Один агент проходит задачу шаг за шагом. Мультиагентная система делит задачу на части и выполняет их одновременно.
Как это работает
Anthropic описывает свою функцию Research как “orchestrator-worker pattern, where a lead agent coordinates the process while delegating to specialized subagents.” (перевод: «паттерн „оркестратор — исполнители“, где ведущий агент координирует процесс и делегирует работу специализированным субагентам».) Ведущий агент читает вопрос, составляет план, запускает несколько субагентов, которые ищут параллельно, и пишет итоговый ответ по их кратким сводкам.
Бывают и другие схемы. Статья об AutoGen (Wu et al., 2023) описывает фреймворк, в котором “customizable, conversable” (перевод: «настраиваемые, способные вести диалог») агенты общаются друг с другом, с людьми и с инструментами, а разработчики задают схему диалога на естественном языке или в коде.
Пример прогона по схеме «оркестратор — исполнители»:
Lead: plan -> start 3 workers
Worker 1: search docs for topic A -> 1,500-token summary
Worker 2: search docs for topic B -> 1,500-token summary
Worker 3: search docs for topic C -> 1,500-token summary
Lead: read 3 summaries -> final answer
Каждый исполнитель тратит собственные токены на поиск и чтение. Ведущий агент видит только сводки.
Почему это важно
- Качество на широких задачах. Anthropic сообщает, что мультиагентная схема с ведущим Claude Opus 4 и исполнителями Sonnet 4 “outperformed single-agent Claude Opus 4 by 90.2%” (перевод: «превзошла одиночного агента Claude Opus 4 на 90,2 %») на её внутреннем исследовательском эвале.
- Стоимость в токенах. В той же статье сказано, что агенты расходуют примерно в четыре раза больше токенов, чем чат, а мультиагентные системы — “about 15× more tokens than chats.” (перевод: «примерно в 15 раз больше токенов, чем чаты».) Там же сообщается, что одно только потребление токенов объясняло 80 % разброса результатов на BrowseComp. Больше агентов обычно означает больший счёт. Статья о стоимости мультиагентных систем сравнивает оплату за токены и фиксированную цену.
- Применимость. Anthropic отмечает, что программирование подходит хуже, поскольку “most coding tasks involve fewer truly parallelizable tasks than research,” (перевод: «в большинстве задач программирования меньше по-настоящему распараллеливаемых частей, чем в исследованиях»), а задачи с большим общим контекстом или зависимостями между агентами подходят плохо.
- Параллельность. Параллельные исполнители — это параллельные запросы, поэтому ускорение ограничено вашим лимитом параллельности.
В BroadNet Inference
BroadNet обслуживает модели, а оркестрация работает в вашем фреймворке. Руководства описывают CrewAI и OpenAI Agents SDK с базовым URL BroadNet.
Ключ с оплатой по факту допускает 30 запросов в минуту и 4 одновременно. На безлимитных тарифах для DeepSeek V4.1 Flash счётчика токенов нет, поэтому множитель токенов из счёта уходит, но каждая сессия выполняет один запрос за раз. Покупайте по одной сессии на каждый запрос к модели, который может выполняться одновременно с другими: трём исполнителям, работающим сразу, нужны три сессии, а если ведущий агент продолжает обращаться к модели, пока они работают, — четыре. Типичные схемы разобраны в статье о параллельных агентах для программирования на безлимитном API.