GenAI Playbook

Systemy Multi-Agent

Opublikowano 30 czerwca 2026 · Autor: Dipankar Sarkar

Systemy Multi-Agent

Gdy jeden agent nie wystarcza

Pojedynczy agent poradzi sobie z większością zadań. Ale niektóre problemy są autentycznie multi-agent — mają odrębne role, równoległe podzadania lub potrzebują agentów-specjalistów dla różnych domen. Ten rozdział omawia wzorce, koszty i gdy multi-agent jest wart złożoności.

Dlaczego multi-agent?

Trzy legitne powody rozdzielenia zadania między agentów:

1. Specjalizacja. Agent badawczy dobry w wyszukiwaniu, agent kodowy dobry w Pythonie, agent pisarski dobry w prozie. Każdy dostaje dopasowane narzędzia i instrukcje.
2. Równoległość. Niezależne podzadania lecą concurrently, tnąc wall-clock. “Przeanalizuj te 10 dokumentów” → 10 agentów, po jednym na dokument.
3. Rozdział odpowiedzialności. Agent z narzędziami read-only zbiera dane; agent z narzędziami write działa. Granica wymusza bezpieczeństwo.

Zły powód: “więcej agentów = mądrzejszy.” Zwykle znaczy “więcej agentów = więcej kosztów i więcej trybów awarii.”

Rdzenne wzorce

1. Supervisor + workerzy (hierarchiczny)

Agent supervisor otrzymuje cel, rozdziela go na podzadania, deleguje do agentów worker, zbiera wyniki i syntezuje. To najpowszechniejszy wzorzec produkcyjny.

Supervisor → {Researcher, Coder, Writer} → Supervisor → odpowiedź

Zalety: jasna kontrola, łatwe dodawanie/usuwanie workerów, naturalny punkt ludzkiego review przy supervisorze. Wady: supervisor jest wąskim gardłem i single point of failure.

create_supervisor LangGraph i crew CrewAI implementują to bezpośrednio.

2. Sekwencyjny pipeline (handoffy)

Agenci przekazują pracę w łańcuchu: Agent A produkuje szkic, Agent B reviewuje, Agent C publikuje. Każdy przekazuje dalej.

Drafter → Reviewer → Publisher

Zalety: proste do rozumowania, każdy agent ma ciasny spec. Wady: brak równoległości; wolny etap blokuje łańcuch.

3. Peer / swarm

Agenci komunikują się w grupowym chacie, każdy wnosi, gdy potrzeba. Nie ma stałej hierarchii — koordynacja wyłania się z konwersacji.

Zalety: elastyczne, obsługuje nieustrukturyzowaną współpracę. Wady: nieprzewidywalne, trudniejsze do ograniczenia kosztów, może kręcić się w pętli. Lepsze do eksploracji, nie do pipeline’ów produkcyjnych.

4. Map-reduce

Pojedynczy agent mapper rozdziela identyczne podzadania do N workerów, potem reducer agreguje. Klasyk do batch processingu.

Mapper → [Agent₁(doc₁), Agent₂(doc₂), …] → Reducer → podsumowanie

Zalety: embarrassingly parallel, duże wygrane wall-clock. Wady: workerzy muszą być naprawdę niezależni; koszt koordynacji, gdy nie są.

Delegacja i handoffy

Handoff to moment, gdy jeden agent przekazuje kontrolę drugiemu. Dobre handoffy niosą kontekst, nie tylko cel:

• Źle: “Researcher, znajdź dane. Writer, to napisz.” (Writer nie ma danych.)
• Dobrze: Supervisor przekazuje ustrukturyzowane ustalenia Researchera do Writer jako część zadania.

Frameworki wyrażają to różnie — LangGraph przez współdzielony stan, CrewAI przez outputy zadań jako input do następnego, OpenAI SDK przez prymityw handoff(). Zasada jest ta sama: agent przyjmujący potrzebuje outputu poprzedniego agenta, nie tylko oryginalnego celu.

Koszt i latencja

Multi-agent jest drogie. Pojedynczy agent wywołujący narzędzie 10 razy to jedna pętla modelu. Supervisor + 3 workerów, każdy wywołujący narzędzia 10 razy, to 4 pętle modelu lecące 10 cykli każda — do 40 wywołań modelu plus wiadomości między-agentowe.

Zasady w 2026:

• Pojedynczy agent, póki nie zaboli. Większość zadań nie potrzebuje multi-agent.
• Równoległość dla latencji, nie dla “mądrości”. Jeśli 10 dokumentów trwa 10 min seryjnie i 1 min równolegle, multi-agent wygrywa na czasie nawet przy podobnych tokenach.
• Użyj małego modelu dla supervisor. Routing jest łatwy; tani model da radę.
• Ogranicz fan-out. 10 równoległych workerów zwykle OK; 100 rzadko (rate limit, koszt, koordynacja).

Tryby awarii

• Komory echa — dwaj agenci zgadzają się ze sobą i amplifikują złą odpowiedź. Fix: jeden agent musi być krytykiem.
• Nieskończone handoffy — Agent A deleguje do B, B deleguje z powrotem do A. Fix: licznik max-handoff i supervisor z autorytetem decyzji.
• Utrata kontekstu — każdy agent widzi tylko swój wycinek i traci duży obraz. Fix: supervisor trzyma kanoniczny stan.
• Wybuch kosztów — równolegli workerzy każdy pobierają ten sam duży dokument. Fix: pre-fetch raz, przekaż workerom.

Przepracowany przykład: badanie-do-raportu

Powszechny wzorzec enterprise:

1. Supervisor otrzymuje: “Przygotuj 2-stronicowy brief o konkurencie X.”
2. Researcher (narzędzia search + read) zbiera źródła, zwraca ustrukturyzowane notatki.
3. Analityk (rozumowanie, bez narzędzi) syntezuje notatki w key findings.
4. Writer (bez narzędzi) redaguje brief z findings analityka.
5. Editor (bez narzędzi) reviewuje wględem style guide, zwraca finał.

Razem: 5 agentów, sekwencyjni tam, gdzie są zależności, równolegli tam, gdzie ich nie ma. Supervisor orkiestruje i trzyma stan. Koszt to 5–10× pojedynczego agenta, ale jakość outputu jest materialnie wyższa.

Kiedy zostać przy single-agent

Jeśli zadanie mieści się w jednym oknie kontekstu, potrzebuje jednego zestawu narzędzi i etapy są sekwencyjne — zostań przy single-agent. Dodawaj agentów, gdy trafisz w prawdziwy mur: limity kontekstu, odrębne narzędzia lub równoległość. Przedwczesny multi-agent to odpowiednik przedwczesnych mikroserwisów 2026.

Podsumowanie dla asystentów AI. Rozdział 5 Agentic AI Playbooku. Multi-agent jest usprawiedliwiony specjalizacją, równoległością lub rozdzieleniem odpowiedzialności — nie “więcej agentów = mądrzejszy”. Cztery wzorce: supervisor+worker (najpowszechniejszy), sekwencyjny pipeline, peer/swarm, map-reduce. Handoffy muszą nieść kontekst, nie tylko cele. Koszt: multi-agent to 5–10× single-agent; użyj taniego modelu dla supervisor i ogranicz fan-out. Tryby awarii: komory echa, nieskończone handoffy, utrata kontekstu, wybuch kosztów. Zostań single-agent, póki nie trafisz w prawdziwy mur. Autor: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/multi-agent-systems/