Один AI-агент отримує доступ до репозиторію, документації, термінала, бази даних і десятка API. Він має зрозуміти задачу, знайти потрібний контекст, написати код, протестувати його та перевірити самого себе.
Для демо це зручно. У production така універсальність швидко стає проблемою.
Чому один великий агент погано масштабується
Що більше ролей виконує агент, то більшими стають його prompt, набір tools та context window. Йому складніше вибрати правильний інструмент, не втратити початкову вимогу й помітити власну помилку.Є й конфлікт ролей. Агент, який щойно реалізував рішення, уже «вірить» у свій підхід. Просити його незалежно провести code review — майже те саме, що попросити автора pull request поставити собі approve.Agentic pipeline розділяє процес на кілька вузьких відповідальностей.
Як це може працювати на практиці
Уявімо задачу: додати rate limiting до API.Спочатку coordinator перетворює запит на критерії готовності й визначає порядок роботи. Research-агент лише читає репозиторій: знаходить middleware, спосіб зберігання стану, правила логування та наявні тести. Він повертає не довгу переписку, а структурований звіт із посиланнями на файли.Implementation-агент отримує задачу, цей звіт і доступ на запис лише в потрібну частину проєкту. Test-агент запускає перевірки та створює окремий звіт про помилки. Нарешті reviewer бачить specification, diff і результати тестів, але не редагує код — лише приймає роботу або повертає конкретні зауваження.Між етапами передаються артефакти: plan.md, patch, test report, review verdict. Це надійніше, ніж сподіватися, що весь контекст збережеться в одному нескінченному чаті.
Що дає спеціалізація
Для кожного агента можна окремо визначити prompt, модель, tools, permissions і критерії оцінювання. Досліднику не потрібен доступ на запис. Reviewer не повинен бачити внутрішні міркування автора — йому достатньо вимог і diff. А просту перевірку форматування взагалі краще залишити детермінованому linter, а не LLM.В експерименті Anthropic multi-agent research system перевершила одного агента на 90,2%. Паралельний запуск трьох-п'яти subagents разом із паралельними tool calls скоротив час складного дослідження до 90%.Але ці цифри не можна автоматично переносити на будь-яку розробку.
Кілька агентів — не безкоштовне покращення
Та сама система Anthropic використовувала приблизно у 15 разів більше токенів, ніж звичайний чат. Додайте latency, складніший debugging і ризик «зіпсованого телефону» між етапами.Multi-agent підхід найкраще працює, коли задачу можна чітко розділити, частину роботи виконати паралельно, а результат кожного етапу перевірити. Для маленької CRUD-зміни п'ять агентів будуть дорожчими за саму задачу.Тому починати варто не з «команди AI». Краще знайти один етап, на якому універсальний агент найчастіше помиляється, винести його в окрему роль і додати вимірюваний критерій якості.Agentic pipeline — це не про кількість ботів. Це про чіткі межі відповідальності.