---
title: "Multi-agent prompting (PL)"
source: "https://systems-analysis.info/int/Multi-agent_prompting_(PL)"
wiki: "systems-analysis.info/int"
article: "Multi-agent_prompting_(PL)"
language: "pl"
categories:
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Polish"
- "Category:Prompt engineering"
revision_id: 4679
wiki_created_at: 2026-09-06T23:38:25Z
wiki_modified_at: 2026-09-06T23:38:25Z
downloaded_at: 2026-09-07T23:03:58Z
---
# Multi-agent prompting (PL)
**Wieloagentowy prompting** (ang. *multi-agent prompting*) — metoda stosowana w inżynierii promptów i systemach sztucznej inteligencji, w której kilka autonomicznych agentów opartych na dużych modelach językowych (LLM) współdziała ze sobą w celu rozwiązywania złożonych zadań poprzez ustrukturyzowaną wymianę instrukcji i odpowiedzi[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1).
Innymi słowy, system wieloagentowy składa się z kilku agentów LLM, które wspólnie pracują nad złożonym zapytaniem użytkownika, rozdzielając etapy rozumowania (*subtasks*) między agentów o różnych „rolach" i kompetencjach. Głównym celem tego podejścia jest przezwyciężenie ograniczeń pojedynczego modelu w przypadku trudnych zadań — dzięki kolektywnemu rozwiązywaniu problemów. Użycie kilku współdziałających agentów ma na celu poprawę jakości rozumowania, dokładności faktycznej i wiarygodności odpowiedzi[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-anthropic-mas-2). Istotną cechą charakterystyczną jest ścisła instruktywność: każdemu LLM przypisywana jest określona rola lub zadanie w ramach ogólnego schematu rozwiązania.
## Metody i wzorce architektoniczne
Badacze zaproponowali szereg schematów wieloagentowego promptingu, różniących się charakterem interakcji agentów i pełnionymi przez nich rolami.
### Modelowanie eksperckie oparte na rolach
Jeden lub więcej agentów wyznaczanych jest jako eksperci dziedzinowi o wąskiej specjalizacji. Na przykład w grupie wieloagentowej poszczególni agenci mogą reprezentować różne obszary wiedzy (fizyk, chemik, biolog) lub różne etapy rozwiązywania zadania (planista, wykonawca, krytyk)[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1). Podejście to umożliwia efektywny *few-shot* prompting, w którym każdy agent-ekspert otrzymuje przykłady demonstracyjne ze swojej dziedziny, co poprawia ogólną wydajność.
### Samokorekta i krytyka (Self-reflection)
Agent może pełnić rolę „krytyka" lub reflektować nad rozwiązaniami innego agenta bądź własnymi wcześniejszymi odpowiedziami. Strategia *self-reflection* lub *self-refinement* polega na tym, że LLM najpierw generuje odpowiedź, a następnie ten sam lub inny model analizuje ją i poprawia zawarte w niej błędy[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1). Pozwala to iteracyjnie ulepszać końcowy wynik.
### Debata między agentami
Konkurencyjna odmiana wieloagentowego promptingu, polegająca na zorganizowaniu dyskusji lub sporu między kilkoma LLM. W schemacie **LLM-Debate** dwóch lub więcej agentów spiera się o prawidłową odpowiedź na zadanie (np. matematyczne) i krytykuje wzajemnie swoje argumenty[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-more_agents_all_you_need-3). Taki format debaty poprawia zdolność modelu do logicznego rozumowania i zwiększa dokładność faktyczną odpowiedzi w porównaniu z rozwiązaniem pojedynczego agenta.
### Planowanie i dekompozycja zadań
Jeden agent pełni funkcję planisty, rozbijając złożone zapytanie na sekwencję kroków lub podzadań, które następnie są rozwiązywane przez niego samego lub przez innych agentów. Metody takie jak *ReAct* i *Reflexion* realizują podobną zasadę iteracyjnego planowania ze sprzężeniem zwrotnym. LLM najpierw generuje plan rozwiązania, zanim przystąpi do jego realizacji, co pomaga radzić sobie z długimi łańcuchami rozumowania[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1).
### Wieloosobowa współpraca (multi-persona)
Zamiast różnych modeli można używać tego samego LLM, każąc mu „odgrywać" kilku agentów o różnych ustawieniach personalnych lub punktach widzenia. W podejściu *multi-persona self-collaboration* jeden model w trakcie dialogu kolejno przyjmuje kilka ról i prowadzi dyskusję niejako sam ze sobą. Choć badania wskazują, że oddzielni niezależni agenci zapewniają wyższą efektywność, metoda ta pozwala symulować zespół ekspertów wewnątrz jednego LLM[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1).
## Zastosowanie i wyniki
Podejście wieloagentowego promptingu wykazało swoją skuteczność w szeregu dziedzin, w których pojedyncze LLM napotykały wcześniej trudności.
### Rozumowanie matematyczne i logiczne
Wykorzystanie wielu agentów wyraźnie zwiększa dokładność w zadaniach wymagających wieloetapowego wnioskowania (złożona arytmetyka, dowody matematyczne, łamigłówki logiczne). W pracy Du et al. (2023) wieloagentowe podejście „debatowe" poprawiło wynik w porównaniu z pojedynczym agentem. Analiza wykazała, że wraz ze wzrostem liczby agentów uczestniczących w dyskusji rośnie dokładność odpowiedzi[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-more_agents_all_you_need-3).
### Zadania naukowe i techniczne
Dla złożonych problemów przedmiotowych (fizyka, chemia) zaproponowano metodę **CoMM** (*Collaborative Multi-Agent, Multi-Reasoning-Path Prompting*), w której kilku agentów LLM o różnych rolach (eksperci) równolegle stosuje różne strategie rozumowania. W testach na zadaniach z fizyki na poziomie college'u CoMM wyraźnie przewyższył podejścia bazowe, takie jak *chain-of-thought*, popełniając mniej błędów w formułach i obliczeniach[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-comm_paper-1).
### Generowanie i debugowanie kodu
W obszarze programowania systemy wieloagentowe są stosowane do poprawy jakości kodu i redukcji liczby błędów. System **PromptV** wykorzystuje kilku agentów do kolejnego pisania, weryfikacji i poprawiania kodu Verilog. Podział ról (generowanie, przegląd, testowanie) poprawił zdolność modelu do wykrywania i naprawiania błędów, w wyniku czego odsetek pomyślnie kompilujących się rozwiązań wzrósł do **96,5%** na jednym z benchmarków[\[4\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-promptv_paper-4).
### Wyszukiwanie i analiza informacji
Systemy wieloagentowe są szczególnie przydatne w przypadku otwartych, słabo ustrukturyzowanych zapytań. Firma **Anthropic** opracowała tryb wieloagentowy dla modelu **Claude**, przeznaczony do badań internetowych. W tym systemie agent wiodący analizuje zapytanie i generuje kilka równoległych agentów-podzadań, z których każdy przeprowadza wyszukiwanie dotyczące różnych aspektów tematu. Taka architektura radziła sobie ze złożonymi pytaniami wyszukiwawczymi o **90%** skuteczniej w porównaniu z pojedynczym modelem Claude[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-anthropic-mas-2).
### Klasyfikacja tekstu i zadania NLP
Dla zadań NLP opracowano **prompting oparty na zasadach** (*Principle-Based Prompting*). W tej metodyce agenty LLM najpierw generują zestaw „zasad" (reguł rozwiązania), a następnie agent finalizujący wybiera spośród nich najlepsze, na podstawie których inny agent dokonuje klasyfikacji. Podejście to poprawiło metrykę macro-F1 o **1,5–19%** w porównaniu z metodami bazowymi, zbliżając się jakością do klasycznego uczenia na przykładach (*few-shot*)[\[5\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-principle_based_paper-5).
## Ograniczenia i problemy
### Złożoność obliczeniowa i koszty
Główną wadą jest gwałtownie wzrastające obciążenie obliczeniowe. Każdy agent wymaga własnej sesji generowania, co prowadzi do znacznego zużycia tokenów i zasobów. Według danych Anthropic, ich system zużywa średnio **4 razy więcej tokenów** na jeden dialog, a w niektórych przypadkach — nawet 15 razy więcej[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-anthropic-mas-2). Sprawia to, że stosowanie tego podejścia jest uzasadnione jedynie w przypadku zadań o wysokiej wartości.
### Złożoność projektowania i koordynacji
Sukces wymaga starannego **inżynieryjnego dostrajania promptów**: konieczne jest precyzyjne określenie roli każdego agenta, formatu wymiany wiadomości oraz kryteriów zatrzymania. W przeciwnym razie agenty mogą powielać pracę, wchodzić w nieskończone pętle wyszukiwania lub generować bezużyteczne podzadania[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-anthropic-mas-2).
### Bezpieczeństwo i niezawodność
Pojawiają się nowe wektory ataków. Badacze zademonstrowali zjawisko **Prompt Infection** (zainfekowania promptu), w którym złośliwy fragment instrukcji od jednego agenta jest przekazywany kolejnemu i rozprzestrzenia się przez cały łańcuch rozumowania niczym wirus. Taki atak *LLM-to-LLM* ukazuje podatność systemów wieloagentowych na ukryte iniekcje i manipulacje, co wymaga opracowania specjalnych środków ochrony, na przykład znakowania wyników każdego agenta (*LLM Tagging*)[\[6\]](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_note-prompt_infection_paper-6).
## Odnośniki
- «How we built our multi-agent research system» — szczegółowa analiza od Anthropic
- «More Agents Is All You Need» — artykuł naukowy o skuteczności zespołów agentów
## Literatura
- Chen, P. et al. (2024). *CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving*. arXiv:2404.17729.
- Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120.
- Mi, Y. et al. (2024). *PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation*. arXiv:2412.11014.
- Wei, P. et al. (2024). *Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification*. arXiv:2502.07165.
- Lee, D.; Tiwari, A. (2024). *Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems*. arXiv:2410.07283.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- 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.
- Li, G. et al. (2024). *Multi-LLM Debate: Framework, Principles, and Interventions*. PDF.
- Du, N. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multi-Agent Debate*. arXiv:2305.14325.
## Przypisy
1. ↑ [1.0](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-0) [1.1](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-1) [1.2](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-2) [1.3](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-3) [1.4](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-4) [1.5](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-comm_paper_1-5) Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». *arXiv*, 2024. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-anthropic-mas_2-0) [2.1](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-anthropic-mas_2-1) [2.2](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-anthropic-mas_2-2) [2.3](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-anthropic-mas_2-3) «How we built our multi-agent research system». *Anthropic*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-more_agents_all_you_need_3-0) [3.1](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-more_agents_all_you_need_3-1) Li, G. et al. «More Agents Is All You Need». *arXiv*, 2024. [3]
4. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-promptv_paper_4-0) Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». *ResearchGate*, 2024. [4]
5. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-principle_based_paper_5-0) Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». *arXiv*, 2024. [5]
6. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(PL)#cite_ref-prompt_infection_paper_6-0) Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». *OpenReview*, 2024. [6]