Мультиагентная система: как запустить команду ИИ-агентов на одной задаче

Что такое мультиагентная система простыми словами и когда она нужна?

Обычный агент — один сеанс с одним контекстом. Мультиагентная система — несколько таких сеансов с разными ролями. Классическая схема выглядит как маленький отдел: менеджер разбирает задачу и раздает куски, исполнители работают параллельно, проверяющий смотрит результат. В multi-agent-shogun эта иерархия зашита в названия: сегун принимает команду, каро раскладывает ее по исполнителям, их семь, плюс стратег.

Мультиагентность окупается в трех случаях.

• Задача делится на независимые части: фронтенд и бэкенд, десять разных файлов, пачка однотипных документов.
• Нужен взгляд со стороны: один агент пишет, второй проверяет с чистым контекстом и не защищает чужие ошибки.
• Контекст одного агента переполняется. Скиллы из коллекции Agent Skills for Context Engineering описывают, как контекст деградирует при росте: теряется середина, появляется отравление и отвлечение. Узкие агенты с короткими контекстами обходят эту проблему.

Одного агента хватает, если задача маленькая и последовательная. Карточка multi-agent-shogun прямо предупреждает: десять сеансов потратят лимиты быстрее, чем одиночный агент закончит работу. Так же пишут про Agentlas OS и hcom: если хватает одного агента, оркестрация лишняя.

Если вы только знакомитесь с темой, начните с ИИ-агентов для автоматизации рутины: там один агент и понятные задачи. Мультиагентность нужна позже.

Какие готовые оркестраторы команды агентов есть?

Я собрал пять инструментов из каталога. У каждого своя схема, поэтому выбирать нужно по тому, как вы хотите управлять командой.

Agentlas OS ставится в уже используемые хосты (Claude Code, Codex, Cursor, Gemini) и под задачу собирает временную команду специализированных агентов, например фронтенд и бэкенд, а после работы распускает ее. Специалисты лежат в хабе, на каждую задачу поднимается отдельный оркестратор. Работает локально, с любой моделью. Установка — скрипт, который проверяет контрольную сумму релиза и прописывает плагины и MCP в найденные хосты. Учтите это до запуска.

Agency Orchestrator из одной фразы собирает команду ролей. В наборе сотни ролей на русском, английском, китайском и других языках: инженерия, дизайн, продукт, управление. Воркфлоу описываются в YAML без кода. Запускается командой ao, веб-студия открывается командой ao web, есть Docker и MCP-сервер. Поддерживаются 15 провайдеров моделей, часть работает без ключа. Результат проверяется по критериям приемки, а важные решения выносятся на ваше подтверждение.

oh-my-agent хранит скиллы, воркфлоу и правила в одной папке .agents и раскладывает их в формат каждого агента: Claude Code, Codex, Cursor, OpenCode и других. Стоп-хук не дает завершить сессию, пока в проекте не пройдут typecheck, test и lint. Профильные агенты идут готовыми пресетами: архитектура, бэкенд, фронтенд, базы данных, отладка, QA, DevOps.

MassGen работает иначе: несколько моделей и агентов параллельно решают одну задачу, обмениваются рассуждениями и сходятся к общему ответу. Он ставится через pip install massgen, быстрый старт — uv run massgen --quickstart. Это удобно, когда нужно сравнить, как разные модели справляются с одним заданием.

multi-agent-shogun — самый наглядный вариант. Скрипт shutsujin_departure.sh создает два сеанса tmux: в одном вы вводите задачу обычными словами, в другом работают менеджер, семь исполнителей и стратег. Каждый агент — отдельный экземпляр клиента: Claude Code, Codex, GitHub Copilot, Kimi Code, OpenCode, Cursor или Antigravity. Тип клиента задается в config/settings.yaml. Агенты обмениваются файлами на диске и сигналами tmux, поэтому на координацию не тратятся вызовы модели. Задания и отчеты лежат обычными YAML-файлами, их легко читать.

Чтобы собрать собственную схему, а не брать готовую, пригодится Agent Skills for Context Engineering: там разобраны мультиагентные схемы, системы памяти, дизайн инструментов и оценка агентов через LLM-судью.

Как запустить агентов в разных терминалах, чтобы они общались?

Если оркестратор вам не нужен, а нужны отдельные агенты, которые видят друг друга, есть два инструмента.

hcom связывает Claude Code, Codex, Gemini CLI, OpenCode, Cursor CLI, Copilot CLI и другие агенты. Запуск — командой вида hcom claude. После этого агент отправляет сообщения другим, читает их транскрипты, экран терминала и правки файлов, подписывается на события. Сообщения доставляются через хуки и локальную базу SQLite: приходят между вызовами инструментов или будят простаивающего агента. Агенты умеют запускать, форкать и останавливать друг друга. Есть панель TUI, готовые сценарии вроде дебатов и шифрованная связь между машинами через MQTT.

Одна деталь про конфликты. Если двое правят один файл, hcom предупреждает обоих. Это снижает риск, но не снимает его: подробнее ниже.

AI Maestro запускает терминальных агентов (Claude Code, Codex, Aider, Cursor) в сессиях tmux и показывает их в одной веб-панели на http://localhost:23000. У каждого агента постоянная память, индекс кода и почтовый ящик: по протоколу AMP агенты пишут друг другу напрямую. Машины объединяются в одноранговую сеть без центрального сервера, агента можно перенести на другой компьютер вместе с его репозиториями. Подходит, когда одновременно работают три и больше агента и вы устали переносить контекст между ними вручную. Если вам важна память агентов отдельно от оркестрации, есть статья про память для ИИ-агентов.

Для одного агента в одном терминале ни hcom, ни AI Maestro не нужны. Оба прямо так и пишут.

Как контролировать результат: проверка и подтверждение человека?

Самая частая ошибка мультиагентных систем — доверие к отчету. Агент пишет «тесты прошли», хотя они не запускались. На этот случай в каталоге есть три разных подхода.

В oh-my-agent проверку делает не агент, а скрипты проекта: стоп-хук блокирует завершение сессии, пока typecheck, test и lint не пройдут. Gate-команда проверяет, оставил ли воркфлоу нужные артефакты. Независимый судья со свежим контекстом каждый раунд перепроверяет все критерии, а решения пишутся в журнал только на дописывание. Условие: в проекте должны быть рабочие скрипты проверки, иначе опереться не на что.

Babysitter строит процесс кодом. Оркестратор следит, чтобы каждый шаг выполнился и проверки качества прошли до перехода дальше. В контрольных точках он требует одобрения человека, а решения записывает в неизменяемый журнал. Ставится через npm install -g @a5c-ai/babysitter, для Claude Code и Codex есть плагины. Цена за строгость — время: процесс нужно описать кодом.

Agency Orchestrator проверяет результат по критериям приемки и выносит ключевые решения на ваше подтверждение. Карточка при этом советует просматривать итог самому: автоматическая приемка не заменяет глаза.

Общее правило: чем длиннее автономный участок между подтверждениями, тем дороже ошибка. Ставьте контрольные точки перед записью в основную ветку, перед удалением и перед любой отправкой данных наружу.

Сколько стоит мультиагентная система на октябрь 2026?

Все перечисленные инструменты открытые. Платите за другое: модели и инфраструктуру. Конкретные суммы я не называю, потому что тарифы меняются. Смотрите актуальный тариф провайдера в день запуска.

Структура расходов такая.

• Подписки или API на каждого агента. У multi-agent-shogun десять агентов, каждому нужен свой авторизованный клиент.
• Расход токенов растет кратно числу агентов. Автор multi-agent-shogun оценивает, что восемь агентов уровня Opus при оплате за токены обходятся больше чем в 100 долларов в час, и рассчитывает на подписки.
• Машина под tmux, панель и фоновые сервисы. AI Maestro ставит постоянно работающий сервис.
• MassGen дополнительно умножает вызовы: несколько моделей одновременно решают одну и ту же задачу.

Для первого запуска возьмите двух агентов и маленькую задачу и посмотрите, сколько уходит лимита.

Что мультиагентные системы делают хорошо и где ошибаются?

Хорошо получается параллельная работа над независимыми частями и независимая проверка. Агент со свежим контекстом замечает то, что автор текста уже не видит.

Ошибаются они предсказуемо, и я бы держал в голове четыре проблемы.

1. Расход токенов растет кратно числу агентов. Десять сеансов выедают лимиты быстрее, чем один агент доведет небольшую задачу.
2. Агенты конфликтуют в одних файлах. hcom предупреждает, если двое правят один файл, но разведение по разным файлам и веткам — ваша работа. Разбивайте задачу так, чтобы части не пересекались.
3. Автономный режим без подтверждений опасен. В multi-agent-shogun Claude Code запускается с флагом --dangerously-skip-permissions, то есть без запросов на разрешение. Карточка помечена высоким уровнем риска. Скрипт first_setup.sh ставит системные пакеты через sudo apt-get и правит ~/.bashrc. Запускайте такое в отдельной среде: контейнере или виртуальной машине, без доступа к рабочим ключам.
4. Хуки и установщики. hcom прописывает хуки в конфигурацию агентов, oh-my-agent и AI Maestro ставятся скриптом из интернета. Токен связи между машинами в hcom дает полный контроль над агентами на всех подключенных устройствах, отозвать его нельзя, только создать новый.

Начинайте с минимума: один оркестратор, два агента, отдельная ветка, права только на чтение там, где запись не нужна.

Работают ли мультиагентные системы в России и что с законом?

Сами инструменты открытые и ставятся локально. Проблема в моделях. В карточке multi-agent-shogun указано, что API OpenAI и Anthropic из России недоступны, в AI Maestro — что Claude Code и Codex без обходных путей не работают. Для MassGen часть провайдеров недоступна. Для oh-my-agent, hcom и Agentlas OS доступ в карточках отмечен как рабочий, для остальных статус не подтвержден. Проверяйте доступность модели до установки оркестратора. Agency Orchestrator поддерживает 15 провайдеров, часть которых работает без ключа, так что у него выбор шире.

Если агенты обрабатывают персональные данные клиентов или сотрудников, действует 152-ФЗ. Оркестратор отправляет содержимое задачи выбранному провайдеру модели, и это передача данных. Уберите персональные данные из задачи или убедитесь, что провайдер подходит под ваши требования. Отдельно помните про связь между машинами: у hcom и AI Maestro данные идут между устройствами.

Какой инструмент выбрать под какую задачу?

• Нужна команда под задачу без ручной настройки: Agentlas OS, он собирает и распускает ее сам
• Нужны готовые роли и запуск из одной фразы: Agency Orchestrator, воркфлоу в YAML и проверка приемки
• Агент говорит, что тесты прошли, хотя это не так: oh-my-agent, стоп-хук и независимый судья
• Нужны строгий процесс и подтверждения человека: Babysitter, контрольные точки и журнал решений
• Нужно сравнить ответы разных моделей: MassGen, модели сходятся к общему ответу
• Хочется видеть иерархию агентов в панелях tmux: multi-agent-shogun, задания читаются как YAML
• Агенты в разных терминалах должны писать друг другу: hcom, сообщения и предупреждения о конфликтах
• Много агентов на нескольких машинах: AI Maestro, единая панель, память и почта
• Строите свою схему и нужна теория: Agent Skills for Context Engineering, мультиагентные схемы и оценка

Короткий глоссарий

Оркестратор: программа, которая раздает задачи агентам и собирает результаты.

Субагент: агент, которого запускает другой агент для части работы.

tmux: терминальный мультиплексор, который держит несколько сеансов в панелях одного окна.

Хук: скрипт, который срабатывает на событие агента, например перед завершением сессии.

LLM-судья: отдельная модель со свежим контекстом, которая проверяет результат по критериям.

Критерии приемки: список условий, при которых результат считается готовым.

Контекстное окно: объем текста, который модель держит в памяти одного сеанса.

Что дальше?

Начните с одного оркестратора и двух агентов на небольшой задаче, которую легко разделить. Для сравнения откройте раздел CLI в каталоге, а если нужен подбор под ваш проект, запустите подбор с Foxx AI. Когда агентам понадобится общая память, продолжите со статьей про память для ИИ-агентов.