---
title: "Agentic workflows"
source: "https://systems-analysis.info/wiki/Agentic_workflows"
wiki: "systems-analysis.info/wiki"
article: "Agentic_workflows"
language: "ru"
categories:
  - "Категория:AI-агенты"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 65
wiki_created_at: 2026-09-06T21:54:28Z
wiki_modified_at: 2026-09-06T21:54:28Z
downloaded_at: 2026-09-07T22:17:10Z
---

# Agentic workflows

**Агентные рабочие процессы** (**Agentic Workflows**) — это динамические многошаговые процессы, в которых автономные [AI-агенты](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент") на базе [больших языковых моделей (LLM)](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") самостоятельно принимают решения, выполняют действия и координируют задачи с минимальным участием человека<sup>[\[1\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_what_is-1)</sup>. В таких системах LLM используется не только для генерации ответа на один запрос, но и для планирования последовательности действий, взаимодействия с внешними инструментами и итеративного улучшения результата.

В отличие от традиционной автоматизации, основанной на жёстко запрограммированных правилах, агентные подходы обладают гибкостью — они могут адаптироваться к новым данным и непредвиденным условиям. Агентный рабочий процесс отличается от простого вызова LLM (например, для резюмирования текста) тем, что агент наделяется автономией в выборе действий, что включает планирование, использование инструментов и самокоррекцию<sup>[\[2\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-weaviate_blog-2)</sup>.

## Компоненты и архитектура агентного workflow

Агентный рабочий процесс объединяет несколько ключевых компонентов для достижения цели.

### AI-агент и LLM

В центре процесса находится **AI-агент** — автономная программа, действующая от лица пользователя или системы. Ключевым компонентом агента является большая языковая модель, которая обеспечивает понимание инструкций на естественном языке и генерацию необходимых рассуждений. Качество работы агента существенно зависит от [инженерии промптов](https://systems-analysis.info/wiki/Prompt_%D0%B8%D0%BD%D0%B6%D0%B8%D0%BD%D0%B8%D1%80%D0%B8%D0%BD%D0%B3 "Prompt инжиниринг") — различные схемы подсказок (например, [Chain-of-Thought](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting")) помогают настраивать LLM на требуемый стиль работы<sup>[\[1\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_what_is-1)</sup>.

### Инструменты (доступ к внешним действиям)

Поскольку знания LLM ограничены данными её обучения, агенту предоставляются внешние **инструменты**, расширяющие его возможности. Инструменты могут включать доступ к базам знаний, поисковым системам, API, кодовым интерпретаторам и другим приложениям. С их помощью агент получает актуальную информацию или выполняет реальные действия вне самой модели<sup>[\[2\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-weaviate_blog-2)</sup>.

### Память и контекст

Отличительная черта агентных workflow — наличие механизма памяти, позволяющего агенту учитывать предыдущий опыт и контекст.

- **Краткосрочная память** удерживает недавнюю информацию (например, историю диалога) в рамках текущей сессии.
- **Долгосрочная память** сохраняет знания и результаты, накопленные за многие запуски, часто с использованием внешних хранилищ (например, векторных баз данных)<sup>[\[3\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_autogpt-3)</sup>.

### Обратная связь и корректировка

Механизмы обратной связи играют важную роль в повышении надежности. Агент может получать *feedback* от среды выполнения задачи, от вспомогательной модели-«критика» или от человека (режим *human-in-the-loop*). Например, система **Reflexion** реализует внутреннюю самообратную связь: агент анализирует собственные ошибки и сохраняет «размышления» в памяти, чтобы улучшить последующие попытки<sup>[\[4\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-reflexion_paper-4)</sup>.

### Многоагентные конфигурации

В сложных сценариях применяется многоагентная архитектура, где несколько специализированных агентов взаимодействуют друг с другом. Например, агент-«планировщик» ставит подзадачи, а несколько агентов-«исполнителей» решают свои узкие задачи (поиск данных, вычисление и т.д.)<sup>[\[1\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_what_is-1)</sup>.

## Типовые паттерны и алгоритмы работы агентов

Хотя универсальной стандартизированной архитектуры агентных LLM-систем пока не выработано, в 2023–2024 годах начали появляться повторяющиеся паттерны<sup>[\[5\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-vellum_guide-5)</sup>.

- **Пошаговое планирование (Prompt Chaining)**. Задача разбивается на последовательность этапов с помощью цепочки LLM-вызовов. Каждый шаг получает на вход результат предыдущего и выполняет часть общей задачи. Этот подход улучшает интерпретируемость, но является менее гибким.
- **Маршрутизация и выбор инструмента (Router Pattern)**. Агент сначала классифицирует тип входной задачи, после чего выбирает специальный процесс или инструмент для её решения, действуя как диспетчер.
- **Параллельный поиск решений**. Вместо одного линейного хода мыслей исследуется сразу несколько вариантов решения. Примером является подход Tree-of-Thoughts, где агент разветвляет цепочку рассуждений подобно дереву, генерируя на каждом шаге несколько «мыслей»-кандидатов и отбирая наиболее перспективные<sup>[\[6\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-tot_paper-6)</sup>.
- **Рефлексия и самокоррекция**. Агент критически оценивает собственные решения и учится на ошибках. В методе Reflexion агент после каждой попытки анализирует результат и сохраняет выводы, которые использует в последующих циклах<sup>[\[4\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-reflexion_paper-4)</sup>.

## Примеры известных подходов

- **[ReAct](https://systems-analysis.info/wiki/ReAct_Prompting "ReAct Prompting")** (*Reasoning and Acting*) — основополагающий метод (2022), который сочетает рассуждение и действие. LLM генерирует вперемежку логические выводы (*thoughts*) и конкретные шаги-действия (*actions*), которые выполняются с помощью инструментов<sup>[\[7\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-react_paper-7)</sup>.
- **Reflexion** (2023) — фреймворк саморефлексии, позволяющий агентам обучаться на собственных ошибках через текстовую обратную связь, без обновления весов модели<sup>[\[4\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-reflexion_paper-4)</sup>.
- **[Tree-of-Thoughts (ToT)](https://systems-analysis.info/wiki/Tree_of_Thoughts_(ToT) "Tree of Thoughts (ToT)")** (2023) — фреймворк, обобщающий идею Chain-of-Thought для организации поиска решения в виде дерева, что позволяет модели обдумывать несколько вариантов развития событий<sup>[\[6\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-tot_paper-6)</sup>.
- **Auto-GPT** (2023) — один из первых широко известных открытых проектов, демонстрирующих полностью автономный агентный workflow. Система генерирует группу специализированных GPT-4-агентов, которые совместно планируют и выполняют шаги для достижения высокоуровневой цели, заданной пользователем<sup>[\[3\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_autogpt-3)</sup>.

## Применение и влияние

Агентные подходы находят применение во множестве сфер, где требуются интеллектуальная автоматизация и гибкость.

- **Бизнес-процессы**: Агентные системы расширяют возможности чат-ботов техподдержки, которые могут самостоятельно диагностировать проблемы и находить решения. Они также используются в финансах, управлении персоналом и маркетинге<sup>[\[1\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_what_is-1)</sup>.
- **Генеративные симуляции**: Автономные LLM-агенты могут моделировать сложное поведение сообществ или персонажей. В работе «Generative Agents» (Park et al., 2023) десятки GPT-агентов, наделённые разными личностями, правдоподобно имитировали социальную жизнь в смоделированном городке.

По оценке аналитиков Gartner, агентный ИИ (*Agentic AI*) включён в число стратегических технологических трендов 2025 года<sup>[\[1\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-ibm_what_is-1)</sup>.

## Проблемы и перспективы развития

Несмотря на успехи, агентные LLM-системы остаются новой и сложной технологией.

- **Затраты ресурсов**: Каждый дополнительный шаг планирования, поиска или самоанализа — это отдельный вызов LLM, что увеличивает время выполнения и стоимость.
- **Непредсказуемость поведения**: Чем больше свободы у агента, тем труднее гарантировать, какой маршрут он выберет. Это требует внедрения ограничений и защитных механизмов (*guardrails*).
- **Оценка качества и отладка**: Анализировать обширные логи многошаговых систем для поиска ошибок — нетривиальная задача.
- **Безопасность и этика**: С увеличением автономности ИИ возникает необходимость гарантировать, что агенты действуют в интересах пользователя и общества.

Будущие исследования направлены на создание универсальных средств использования инструментов, разработку единых сквозных workflow и оптимизацию эффективности агентных систем<sup>[\[8\]](https://systems-analysis.info/wiki/Agentic_workflows#cite_note-survey_li_2024-8)</sup>.

## См. также

- [AI-агент](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент")
- [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting")
- [Prompt инжиниринг](https://systems-analysis.info/wiki/Prompt_%D0%B8%D0%BD%D0%B6%D0%B8%D0%BD%D0%B8%D1%80%D0%B8%D0%BD%D0%B3 "Prompt инжиниринг")
- [Tree of Thoughts (ToT)](https://systems-analysis.info/wiki/Tree_of_Thoughts_(ToT) "Tree of Thoughts (ToT)")
- [ReAct Prompting](https://systems-analysis.info/wiki/ReAct_Prompting "ReAct Prompting")

## Ссылки

- <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external text" rel="nofollow">Обзор агентных рабочих процессов от IBM</a>
- <a href="https://www.anthropic.com/engineering/building-effective-agents" class="external text" rel="nofollow">Руководство по созданию эффективных AI-агентов от Anthropic</a>

## Литература

- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. <a href="https://arxiv.org/abs/2210.03629" class="external text" rel="nofollow">arXiv:2210.03629</a>.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. <a href="https://arxiv.org/abs/2302.04761" class="external text" rel="nofollow">arXiv:2302.04761</a>.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. <a href="https://arxiv.org/abs/2308.03688" class="external text" rel="nofollow">arXiv:2308.03688</a>.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. <a href="https://arxiv.org/abs/2305.10601" class="external text" rel="nofollow">arXiv:2305.10601</a>.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. <a href="https://arxiv.org/abs/2303.11366" class="external text" rel="nofollow">arXiv:2303.11366</a>.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. <a href="https://arxiv.org/abs/2304.03442" class="external text" rel="nofollow">arXiv:2304.03442</a>.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. <a href="https://arxiv.org/abs/2305.16291" class="external text" rel="nofollow">arXiv:2305.16291</a>.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. <a href="https://doi.org/10.1126/science.ade9097" class="external text" rel="nofollow">DOI:10.1126/science.ade9097</a>.
- Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. <a href="https://arxiv.org/abs/2308.11432" class="external text" rel="nofollow">arXiv:2308.11432</a>.
- Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. <a href="https://arxiv.org/abs/2406.05804" class="external text" rel="nofollow">arXiv:2406.05804</a>.
- Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. <a href="https://arxiv.org/abs/2407.18370" class="external text" rel="nofollow">arXiv:2407.18370</a>.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. <a href="https://arxiv.org/abs/2502.12110" class="external text" rel="nofollow">arXiv:2502.12110</a>.
- 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*. <a href="https://arxiv.org/abs/2502.01390" class="external text" rel="nofollow">arXiv:2502.01390</a>.
- Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. <a href="https://arxiv.org/abs/2402.02716" class="external text" rel="nofollow">arXiv:2402.02716</a>.
- Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. <a href="https://arxiv.org/abs/2305.14564" class="external text" rel="nofollow">arXiv:2305.14564</a>.

## Примечания

1.  <span id="cite_note-ibm_what_is-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_what_is_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_what_is_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_what_is_1-2)</sup> <sup>[1,3](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_what_is_1-3)</sup> <sup>[1,4](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_what_is_1-4)</sup> «What are Agentic Workflows?». *IBM*. <a href="https://www.ibm.com/think/topics/agentic-workflows" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-weaviate_blog-2">↑ <sup>[2,0](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-weaviate_blog_2-0)</sup> <sup>[2,1](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-weaviate_blog_2-1)</sup> «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. <a href="https://weaviate.io/blog/what-are-agentic-workflows" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-ibm_autogpt-3">↑ <sup>[3,0](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_autogpt_3-0)</sup> <sup>[3,1](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-ibm_autogpt_3-1)</sup> «What is AutoGPT?». *IBM*. <a href="https://www.ibm.com/think/topics/autogpt" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-reflexion_paper-4">↑ <sup>[4,0](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-reflexion_paper_4-0)</sup> <sup>[4,1](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-reflexion_paper_4-1)</sup> <sup>[4,2](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-reflexion_paper_4-2)</sup> Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. <a href="https://arxiv.org/abs/2303.11366" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vellum_guide-5">[↑](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. <a href="https://www.vellum.ai/blog/agentic-workflows-emerging-architectures-and-design-patterns" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-tot_paper-6">↑ <sup>[6,0](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-tot_paper_6-0)</sup> <sup>[6,1](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-tot_paper_6-1)</sup> Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-react_paper-7">[↑](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-survey_li_2024-8">[↑](https://systems-analysis.info/wiki/Agentic_workflows#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. <a href="https://arxiv.org/html/2406.05804v1" class="external autonumber" rel="nofollow">[8]</a></span>