--- title: "Multi‑agent prompting" source: "https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting" wiki: "systems-analysis.info/wiki" article: "Multi‑agent_prompting" language: "ru" categories: - "Категория:Prompt инжиниринг" - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Машинное обучение" revision_id: 152 wiki_created_at: 2026-09-06T21:55:48Z wiki_modified_at: 2026-09-06T21:55:48Z downloaded_at: 2026-09-07T22:17:50Z --- # Multi‑agent prompting **Мультиагентный промптинг** (англ. *multi-agent prompting*) — это метод в инженерии промптов и системах искусственного интеллекта, при котором несколько автономных агентов 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") взаимодействуют друг с другом для решения сложных задач через структурированный обмен инструкциями и ответами^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. Иными словами, мультиагентная система состоит из нескольких LLM-агентов, которые совместно работают над сложным запросом пользователя, распределяя этапы рассуждения (*subtasks*) между агентами с разными «ролями» и компетенциями. Основная цель этого подхода — преодолеть ограничения одиночной модели на сложных заданиях за счёт коллективного решения. Использование нескольких взаимодействующих агентов призвано повысить качество рассуждений, фактическую точность и надёжность ответа^{[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-anthropic-mas-2)}. Важной особенностью является строгая инструктивность: каждому LLM назначается определённая роль или задача в рамках общей схемы решения. ## Методы и архитектурные паттерны Исследователями предложен ряд схем мультиагентного промптинга, различающихся характером взаимодействия агентов и их ролями. ### Ролевое экспертное моделирование Один или несколько агентов назначаются доменными экспертами с узкой специализацией. Например, в мультиагентной группе разные агенты могут представлять разные области знаний (физик, химик, биолог) или разные этапы решения задачи (планировщик, исполнитель, критик)^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. Этот подход позволяет реализовать эффективный *few-shot* промптинг, где каждый агент-эксперт получает примеры-демонстрации в своей области, улучшая общую производительность. ### Самокоррекция и критика (Self-reflection) Агент может выступать в роли «критика» или рефлексировать над решениями другого агента или собственными предыдущими ответами. Стратегия *self-reflection* или *self-refinement* заключается в том, что LLM сначала генерирует ответ, а затем его же или другая модель анализирует и исправляет ошибки в этом ответе^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. Это позволяет итеративно улучшать итоговый результат. ### Дебаты между агентами Конкурентный вариант мультиагентного промптинга, представляющий собой организацию дискуссии или спора между несколькими LLM. В схеме **LLM-Debate** два или более агентов спорят о правильном ответе на задачу (например, математическую) и критикуют доводы друг друга^{[\[3\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-more_agents_all_you_need-3)}. Такой дебатный формат улучшает способность модели к логическому рассуждению и повышает фактическую точность ответов по сравнению с одиночным решением. ### Планирование и декомпозиция задач Один агент выполняет функцию планировщика, разбивая сложный запрос на последовательность шагов или подзадач, которые затем решаются им самим или другими агентами. Методики, такие как *ReAct* и *Reflexion*, реализуют подобный принцип итеративного планирования с обратной связью. LLM сначала генерирует план решения, прежде чем приступать к его выполнению, что помогает справляться с долгими цепочками рассуждений^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. ### Мультиперсональное сотрудничество Вместо разных моделей можно использовать одну и ту же LLM, заставляя её «разыгрывать» нескольких агентов с разными персональными установками или точками зрения. В подходе *multi-persona self-collaboration* одна модель в ходе диалога последовательно принимает на себя несколько ролей и ведёт дискуссию как бы сама с собой. Хотя исследования показывают, что отдельные независимые агенты обеспечивают более высокую эффективность, этот метод позволяет имитировать команду экспертов внутри одной LLM^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. ## Применение и результаты Подход мультиагентного промптинга показал свою эффективность в ряде областей, где одиночные LLM ранее сталкивались с трудностями. ### Математические и логические рассуждения Использование нескольких агентов заметно повышает точность на задачах, требующих многошагового вывода (сложная арифметика, математические доказательства, логические головоломки). В работе Du et al. (2023) мультиагентный «дебатный» подход улучшил результат по сравнению с одиночным агентом. Анализ показал, что по мере увеличения числа агентов, участвующих в обсуждении, точность ответа возрастает^{[\[3\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-more_agents_all_you_need-3)}. ### Научные и технические задачи Для сложных предметных проблем (физика, химия) был предложен метод **CoMM** (*Collaborative Multi-Agent, Multi-Reasoning-Path Prompting*), в котором несколько LLM-агентов с разными ролями (эксперты) применяют различные стратегии рассуждения параллельно. В испытаниях на задачах по физике колледжского уровня CoMM заметно превзошёл базовые подходы вроде *chain-of-thought*, допуская меньше ошибок в формулах и вычислениях^{[\[1\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-comm_paper-1)}. ### Генерация и отладка кода В сфере программирования мультиагентные системы применяются для улучшения качества кода и снижения количества ошибок. Система **PromptV** использует нескольких агентов для последовательного написания, проверки и исправления Verilog-кода. Распределение ролей (генерация, ревью, тестирование) улучшило способность модели обнаруживать и исправлять ошибки, в результате чего доля успешно компилирующихся решений возросла до **96,5%** на одном из бенчмарков^{[\[4\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-promptv_paper-4)}. ### Поиск и анализ информации Мультиагентные системы особенно полезны для открытых, плохо структурированных запросов. Компания **Anthropic** разработала многоагентный режим для модели **[Claude](https://systems-analysis.info/wiki/Claude "Claude")**, предназначенный для веб-исследований. В этой системе ведущий агент анализирует запрос и порождает несколько параллельных агентов-подзадач, каждый из которых выполняет поиск по различным аспектам темы. Такая архитектура на **90%** эффективнее справлялась со сложными поисковыми вопросами по сравнению с одной моделью Claude^{[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-anthropic-mas-2)}. ### Классификация текста и NLP-задачи Для задач NLP был разработан **принципиально-ориентированный промптинг** (*Principle-Based Prompting*). В этой методике LLM-агенты сначала генерируют набор «принципов» (правил решения), а затем финализирующий агент отбирает лучшие из них, на основе которых другой агент выполняет классификацию. Такой подход повысил метрику macro-F1 на **1,5–19%** по сравнению с базовыми методами, приблизившись по качеству к классическому обучению на примерах (*few-shot*)^{[\[5\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-principle_based_paper-5)}. ## Ограничения и проблемы ### Вычислительная сложность и затраты Главным недостатком является резко возросшая вычислительная нагрузка. Каждый агент требует своего сеанса генерации, что ведёт к значительному расходу [токенов](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен") и ресурсов. По данным Anthropic, их система потребляет в среднем **в 4 раза больше токенов** на один диалог, а в некоторых случаях — до 15 раз больше^{[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-anthropic-mas-2)}. Это делает применение подхода оправданным лишь для задач с высокой ценностью. ### Сложность проектирования и координации Для успешной работы требуется тщательная **инженерная настройка промптов**: необходимо чётко определить роль каждого агента, формат обмена сообщениями и критерии остановки. В противном случае агенты могут дублировать работу, уходить в бесконечный поиск или создавать бесполезные подзадачи^{[\[2\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-anthropic-mas-2)}. ### Безопасность и надёжность Появляются новые векторы атак. Исследователи продемонстрировали феномен **Prompt Infection** (заражение промпта), когда вредоносный фрагмент инструкции от одного агента передаётся другому, распространяясь по всей цепочке рассуждений, как вирус. Такая атака *LLM-to-LLM* показывает уязвимость многоагентных систем к скрытым инъекциям и манипуляциям, что требует разработки специальных мер защиты, например, маркировки выдачи каждого агента (*LLM Tagging*)^{[\[6\]](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_note-prompt_infection_paper-6)}. ## См. также - [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting") - [Generated Knowledge Prompting](https://systems-analysis.info/wiki/Generated_Knowledge_Prompting "Generated Knowledge Prompting") - [Least-to-Most Prompting](https://systems-analysis.info/wiki/Least-to-Most_Prompting "Least-to-Most Prompting") - [Meta Prompting](https://systems-analysis.info/wiki/Meta_Prompting "Meta Prompting") - [Multimodal CoT Prompting](https://systems-analysis.info/wiki/Multimodal_CoT_Prompting "Multimodal CoT Prompting") ## Ссылки - «How we built our multi-agent research system» — подробный разбор от Anthropic - «More Agents Is All You Need» — научная статья об эффективности ансамблей агентов ## Литература - 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. ## Примечания 1. ↑ ^{[1,0](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-comm_paper_1-0)} ^{[1,1](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-comm_paper_1-1)} ^{[1,2](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-comm_paper_1-2)} ^{[1,3](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-comm_paper_1-3)} ^{[1,4](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-comm_paper_1-4)} ^{[1,5](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#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/wiki/Multi%E2%80%91agent_prompting#cite_ref-anthropic-mas_2-0)} ^{[2,1](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-anthropic-mas_2-1)} ^{[2,2](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-anthropic-mas_2-2)} ^{[2,3](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-anthropic-mas_2-3)} «How we built our multi-agent research system». *Anthropic*. [2] 3. ↑ ^{[3,0](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#cite_ref-more_agents_all_you_need_3-0)} ^{[3,1](https://systems-analysis.info/wiki/Multi%E2%80%91agent_prompting#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/wiki/Multi%E2%80%91agent_prompting#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/wiki/Multi%E2%80%91agent_prompting#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/wiki/Multi%E2%80%91agent_prompting#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]