---
title: "Multi‑Agent Frameworks"
source: "https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks"
wiki: "systems-analysis.info/wiki"
article: "Multi‑Agent_Frameworks"
language: "ru"
categories:
  - "Категория:AI-агенты"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 151
wiki_created_at: 2026-09-06T21:55:47Z
wiki_modified_at: 2026-09-06T21:55:47Z
downloaded_at: 2026-09-07T22:17:50Z
---

# Multi‑Agent Frameworks

**Мультиагентные фреймворки на основе LLM** — это программные платформы, которые позволяют нескольким автономным [AI-агентам](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент"), построенным 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"), взаимодействовать друг с другом для совместного решения сложных задач<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>. В таких системах делается упор на разнообразие профилей агентов, их коммуникацию и коллективное принятие решений. Подход использует «коллективный интеллект» группы, где каждый агент выполняет специализированную роль, а обмен сообщениями между ними имитирует совместную работу людей.

Это позволяет моделировать сложные сценарии реального мира и решать задачи, выходящие за рамки возможностей одиночного интеллектуального агента. Мультиагентные LLM-системы уже демонстрируют успешные результаты в таких областях, как разработка программного обеспечения, социальные симуляции, экономические игры и моделирование политических дискуссий<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>.

## Ключевые фреймворки и подходы

Развитие мультиагентных систем привело к появлению ряда открытых фреймворков, облегчающих их создание и исследование.

### MetaGPT (2023)

Один из первых открытых фреймворков, ориентированный на совместную работу по принципу «конвейера» (*assembly line*). **MetaGPT** внедряет в систему стандартные операционные процедуры (SOPs) и назначает каждому агенту определённую роль (например, менеджер продукта, инженер, тестировщик). Такой подход позволяет декомпозировать сложную задачу на подзадачи, распределяя их между специализированными агентами, что снижает хаотичность и риск [галлюцинаций](https://systems-analysis.info/wiki/%D0%93%D0%B0%D0%BB%D0%BB%D1%8E%D1%86%D0%B8%D0%BD%D0%B0%D1%86%D0%B8%D0%B8_%D0%B8_%D0%BD%D0%B5%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BA%D1%82%D0%BD%D1%8B%D0%B5_%D0%BE%D1%82%D0%B2%D0%B5%D1%82%D1%8B_LLM "Галлюцинации и некорректные ответы LLM")<sup>[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-harmony_survey-2)</sup>.

### CAMEL (2023)

Фреймворк **CAMEL** (*Communicative Agents for "Mind" Exploration*) сфокусирован на автономном взаимодействии агентов через диалог. Он предлагает методику *inception prompting* для координации беседы между LLM-агентами, направляя их к общей цели. Каждый агент наделяется ролью и контекстом, после чего агенты общаются на естественном языке, постепенно вырабатывая совместное решение. CAMEL эффективно показал себя в сценариях, требующих кооперации без прямого вмешательства человека<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>.

### AutoGen (2023)

Универсальный и настраиваемый фреймворк от исследователей Microsoft, предназначенный для создания сложных приложений на основе общения нескольких LLM. **AutoGen** позволяет программировать логику взаимодействия агентов как с помощью кода, так и на естественном языке. Он поддерживает интеграцию с внешними инструментами и API, что делает его пригодным для широкого круга задач — от разработки ПО до создания диалоговых систем<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>.

### AgentVerse (2023)

Открытая платформа, разработанная сообществом OpenBMB для изучения динамического сотрудничества и эмергентного поведения агентов. **AgentVerse** предоставляет два режима работы:

1.  **Решение задач (task-solving)**: Несколько LLM-агентов объединяются в команду для выполнения сложной задачи (например, совместная разработка ПО).
2.  **Симуляция среды (simulation)**: Позволяет пользователю задать виртуальную среду и наблюдать за взаимодействием агентов (например, симуляция учебного класса или дилеммы заключенных).

Платформа подчёркивает важность стандартизированной среды и протоколов общения для управляемой коммуникации<sup>[\[3\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-agentverse_github-3)</sup>.

### CrewAI (2024)

Фреймворк, сфокусированный на интеграции LLM-агентов в бизнес-процессы и анализ данных. **CrewAI** реализует концепцию *AI-Based Agents Workflow* (AgWf), где агенты выполняют шаги, описанные в виде текстовых инструкций, и могут использовать внешние инструменты (Python-классы/функции). Это позволяет автоматизировать сложные аналитические сценарии, сочетая гибкость LLM с детерминированным кодом<sup>[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-harmony_survey-2)</sup>.

### LangGraph (2024)

Экспериментальный фреймворк, использующий графовые структуры для представления состояния и контекста в диалогах с LLM. Ключевая особенность **LangGraph** — поддержка **циклических рабочих процессов**. Это позволяет агентам обмениваться данными через общий граф знаний, итеративно искать информацию, оценивать её надёжность и корректировать ответы, что особенно полезно в задачах поиска информации (QA) с дополненной базой знаний<sup>[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-harmony_survey-2)</sup>.

### Другие проекты

Широкое внимание также привлекли экспериментальные проекты **AutoGPT** и **AgentGPT**, которые продемонстрировали потенциал полностью автономных ИИ-агентов, способных самостоятельно ставить цели, производить веб-поиск, запускать код и управлять файлами. Хотя эти проекты не были научно рецензированы, они подчеркнули важность компонентов планирования, памяти и инструментов для построения по-настоящему самостоятельных агентов<sup>[\[4\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-nvidia_blog-4)</sup>.

## Применение мультиагентных систем

- **Автоматизация разработки ПО**: Группы LLM-агентов выступают в ролях менеджера, программиста и тестировщика, совместно планируя и реализуя программные проекты. Исследование *ChatDev* показало, что команда из четырёх агентов смогла за считанные минуты создать простое приложение, ведя диалог на всех этапах от постановки задачи до тестирования<sup>[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-harmony_survey-2)</sup>.
- **Интеллектуальные помощники**: Корпоративные продукты, такие как Microsoft 365 Copilot и IBM Watsonx Orchestrate, используют несколько агентов для выполнения сложных задач, где один агент обрабатывает запрос, другой извлекает факты из базы, третий составляет отчёт.
- **Научные исследования**: Агенты используются для генерации и критики гипотез. В подходах типа *Guided Debate* или *Self-Refine* один агент предлагает решение, а другой его оценивает и корректирует, что помогает уменьшить количество ошибок<sup>[\[4\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-nvidia_blog-4)</sup>.
- **Социальное моделирование и виртуальные миры**: В знаковом проекте *Generative Agents* десятки LLM-агентов, наделённых личностями и памятью, имитировали жизнь небольшого виртуального городка, демонстрируя правдоподобное социальное взаимодействие. Такие симуляции могут найти применение в играх (для создания реалистичных NPC), в обучении и социальных науках<sup>[\[4\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-nvidia_blog-4)</sup>.

## Вызовы и перспективы

Несмотря на успехи, мультиагентные системы сталкиваются с рядом серьёзных проблем:

- **Галлюцинации и каскадные ошибки**: Ошибка, допущенная одним агентом, может передаваться по цепочке другим, которые принимают её за основу для своих рассуждений, что приводит к искажению работы всей группы<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>.
- **Масштабируемость и ресурсоёмкость**: Каждый агент на базе LLM требует значительных вычислительных ресурсов. Обеспечение одновременной работы десятков агентов — сложная техническая задача<sup>[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_note-survey_agents-1)</sup>.
- **Координация и управление**: С ростом числа агентов возрастает риск хаоса. Требуются продуманные механизмы "оркестрации" для управления их взаимодействием.
- **Оценка и тестирование**: Отсутствуют общепринятые бенчмарки для объективного сравнения различных мультиагентных фреймворков.

В будущем ожидается появление более эффективных и безопасных мультимодальных систем, где агенты смогут обмениваться не только текстом, но и изображениями и другими данными. Внедрение обучения с подкреплением может научить группы агентов лучше координироваться со временем, достигая эффекта «коллективного интеллекта». В конечном итоге, мультиагентные фреймворки — это шаг к созданию более гибких и мощных AI-систем, где множество специализированных «разумов» работают сообща.

## См. также

- [AI-агент](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент")
- [Multi-Agent Debate](https://systems-analysis.info/wiki/Multi-Agent_Debate "Multi-Agent Debate")
- [Большие языковые модели](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")
- [Галлюцинации и некорректные ответы LLM](https://systems-analysis.info/wiki/%D0%93%D0%B0%D0%BB%D0%BB%D1%8E%D1%86%D0%B8%D0%BD%D0%B0%D1%86%D0%B8%D0%B8_%D0%B8_%D0%BD%D0%B5%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BA%D1%82%D0%BD%D1%8B%D0%B5_%D0%BE%D1%82%D0%B2%D0%B5%D1%82%D1%8B_LLM "Галлюцинации и некорректные ответы LLM")
- [Agentic workflows](https://systems-analysis.info/wiki/Agentic_workflows "Agentic workflows")

## Ссылки

- <a href="https://arxiv.org/html/2402.01680v2" class="external text" rel="nofollow">Обзорная статья: Large Language Model based Multi-Agents (2024)</a>
- <a href="https://arxiv.org/html/2504.01963v1" class="external text" rel="nofollow">Обзорная статья: LLMs Working in Harmony (2025)</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>.
- Hong, S. et al. (2023). *MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework*. <a href="https://arxiv.org/abs/2308.00352" class="external text" rel="nofollow">arXiv:2308.00352</a>.
- Li, G. et al. (2023). *CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society*. <a href="https://arxiv.org/abs/2303.17760" class="external text" rel="nofollow">arXiv:2303.17760</a>.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. <a href="https://arxiv.org/abs/2308.08155" class="external text" rel="nofollow">arXiv:2308.08155</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>.
- Chen, W. et al. (2023). *AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors*. <a href="https://arxiv.org/abs/2308.10848" class="external text" rel="nofollow">arXiv:2308.10848</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>.
- Guo, T. et al. (2024). *Large Language Model Based Multi-Agents: A Survey of Progress and Challenges*. <a href="https://arxiv.org/abs/2402.01680" class="external text" rel="nofollow">arXiv:2402.01680</a>.
- Chen, Q. et al. (2024). *ChatDev: Communicative Agents for Software Development*. <a href="https://arxiv.org/abs/2307.07924" class="external text" rel="nofollow">arXiv:2307.07924</a>.
- Duan, Z.; Wang, J. (2024). *Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI*. <a href="https://arxiv.org/abs/2411.18241" class="external text" rel="nofollow">arXiv:2411.18241</a>.
- 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*. <a href="https://arxiv.org/abs/2504.01963" class="external text" rel="nofollow">arXiv:2504.01963</a>.

## Примечания

1.  <span id="cite_note-survey_agents-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-survey_agents_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-survey_agents_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-survey_agents_1-2)</sup> <sup>[1,3](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-survey_agents_1-3)</sup> <sup>[1,4](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-survey_agents_1-4)</sup> <sup>[1,5](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#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/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-harmony_survey_2-0)</sup> <sup>[2,1](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-harmony_survey_2-1)</sup> <sup>[2,2](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-harmony_survey_2-2)</sup> <sup>[2,3](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#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/wiki/Multi%E2%80%91Agent_Frameworks#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/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-nvidia_blog_4-0)</sup> <sup>[4,1](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#cite_ref-nvidia_blog_4-1)</sup> <sup>[4,2](https://systems-analysis.info/wiki/Multi%E2%80%91Agent_Frameworks#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>