---
title: "Мултиагентни фреймуъркове"
source: "https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5"
wiki: "systems-analysis.info/int"
article: "Мултиагентни_фреймуъркове"
language: "bg"
categories:
  - "Category:AI Agents"
  - "Category:Bulgarian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 8714
wiki_created_at: 2026-09-07T01:21:33Z
wiki_modified_at: 2026-09-07T01:21:33Z
downloaded_at: 2026-09-07T23:26:57Z
---

# Мултиагентни фреймуъркове

**Мултиагентни фреймуърки на основата на LLM** — това са софтуерни платформи, които позволяват на няколко автономни AI-агента, изградени върху основата на големи езикови модели (LLM), да взаимодействат помежду си за съвместно решаване на сложни задачи<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>. В такива системи акцентът се поставя върху разнообразието от профили на агентите, тяхната комуникация и колективното вземане на решения. Подходът използва „колективния интелект" на групата, където всеки агент изпълнява специализирана роля, а обменът на съобщения между тях имитира съвместната работа на хора.

Това позволява моделиране на сложни сценарии от реалния свят и решаване на задачи, излизащи извън възможностите на единичен интелектуален агент. Мултиагентните LLM-системи вече демонстрират успешни резултати в такива области като разработка на софтуер, социални симулации, икономически игри и моделиране на политически дискусии<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>.

## Ключови фреймуърки и подходи

Развитието на мултиагентните системи доведе до появата на редица отворени фреймуърка, улесняващи тяхното създаване и изследване.

### MetaGPT (2023)

Един от първите отворени фреймуърка, ориентиран към съвместна работа по принципа на „конвейера" (*assembly line*). **MetaGPT** въвежда в системата стандартни оперативни процедури (SOPs) и назначава на всеки агент определена роля (например мениджър на продукта, инженер, тестер). Този подход позволява декомпозиране на сложна задача на подзадачи, разпределяйки ги между специализирани агенти, което намалява хаотичността и риска от халюцинации<sup>[\[2\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-harmony_survey-2)</sup>.

### CAMEL (2023)

Фреймуъркът **CAMEL** (*Communicative Agents for \\Mind\\ Exploration*) е насочен към автономно взаимодействие на агенти чрез диалог. Той предлага методика *inception prompting* за координация на разговора между LLM-агенти, насочвайки ги към обща цел. Всеки агент получава роля и контекст, след което агентите общуват на естествен език, постепенно изработвайки съвместно решение. CAMEL се е показал ефективен в сценарии, изискващи кооперация без пряка намеса на човек<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>.

### AutoGen (2023)

Универсален и конфигурируем фреймуърк от изследователи на Microsoft, предназначен за създаване на сложни приложения на основата на комуникация между няколко LLM. **AutoGen** позволява програмиране на логиката на взаимодействие между агентите както с помощта на код, така и на естествен език. Той поддържа интеграция с външни инструменти и API, което го прави подходящ за широк кръг задачи — от разработка на софтуер до създаване на диалогови системи<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>.

### AgentVerse (2023)

Отворена платформа, разработена от общността OpenBMB за изучаване на динамичното сътрудничество и емерджентното поведение на агентите. **AgentVerse** предоставя два режима на работа:

1.  **Решаване на задачи (task-solving)**: Няколко LLM-агента се обединяват в екип за изпълнение на сложна задача (например съвместна разработка на софтуер).
2.  **Симулация на среда (simulation)**: Позволява на потребителя да зададе виртуална среда и да наблюдава взаимодействието на агентите (например симулация на учебна класна стая или дилемата на затворника).

Платформата подчертава важността на стандартизирана среда и протоколи за общуване с цел управляема комуникация<sup>[\[3\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-agentverse_github-3)</sup>.

### CrewAI (2024)

Фреймуърк, насочен към интеграция на LLM-агенти в бизнес процеси и анализ на данни. **CrewAI** реализира концепцията *AI-Based Agents Workflow* (AgWf), където агентите изпълняват стъпки, описани като текстови инструкции, и могат да използват външни инструменти (Python-класове/функции). Това позволява автоматизиране на сложни аналитични сценарии, съчетавайки гъвкавостта на LLM с детерминиран код<sup>[\[2\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-harmony_survey-2)</sup>.

### LangGraph (2024)

Експериментален фреймуърк, използващ графови структури за представяне на състоянието и контекста в диалозите с LLM. Ключовата особеност на **LangGraph** е поддръжката на **циклични работни процеси**. Това позволява на агентите да обменят данни чрез общ граф на знания, итеративно да търсят информация, да оценяват нейната надеждност и да коригират отговорите, което е особено полезно в задачи за търсене на информация (QA) с допълнена база от знания<sup>[\[2\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-harmony_survey-2)</sup>.

### Други проекти

Широкo внимание привлякоха и експерименталните проекти **AutoGPT** и **AgentGPT**, които демонстрираха потенциала на напълно автономни AI-агенти, способни самостоятелно да си поставят цели, да извършват уеб търсене, да стартират код и да управляват файлове. Въпреки че тези проекти не са преминали научна рецензия, те подчертаха важността на компонентите за планиране, памет и инструменти при изграждането на наистина самостоятелни агенти<sup>[\[4\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-nvidia_blog-4)</sup>.

## Приложение на мултиагентните системи

- **Автоматизация на разработката на софтуер**: Групи от LLM-агенти изпълняват ролите на мениджър, програмист и тестер, съвместно планирайки и реализирайки софтуерни проекти. Изследването *ChatDev* показа, че екип от четири агента успя за броени минути да създаде просто приложение, водейки диалог на всички етапи — от формулирането на задачата до тестването<sup>[\[2\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-harmony_survey-2)</sup>.
- **Интелигентни асистенти**: Корпоративни продукти като Microsoft 365 Copilot и IBM Watsonx Orchestrate използват няколко агента за изпълнение на сложни задачи, където един агент обработва заявката, друг извлича факти от базата, а трети съставя отчет.
- **Научни изследвания**: Агентите се използват за генериране и критика на хипотези. При подходи от типа *Guided Debate* или *Self-Refine* един агент предлага решение, а друг го оценява и коригира, което помага за намаляване на броя грешки<sup>[\[4\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-nvidia_blog-4)</sup>.
- **Социално моделиране и виртуални светове**: В знаковия проект *Generative Agents* десетки LLM-агенти, надарени с личности и памет, имитираха живота на малък виртуален град, демонстрирайки правдоподобно социално взаимодействие. Такива симулации могат да намерят приложение в игрите (за създаване на реалистични NPC), в обучението и в социалните науки<sup>[\[4\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-nvidia_blog-4)</sup>.

## Предизвикателства и перспективи

Въпреки успехите, мултиагентните системи се сблъскват с редица сериозни проблеми:

- **Халюцинации и каскадни грешки**: Грешка, допусната от един агент, може да се предава по веригата на другите, които я приемат за основа на своите разсъждения, което води до изкривяване на работата на цялата група<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>.
- **Мащабируемост и ресурсоемкост**: Всеки агент на базата на LLM изисква значителни изчислителни ресурси. Осигуряването на едновременна работа на десетки агенти е сложна техническа задача<sup>[\[1\]](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_note-survey_agents-1)</sup>.
- **Координация и управление**: С нарастването на броя на агентите нараства и рискът от хаос. Необходими са добре обмислени механизми за „оркестрация" с цел управление на тяхното взаимодействие.
- **Оценяване и тестване**: Липсват общоприети benchmark-и за обективно сравняване на различните мултиагентни фреймуърка.

В бъдеще се очаква появата на по-ефективни и безопасни мултимодални системи, където агентите ще могат да обменят не само текст, но и изображения и други данни. Въвеждането на Reinforcement Learning може да научи групите от агенти да се координират по-добре с течение на времето, постигайки ефекта на „колективен интелект". В крайна сметка мултиагентните фреймуърка представляват стъпка към създаването на по-гъвкави и мощни AI-системи, където множество специализирани „умове" работят заедно.

## Връзки

- Обзорна статия: Large Language Model based Multi-Agents (2024)
- Обзорна статия: LLMs Working in Harmony (2025)

## Литература

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Hong, S. et al. (2023). *MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework*. arXiv:2308.00352.
- Li, G. et al. (2023). *CAMEL: Communicative Agents for \\Mind\\ Exploration of Large Language Model Society*. arXiv:2303.17760.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155.
- 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.
- Chen, W. et al. (2023). *AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors*. arXiv:2308.10848.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Guo, T. et al. (2024). *Large Language Model Based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680.
- Chen, Q. et al. (2024). *ChatDev: Communicative Agents for Software Development*. arXiv:2307.07924.
- Duan, Z.; Wang, J. (2024). *Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI*. arXiv:2411.18241.
- Aratchige, R. M.; Ilmini, W. M. K. S. (2025). *LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems*. arXiv:2504.01963.

## Бележки

1.  <span id="cite_note-survey_agents-1">↑ <sup>[1.0](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-survey_agents_1-5)</sup> Wang, L., et al. «Large Language Model based Multi-Agents: A Survey of Progress and Challenges». *arXiv:2402.01680* \[cs.AI\], 1 февр. 2024 г. <a href="https://arxiv.org/html/2402.01680v2" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-harmony_survey-2">↑ <sup>[2.0](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-harmony_survey_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-harmony_survey_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-harmony_survey_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-harmony_survey_2-3)</sup> Yu, H., et al. «LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems». *arXiv:2504.01963* \[cs.CL\], 2 апр. 2025 г. <a href="https://arxiv.org/html/2504.01963v1" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-agentverse_github-3">[↑](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-agentverse_github_3-0) «GitHub - OpenBMB/AgentVerse». *GitHub*. <a href="https://github.com/OpenBMB/AgentVerse" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-nvidia_blog-4">↑ <sup>[4.0](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-nvidia_blog_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-nvidia_blog_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/%D0%9C%D1%83%D0%BB%D1%82%D0%B8%D0%B0%D0%B3%D0%B5%D0%BD%D1%82%D0%BD%D0%B8_%D1%84%D1%80%D0%B5%D0%B9%D0%BC%D1%83%D1%8A%D1%80%D0%BA%D0%BE%D0%B2%D0%B5#cite_ref-nvidia_blog_4-2)</sup> «Building Your First LLM Agent Application». *NVIDIA Technical Blog*. <a href="https://developer.nvidia.com/blog/building-your-first-llm-agent-application/" class="external autonumber" rel="nofollow">[4]</a></span>