Урок 1: Архитектура multi-agent — роли субагентов

Чему вы научитесь

• Понимать, зачем сильный агент-исследователь разбивается на несколько специализированных субагентов
• Называть и различать шесть базовых ролей: planner, research, code, debug, analyze, write
• Читать архитектуру EvoScientist как пример само-эволюционирующей мульти-провайдерной системы
• Объяснять автономный цикл Kosmos и роль графа знаний (Neo4j) как общей памяти команды
• Видеть, где в любой такой архитектуре стоит человек (human-on-the-loop)

Почему один агент — это мало

Соблазнительно думать, что достаточно дать одной мощной модели большой промпт и все инструменты. На практике так получается агент, который путается: держит в одной «голове» и план, и поиск, и код, и проверку — и роняет качество на каждом переключении.

Решение, к которому пришли почти все рабочие системы 2026 года, — разделение труда. Задачу ведёт оркестратор, а исполняют её узкие субагенты, у каждого своя роль, свой системный промпт и свой набор инструментов. Это та же логика, что в реальной лаборатории: научрук, аналитик данных, программист, рецензент.

Шесть ролей: словарь модуля

Система EvoScientist выделяет шесть субагентов, и это удобный канонический словарь для всего модуля (EvoScientist на GitHub).

Закономерность простая: чем чище разделены роли, тем легче проверять и отлаживать систему — видно, какой именно субагент ошибся.

Архитектура в одной диаграмме

flowchart TB
    H[Человек: цель и контроль] --> O[Оркестратор / planner]
    O --> R[research: поиск литературы]
    O --> C[code: код эксперимента]
    O --> D[debug: отладка кода]
    O --> A[analyze: интерпретация]
    O --> W[write: отчёт с цитатами]
    R --> M[(Общая память:<br/>граф знаний / контекст)]
    C --> M
    A --> M
    M --> O
    W --> V{Человек проверяет}
    V -- галлюцинации, ошибки --> O
    V -- принято как черновик --> OUT[Проверяемый артефакт]

    style H fill:#0891b2,color:#fff,stroke:#0e7490
    style O fill:#4400ff,color:#fff,stroke:#3300cc
    style V fill:#f59e0b,color:#fff,stroke:#d97706
    style OUT fill:#059669,color:#fff,stroke:#047857

Ключевое здесь — две вещи. Во-первых, оркестратор не делает работу сам, а распределяет её и собирает результаты. Во-вторых, субагенты общаются не напрямую, а через общую память — иначе они теряют контекст друг друга.

EvoScientist: само-эволюция и мульти-провайдер

EvoScientist — молодая система (дебют 13.03.2026), построенная на фреймворке DeepAgents/LangChain (GitHub). У неё три свойства, важных для архитектуры.

• Само-эволюция. Система может уточнять свои промпты и стратегию между шагами, опираясь на персистентную память о прошлых прогонах.
• Мульти-провайдер. Субагенты могут работать на разных бэкендах (Anthropic, OpenAI, Google, MiniMax, NVIDIA) — для РФ это способ не зависеть от одного закрытого API.
• Каналы и расширения. Управление через Telegram/Slack/Feishu, подключение инструментов через MCP и навыков через Agent Skills (об этом — урок 2).

Kosmos: автономный цикл и граф знаний

Kosmos (open-source реимплементация jimmc414) показывает другой акцент — автономный цикл открытия (GitHub, статья arXiv 2511.02824). Агент сам крутит петлю: гипотезы из литературы и данных, эксперименты, исполнение кода в Docker-песочнице, и затем валидация находок по 8-мерной рубрике ScholarEval.

Особенность Kosmos — граф знаний на Neo4j как общая память команды. Вместо того чтобы пересылать друг другу сырой текст, субагенты пишут факты и связи в граф, а потом извлекают нужное. Это и есть способ не утонуть в тысячах статей — подробно разберём в уроке 3.

Два акцента — одна логика

Звёзды и версии меняются ежедневно — это снимок на момент ресёрча (май 2026), проверяйте актуальные значения на дату работы. Важнее цифр — общий принцип: и там, и там работа разделена на роли, а связывает их общая память и оркестратор над петлёй, под контролем человека.

Следующий урок

Урок 2: Навыки (Agent Skills) и MCP — как научить агента вашей методике через SKILL.md и подключить инструменты через MCP.