--- title: "Агентни работни процеси" source: "https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8" wiki: "systems-analysis.info/int" article: "Агентни_работни_процеси" language: "bg" categories: - "Category:AI Agents" - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 8630 wiki_created_at: 2026-09-07T01:20:17Z wiki_modified_at: 2026-09-07T01:20:17Z downloaded_at: 2026-09-07T23:26:30Z --- # Агентни работни процеси **Агентни работни процеси** (**Agentic Workflows**) — това са динамични многостъпкови процеси, при които автономни AI-агенти, базирани на големи езикови модели (LLM), самостоятелно вземат решения, изпълняват действия и координират задачи с минимално участие на човека[\[1\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_what_is-1). В такива системи LLM се използва не само за генериране на отговор на една заявка, но и за планиране на последователност от действия, взаимодействие с външни инструменти и итеративно подобряване на резултата. За разлика от традиционната автоматизация, основана на твърдо програмирани правила, агентните подходи притежават гъвкавост — те могат да се адаптират към нови данни и непредвидени условия. Агентният работен процес се отличава от простото извикване на LLM (например за резюмиране на текст) по това, че агентът е надарен с автономия при избора на действия, което включва планиране, използване на инструменти и самокорекция[\[2\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-weaviate_blog-2). ## Компоненти и архитектура на агентния workflow Агентният работен процес обединява няколко ключови компонента за постигане на целта. ### AI-агент и LLM В центъра на процеса се намира **AI-агентът** — автономна програма, действаща от името на потребителя или системата. Ключов компонент на агента е голям езиков модел, който осигурява разбиране на инструкциите на естествен език и генериране на необходимите разсъждения. Качеството на работата на агента зависи съществено от инженерията на prompt-овете — различните схеми за подсказки (например Chain-of-Thought) помагат да се настрои LLM към изисквания стил на работа[\[1\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_what_is-1). ### Инструменти (достъп до външни действия) Тъй като знанията на LLM са ограничени от данните за обучение, на агента се предоставят външни **инструменти**, разширяващи неговите възможности. Инструментите могат да включват достъп до бази от знания, търсачки, API, интерпретатори на код и други приложения. С тяхна помощ агентът получава актуална информация или извършва реални действия извън самия модел[\[2\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-weaviate_blog-2). ### Памет и контекст Отличителна черта на агентните workflow е наличието на механизъм за памет, позволяващ на агента да отчита предишния опит и контекста. - **Краткосрочната памет** задържа скорошна информация (например история на диалога) в рамките на текущата сесия. - **Дългосрочната памет** съхранява знания и резултати, натрупани в продължение на много сесии, често с използване на външни хранилища (например векторни бази данни)[\[3\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_autogpt-3). ### Обратна връзка и коригиране Механизмите за обратна връзка играят важна роля за повишаване на надеждността. Агентът може да получава *feedback* от средата за изпълнение на задачата, от спомагателен модел-„критик" или от човек (режим *human-in-the-loop*). Например системата **Reflexion** реализира вътрешна самообратна връзка: агентът анализира собствените си грешки и съхранява „размислите" в паметта, за да подобри последващите опити[\[4\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-reflexion_paper-4). ### Многоагентни конфигурации При сложни сценарии се прилага многоагентна архитектура, при която няколко специализирани агента взаимодействат помежду си. Например агентът-„планировщик" поставя подзадачи, а няколко агента-„изпълнители" решават своите тесни задачи (търсене на данни, изчисления и т.н.)[\[1\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_what_is-1). ## Типови модели и алгоритми за работа на агентите Макар унифицирана стандартизирана архитектура на агентни LLM-системи все още да не е изградена, в периода 2023–2024 г. започнаха да се появяват повтарящи се модели[\[5\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-vellum_guide-5). - **Стъпково планиране (Prompt Chaining)**. Задачата се разбива на последователност от етапи чрез верига от LLM-извиквания. Всяка стъпка получава като вход резултата от предишната и изпълнява част от общата задача. Този подход подобрява интерпретируемостта, но е по-малко гъвкав. - **Маршрутизиране и избор на инструмент (Router Pattern)**. Агентът първо класифицира типа на входящата задача, след което избира специален процес или инструмент за нейното решаване, действайки като диспечер. - **Паралелно търсене на решения**. Вместо една линейна нишка на мислене се изследват едновременно няколко варианта за решение. Пример е подходът Tree-of-Thoughts, при който агентът разклонява веригата на разсъждения подобно на дърво, генерирайки на всяка стъпка няколко кандидат-„мисли" и отбирайки най-перспективните[\[6\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-tot_paper-6). - **Рефлексия и самокорекция**. Агентът критично оценява собствените си решения и се учи от грешките. В метода Reflexion агентът след всеки опит анализира резултата и съхранява изводите, които използва в следващите цикли[\[4\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-reflexion_paper-4). ## Примери за известни подходи - **ReAct** (*Reasoning and Acting*) — основополагащ метод (2022), който съчетава разсъждение и действие. LLM генерира редуващи се логически изводи (*thoughts*) и конкретни стъпки-действия (*actions*), които се изпълняват с помощта на инструменти[\[7\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-react_paper-7). - **Reflexion** (2023) — framework за саморефлексия, позволяващ на агентите да се учат от собствените си грешки чрез текстова обратна връзка, без актуализиране на теглата на модела[\[4\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-reflexion_paper-4). - **Tree-of-Thoughts (ToT)** (2023) — framework, обобщаващ идеята на Chain-of-Thought за организиране на търсенето на решение под формата на дърво, което позволява на модела да обмисля няколко варианта за развитие на събитията[\[6\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-tot_paper-6). - **Auto-GPT** (2023) — един от първите широко известни отворени проекти, демонстриращи напълно автономен агентен workflow. Системата генерира група специализирани GPT-4-агенти, които съвместно планират и изпълняват стъпки за постигане на високоравнищна цел, зададена от потребителя[\[3\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_autogpt-3). ## Приложение и влияние Агентните подходи намират приложение в множество сфери, където се изискват интелектуална автоматизация и гъвкавост. - **Бизнес процеси**: Агентните системи разширяват възможностите на чатботове за техническа поддръжка, които могат самостоятелно да диагностицират проблеми и да намират решения. Те се използват също в областта на финансите, управлението на персонала и маркетинга[\[1\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_what_is-1). - **Генеративни симулации**: Автономните LLM-агенти могат да моделират сложното поведение на общности или персонажи. В труда „Generative Agents" (Park et al., 2023) десетки GPT-агенти, надарени с различни личности, правдоподобно имитираха социалния живот в симулирано градче. Според оценката на анализаторите от Gartner, агентният ИИ (*Agentic AI*) е включен сред стратегическите технологични тенденции за 2025 г.[\[1\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-ibm_what_is-1). ## Проблеми и перспективи за развитие Въпреки постиженията, агентните LLM-системи остават нова и сложна технология. - **Разход на ресурси**: Всяка допълнителна стъпка на планиране, търсене или самоанализ представлява отделно извикване на LLM, което увеличава времето за изпълнение и разходите. - **Непредсказуемост на поведението**: Колкото повече свобода има агентът, толкова по-трудно е да се гарантира какъв маршрут ще избере. Това изисква въвеждане на ограничения и защитни механизми (*guardrails*). - **Оценка на качеството и отстраняване на грешки**: Анализирането на обширни логове на многостъпкови системи за намиране на грешки е нетривиална задача. - **Сигурност и етика**: С нарастването на автономността на ИИ възниква необходимостта да се гарантира, че агентите действат в интерес на потребителя и обществото. Бъдещите изследвания са насочени към създаване на универсални средства за използване на инструменти, разработване на единни комплексни workflow и оптимизиране на ефективността на агентните системи[\[8\]](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_note-survey_li_2024-8). ## Препратки - Преглед на агентните работни процеси от IBM - Ръководство за създаване на ефективни AI-агенти от Anthropic ## Литература - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366. - Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442. - Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291. - Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. DOI:10.1126/science.ade9097. - Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432. - Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804. - Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370. - Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110. - He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390. - Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716. - Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564. ## Бележки 1. ↑ [1.0](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_what_is_1-0) [1.1](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_what_is_1-1) [1.2](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_what_is_1-2) [1.3](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_what_is_1-3) [1.4](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_what_is_1-4) «What are Agentic Workflows?». *IBM*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-weaviate_blog_2-0) [2.1](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-weaviate_blog_2-1) «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_autogpt_3-0) [3.1](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-ibm_autogpt_3-1) «What is AutoGPT?». *IBM*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-reflexion_paper_4-0) [4.1](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-reflexion_paper_4-1) [4.2](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-reflexion_paper_4-2) Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. [4] 5. [↑](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-tot_paper_6-0) [6.1](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-tot_paper_6-1) Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. [6] 7. [↑](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. [7] 8. [↑](https://systems-analysis.info/int/%D0%90%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BD%D0%B8_%D0%BF%D1%80%D0%BE%D1%86%D0%B5%D1%81%D0%B8#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. [8]