---
title: "Multi-agent frameworks — เฟรมเวิร์กหลายตัวแทน"
source: "https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99"
wiki: "systems-analysis.info/int"
article: "Multi-agent_frameworks_—_เฟรมเวิร์กหลายตัวแทน"
language: "th"
categories:
  - "Category:AI Agents"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 4660
wiki_created_at: 2026-09-06T23:38:10Z
wiki_modified_at: 2026-09-06T23:38:10Z
downloaded_at: 2026-09-07T23:03:51Z
---

# Multi-agent frameworks — เฟรมเวิร์กหลายตัวแทน

**กรอบงานมัลติเอเจนต์บนพื้นฐาน LLM** — คือแพลตฟอร์มซอฟต์แวร์ที่ช่วยให้ AI-เอเจนต์อิสระหลายตัวที่สร้างบนพื้นฐานของ Large Language Models (LLM) สามารถโต้ตอบกันเพื่อแก้ไขปัญหาที่ซับซ้อนร่วมกันได้<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup> ในระบบเหล่านี้จะเน้นความหลากหลายของโปรไฟล์เอเจนต์ การสื่อสารระหว่างกัน และการตัดสินใจร่วมกัน แนวทางนี้ใช้ประโยชน์จาก "สติปัญญาส่วนรวม" ของกลุ่ม โดยแต่ละเอเจนต์ทำหน้าที่เฉพาะทาง และการแลกเปลี่ยนข้อความระหว่างกันจำลองการทำงานร่วมกันของมนุษย์

สิ่งนี้ช่วยให้สามารถจำลองสถานการณ์ที่ซับซ้อนในโลกความเป็นจริงและแก้ปัญหาที่เกินขีดความสามารถของเอเจนต์อัจฉริยะตัวเดียวได้ ระบบมัลติเอเจนต์ LLM แสดงให้เห็นผลลัพธ์ที่ประสบความสำเร็จในด้านต่าง ๆ เช่น การพัฒนาซอฟต์แวร์ การจำลองทางสังคม เกมเศรษฐกิจ และการจำลองการอภิปรายทางการเมือง<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup>

## กรอบงานและแนวทางหลัก

การพัฒนาระบบมัลติเอเจนต์นำไปสู่การเกิดขึ้นของกรอบงานโอเพนซอร์สหลายตัวที่อำนวยความสะดวกในการสร้างและวิจัย

### MetaGPT (2023)

หนึ่งในกรอบงานโอเพนซอร์สแรก ๆ ที่มุ่งเน้นการทำงานร่วมกันตามหลักการ *assembly line* **MetaGPT** นำขั้นตอนการปฏิบัติงานมาตรฐาน (SOPs) เข้าสู่ระบบและมอบหมายบทบาทเฉพาะให้กับแต่ละเอเจนต์ (เช่น ผู้จัดการผลิตภัณฑ์ วิศวกร ผู้ทดสอบ) แนวทางนี้ช่วยให้สามารถแยกย่อยงานที่ซับซ้อนออกเป็นงานย่อย และกระจายให้เอเจนต์เฉพาะทางจัดการ ซึ่งช่วยลดความสับสนวุ่นวายและความเสี่ยงของการ hallucination<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-harmony_survey-2)</sup>

### CAMEL (2023)

กรอบงาน **CAMEL** (*Communicative Agents for "Mind" Exploration*) มุ่งเน้นการโต้ตอบอัตโนมัติของเอเจนต์ผ่านการสนทนา โดยนำเสนอวิธีการ *inception prompting* เพื่อประสานการสนทนาระหว่าง LLM-เอเจนต์และนำพาพวกมันไปสู่เป้าหมายร่วมกัน แต่ละเอเจนต์ได้รับบทบาทและบริบท จากนั้นเอเจนต์จะสื่อสารด้วยภาษาธรรมชาติ ค่อย ๆ พัฒนาแนวทางแก้ปัญหาร่วมกัน CAMEL แสดงให้เห็นประสิทธิภาพในสถานการณ์ที่ต้องการความร่วมมือโดยไม่ต้องมีการแทรกแซงจากมนุษย์โดยตรง<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup>

### AutoGen (2023)

กรอบงานอเนกประสงค์และปรับแต่งได้จากนักวิจัยของ Microsoft ออกแบบมาเพื่อสร้างแอปพลิเคชันที่ซับซ้อนบนพื้นฐานการสนทนาของ LLM หลายตัว **AutoGen** ช่วยให้สามารถเขียนโปรแกรมลอจิกการโต้ตอบของเอเจนต์ได้ทั้งด้วยโค้ดและด้วยภาษาธรรมชาติ รองรับการผสานรวมกับเครื่องมือภายนอกและ API ทำให้เหมาะสำหรับงานหลากหลายประเภท ตั้งแต่การพัฒนาซอฟต์แวร์ไปจนถึงการสร้างระบบสนทนา<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup>

### AgentVerse (2023)

แพลตฟอร์มโอเพนซอร์สที่พัฒนาโดยชุมชน OpenBMB เพื่อศึกษาความร่วมมือแบบไดนามิกและพฤติกรรมที่ emergent ของเอเจนต์ **AgentVerse** มีสองโหมดการทำงาน:

1.  **การแก้ปัญหา (task-solving)**: LLM-เอเจนต์หลายตัวรวมตัวกันเป็นทีมเพื่อทำงานที่ซับซ้อน (เช่น การพัฒนาซอฟต์แวร์ร่วมกัน)
2.  **การจำลองสภาพแวดล้อม (simulation)**: ช่วยให้ผู้ใช้กำหนดสภาพแวดล้อมเสมือนและสังเกตการโต้ตอบของเอเจนต์ (เช่น การจำลองห้องเรียนหรือปัญหาผู้ต้องขัง)

แพลตฟอร์มเน้นความสำคัญของสภาพแวดล้อมและโปรโตคอลการสื่อสารที่เป็นมาตรฐานสำหรับการสื่อสารที่ควบคุมได้<sup>[\[3\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-agentverse_github-3)</sup>

### CrewAI (2024)

กรอบงานที่มุ่งเน้นการผสานรวม LLM-เอเจนต์เข้ากับกระบวนการทางธุรกิจและการวิเคราะห์ข้อมูล **CrewAI** นำแนวคิด *AI-Based Agents Workflow* (AgWf) มาใช้ โดยเอเจนต์ทำตามขั้นตอนที่อธิบายในรูปแบบคำสั่งข้อความและสามารถใช้เครื่องมือภายนอก (คลาส/ฟังก์ชัน Python) ได้ ซึ่งช่วยให้สามารถทำให้สถานการณ์การวิเคราะห์ที่ซับซ้อนเป็นอัตโนมัติ โดยผสมผสานความยืดหยุ่นของ LLM กับโค้ดเชิงกำหนด<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-harmony_survey-2)</sup>

### LangGraph (2024)

กรอบงานเชิงทดลองที่ใช้โครงสร้างกราฟเพื่อแทนสถานะและบริบทในการสนทนากับ LLM คุณสมบัติสำคัญของ **LangGraph** คือการรองรับ **กระบวนการทำงานแบบวนซ้ำ** ซึ่งช่วยให้เอเจนต์แลกเปลี่ยนข้อมูลผ่านกราฟความรู้ร่วมกัน ค้นหาข้อมูลแบบวนซ้ำ ประเมินความน่าเชื่อถือ และปรับแต่งคำตอบ ซึ่งมีประโยชน์อย่างยิ่งในงานค้นหาข้อมูล (QA) ด้วยฐานความรู้เสริม<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-harmony_survey-2)</sup>

### โครงการอื่น ๆ

โครงการเชิงทดลองอย่าง **AutoGPT** และ **AgentGPT** ก็ได้รับความสนใจอย่างกว้างขวาง โดยแสดงให้เห็นศักยภาพของ AI-เอเจนต์ที่เป็นอิสระอย่างสมบูรณ์ ซึ่งสามารถตั้งเป้าหมายเอง ค้นหาเว็บ รันโค้ด และจัดการไฟล์ได้ด้วยตนเอง แม้ว่าโครงการเหล่านี้จะไม่ได้รับการตรวจสอบทางวิทยาศาสตร์ แต่ก็เน้นให้เห็นความสำคัญของส่วนประกอบด้านการวางแผน หน่วยความจำ และเครื่องมือสำหรับการสร้างเอเจนต์ที่เป็นอิสระอย่างแท้จริง<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-nvidia_blog-4)</sup>

## การประยุกต์ใช้ระบบมัลติเอเจนต์

- **การทำให้การพัฒนาซอฟต์แวร์เป็นอัตโนมัติ**: กลุ่ม LLM-เอเจนต์ทำหน้าที่เป็นผู้จัดการ นักพัฒนา และผู้ทดสอบ โดยวางแผนและดำเนินโครงการซอฟต์แวร์ร่วมกัน งานวิจัย *ChatDev* แสดงให้เห็นว่าทีมเอเจนต์สี่ตัวสามารถสร้างแอปพลิเคชันธรรมดาได้ภายในไม่กี่นาที โดยสนทนาตลอดทุกขั้นตอนตั้งแต่การกำหนดงานไปจนถึงการทดสอบ<sup>[\[2\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-harmony_survey-2)</sup>
- **ผู้ช่วยอัจฉริยะ**: ผลิตภัณฑ์ระดับองค์กร เช่น Microsoft 365 Copilot และ IBM Watsonx Orchestrate ใช้เอเจนต์หลายตัวเพื่อทำงานที่ซับซ้อน โดยเอเจนต์หนึ่งประมวลผลคำขอ อีกตัวดึงข้อมูลจากฐาน และอีกตัวจัดทำรายงาน
- **การวิจัยทางวิทยาศาสตร์**: เอเจนต์ถูกนำมาใช้ในการสร้างและวิจารณ์สมมติฐาน ในแนวทาง เช่น *Guided Debate* หรือ *Self-Refine* เอเจนต์หนึ่งเสนอแนวทางแก้ปัญหาและอีกตัวประเมินและปรับแก้ ช่วยลดจำนวนข้อผิดพลาด<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-nvidia_blog-4)</sup>
- **การจำลองทางสังคมและโลกเสมือน**: ในโครงการสำคัญอย่าง *Generative Agents* LLM-เอเจนต์หลายสิบตัวที่มีบุคลิกภาพและหน่วยความจำจำลองชีวิตในเมืองเสมือนขนาดเล็ก แสดงให้เห็นปฏิสัมพันธ์ทางสังคมที่สมจริง การจำลองดังกล่าวอาจนำไปใช้ในเกม (เพื่อสร้าง NPC ที่สมจริง) การศึกษา และสังคมศาสตร์<sup>[\[4\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-nvidia_blog-4)</sup>

## ความท้าทายและแนวโน้ม

แม้จะประสบความสำเร็จ แต่ระบบมัลติเอเจนต์ยังเผชิญกับปัญหาสำคัญหลายประการ:

- **Hallucination และข้อผิดพลาดแบบลูกโซ่**: ข้อผิดพลาดที่เกิดจากเอเจนต์หนึ่งอาจถูกส่งต่อไปยังเอเจนต์อื่น ๆ ที่ใช้เป็นพื้นฐานสำหรับการให้เหตุผล ส่งผลให้การทำงานของทั้งกลุ่มเกิดความคลาดเคลื่อน<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup>
- **ความสามารถในการปรับขนาดและความต้องการทรัพยากร**: เอเจนต์แต่ละตัวที่ใช้ LLM ต้องการทรัพยากรการประมวลผลจำนวนมาก การรันเอเจนต์หลายสิบตัวพร้อมกันเป็นความท้าทายทางเทคนิคที่ซับซ้อน<sup>[\[1\]](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_note-survey_agents-1)</sup>
- **การประสานงานและการจัดการ**: เมื่อจำนวนเอเจนต์เพิ่มขึ้น ความเสี่ยงของความโกลาหลก็เพิ่มขึ้นด้วย จำเป็นต้องมีกลไก "orchestration" ที่รอบคอบสำหรับจัดการปฏิสัมพันธ์ระหว่างกัน
- **การประเมินผลและการทดสอบ**: ยังไม่มี benchmark ที่เป็นที่ยอมรับโดยทั่วไปสำหรับการเปรียบเทียบกรอบงานมัลติเอเจนต์ต่าง ๆ อย่างเป็นกลาง

ในอนาคตคาดว่าจะมีระบบมัลติโมดัลที่มีประสิทธิภาพและปลอดภัยมากขึ้น ซึ่งเอเจนต์จะสามารถแลกเปลี่ยนไม่เพียงแค่ข้อความ แต่รวมถึงภาพและข้อมูลประเภทอื่น ๆ ด้วย การนำ Reinforcement Learning มาใช้อาจช่วยให้กลุ่มเอเจนต์ประสานงานกันได้ดีขึ้นเมื่อเวลาผ่านไป บรรลุผลของ "สติปัญญาส่วนรวม" ในท้ายที่สุด กรอบงานมัลติเอเจนต์คือก้าวสู่การสร้าง AI-ระบบที่ยืดหยุ่นและทรงพลังมากขึ้น ซึ่ง "สติปัญญา" เฉพาะทางหลายตัวทำงานร่วมกัน

## ลิงก์อ้างอิง

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

## วรรณกรรม

- 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.

## หมายเหตุ

1.  <span id="cite_note-survey_agents-1">↑ <sup>[1.0](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-survey_agents_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-survey_agents_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-survey_agents_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-survey_agents_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-survey_agents_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#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/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-harmony_survey_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-harmony_survey_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-harmony_survey_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#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/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#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/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-nvidia_blog_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#cite_ref-nvidia_blog_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Multi-agent_frameworks_%E2%80%94_%E0%B9%80%E0%B8%9F%E0%B8%A3%E0%B8%A1%E0%B9%80%E0%B8%A7%E0%B8%B4%E0%B8%A3%E0%B9%8C%E0%B8%81%E0%B8%AB%E0%B8%A5%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%81%E0%B8%97%E0%B8%99#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>