Într-un sistem multi-agent, sarcina este împărțită între mai mulți agenți LLM, fiecare cu un rol, un prompt și un set de unelte. Un tipar descris de Anthropic pentru sistemul lor de cercetare este orchestrator–worker: un agent principal planifică și pornește subagenți specializați care lucrează în paralel, fiecare în propria fereastră de context, și îi trimit înapoi rezultatele condensate.
Avantajul: subagenții explorează în paralel aspecte diferite și nu încarcă contextul agentului principal. Costul: Anthropic a măsurat că agenții folosesc de obicei de circa 4 ori mai mulți tokeni decât o conversație, iar sistemele multi-agent de circa 15 ori mai mulți. Se justifică doar pentru sarcini a căror valoare acoperă costul.
Framework-uri: CrewAI (agenți cu roluri, organizați în echipe), ChatDev, Microsoft Agent Framework. AutoGen, framework-ul multi-agent al Microsoft, este arhivat și nu mai este întreținut; Microsoft recomandă Agent Framework pentru proiecte noi.
Concepte cheie și caracteristici
| Concept / Parametru | Descriere practică |
|---|---|
Orchestrator–worker |
Un agent principal împarte sarcina și pornește subagenți care lucrează în paralel. |
Secvențial (pipeline) |
Agenții lucrează pe rând; fiecare predă rezultatul următorului. |
Context separat |
Fiecare subagent are propria fereastră de context; agentul principal primește doar rezultatul condensat. |
Delegare |
Anthropic: fiecare subagent are nevoie de un obiectiv, un format al rezultatului, indicații despre unelte și surse și limite clare ale sarcinii. |
Cost |
Circa 15 ori mai mulți tokeni decât o conversație, în măsurătorile Anthropic. |
Exemple practice și scenarii reale
Exemplul 1: Cercetare cu orchestrator și subagenți
Exemplu ilustrativ al tiparului orchestrator–worker.
Utilizator: "Compară trei biblioteci de reranking pentru texte în română."
Agent principal: plan -> 3 subagenți, câte unul pe bibliotecă
fiecare subagent: obiectiv + format rezultat + surse permise + limite
subagent 1..3: citesc documentația, rulează un test, scriu un rezumat
Agent principal: combină rezumatele -> raport final cu surseGreșeli frecvente și capcane
- Să folosești mai mulți agenți pentru sarcini simple. Costul în tokeni crește mult; începe cu un singur agent și împarte doar când contextul sau paralelismul o cer.
- Să dai subagenților instrucțiuni scurte și vagi. Anthropic a observat că fără descrieri detaliate agenții dublează munca, lasă goluri sau nu găsesc informația.
- Să pornești proiecte noi pe AutoGen. Repository-ul este arhivat; Microsoft trimite utilizatorii către Agent Framework.