. Это повышает IQ каждого отдельного агента в рамках его узкой задачи. Специалист всегда бьет универсала на своем поле.
2. Сила дебатов и самокоррекции (Multi-Agent Debate)
Одиночная модель страдает от когнитивного искажения, известного как Confirmation Bias (Предвзятость подтверждения).
Если модель в начале ответа написала: «Земля плоская», она будет до конца текста придумывать аргументы в пользу этого тезиса, чтобы сохранить логическую связность (Coherence). Ей очень трудно сказать самой себе: «Стоп, я пишу чушь».
В мультиагентной системе мы внедряем механизм Состязательности (Adversarial Flow).
Мы специально создаем агента-врага. Агента-Критика.
Его единственная задача – не создавать, а разрушать. Он получает ответ первого агента и промпт: «Найди логические ошибки. Найди фактические неточности. Будь безжалостным».
Этот процесс имитирует научную дискуссию или защиту диссертации.
– Агент А выдвигает гипотезу.
– Агент Б разбивает её аргументами.
– Агент А вынужден пересмотреть гипотезу и выдать улучшенную версию.
Исследования MIT (статья «Improving Factuality and Reasoning in Language Models through Multiagent Debate») показывают, что даже 2 раунда таких дебатов снижают уровень галлюцинаций в 3 раза. Истина рождается в споре, и агенты умеют спорить гораздо эффективнее людей – без обид и перехода на личности.
3. Экономика токенов и выбор инструментов (Model Routing)
Разбиение на роли позволяет нам экономить деньги. Это циничный, но важный аспект бизнеса.
Зачем использовать «ядерный реактор» (дорогую модель вроде Claude 3 Opus или GPT-4o) для задачи перекладывания запятых?
В агентной архитектуре мы применяем принцип Model Routing (Маршрутизация моделей):
– Сложные задачи (Планирование, Креатив): Отдаем топ-моделям. Да, дорого, но тут нужен интеллект.
– Рутинные задачи (Саммаризация, Форматирование JSON, Проверка орфографии): Отдаем дешевым и быстрым моделям (Llama 3, Haiku, GPT-4o-mini).
Разделяя процесс на этапы, мы можем для каждого этапа нанять сотрудника соответствующей квалификации. Вы не нанимаете доктора наук, чтобы он мыл пробирки. Вы нанимаете лаборанта. Точно так же работает агентная сеть. Это снижает стоимость владения системой (TCO) в разы при сохранении качества финального продукта.
4. Стандартизация процессов (SOPification)
Внедрение агентов заставляет вас, как владельца бизнеса, сделать то, что вы откладывали годами: прописать SOP (Standard Operating Procedures).
Агенты не работают на абстракциях. Им нужен алгоритм.
Чтобы разделить задачу на микро-роли, вы должны сначала разложить свой бизнес-процесс на атомы.
– Не «Веди продажи», а: «1. Квалифицируй лид. 2. Проверь бюджет. 3. Подбери кейс. 4. Сформируй КП».
Этот процесс сам по себе лечит бизнес. Даже если вы завтра выключите ИИ, у вас останутся идеально прописанные регламенты.
Разделение задач превращает «творческий хаос» в «промышленный конвейер». А конвейер, как доказал Генри Форд, всегда эффективнее ремесленной мастерской.
Качество повышается на 40% не потому, что нейросети стали умнее. А потому, что вы, наконец, начали правильно ставить им задачи. Вы перестали требовать чуда от одного «волшебного промпта» и построили инженерную систему.
Пример из жизни: Как один агент пишет статью, второй – критикует, а третий – верстает (без участия человека)
Теория звучит убедительно, но давайте посмотрим, как это выглядит «в металле». Как именно эти невидимые сущности передают друг другу эстафетную палочку?
Мы разберем классический кейс для малого бизнеса: «Автономная новостная редакция».