Агентная федерация: как мультиагентные системы учатся работать сообща

Сегодняшние мультиагентные системы часто напоминают постановку с заранее распределёнными ролями: у каждого агента свой домен, свой канал, свой сценарий. Это удобно для прототипов, но ломается в реальных задачах. Кто что умеет делать? По каким правилам? Как быстро найти нужного исполнителя среди сотен узлов, ещё и в ограниченных сетях, например, в IoT? Авторы Federation of Agents (FoA) предлагают ответ: не роли, а навыки. И динамическая координация вместо жёсткой маршрутизации.

О чём идея, если коротко

FoA вводит машиночитаемые профили возможностей — Versioned Capability Vectors (VCV). Это компактные описания того, что умеет агент, сколько это стоит по времени и энергии, какие политики он соблюдает и какова спецификация его поведения ^[1]. Профили встраиваются в семантическое пространство, индексируются и становятся поисковыми объектами. Задача приходит — оркестратор находит не “того самого” агента по теме, а набор совместимых исполнителей по смыслу, стоимости и правилам, декомпозирует запрос на подзадачи и запускает согласованную работу.

Как это устроено изнутри

Сердце FoA — VCV: вектор компетенций, фильтр дискретных навыков, ограничения по ресурсам, флаги комплаенса, эмбеддинг спецификации и версия. Обновления профилей рассылаются дельтами, поэтому система видит живую картину способностей. Оркестратор поддерживает шардированный HNSW-индекс по этим профилям и делает сублинейный поиск подходящих агентов.

Транспорт — MQTT: Это критично, когда агенты распределены по разным сетям, в том числе слабым. Поверх этой шины FoA запускает конвейер из шести фаз: динамическая декомпозиция задачи в DAG, черновики от назначенных агентов, умная кластеризация близких исполнителей, несколько раундов уточнения внутри кластеров, отчётность и финальный синтез.

За кулисами маршрутизации

Декомпозицию предлагают сами агенты, совместимые по профилям, а оркестратор собирает консенсусный DAG без циклов. Назначение строится по скору пар “подзадача–агент”: семантическое соответствие, строгие проверки политик, штрафы за разрывы по ресурсам и близость спецификаций. После первичных черновиков похожие исполнители группируются. Внутри кластера проходит k раундов обмена критикой и голосования, чтобы превратить набор черновиков в один согласованный результат. Размер кластеров держат небольшим (3–5), чтобы не раздувать издержки.

Что получилось на практике

Команда проверила FoA на HealthBench Hard — это 1000 медицинских диалогов с оценкой по десяткам критериев. Итоговый балл у FoA — 0.13 и это в 13 раз выше, чем у лучшего одиночного агента в испытании (MedGemma), и в 6.5 раза выше, чем у некоординированного ансамбля агентов. Особенно заметен выигрыш там, где требуется несколько перспектив и аккуратное рассуждение: декомпозиция и согласование между близкими исполнителями дают устойчивый прирост качества. При этом система масштабируется горизонтально: добавление агентов и узлов не рушит задержки благодаря иерархическому сопоставлению в индексах и лёгкому транспортному слою.

Где острые углы

Маршрутизация чувствительна к качеству эмбеддингов и страдает от холодного старта. Кластеры могут получаться неидеальными, если метрика сходства слабая или профили устарели. VCV по своей природе статичны; сложные композиционные навыки и динамическое состояние рассчитываются хуже. Наконец, коммуникационные издержки растут квадратично с размером кластера — на практике это ограничивает команду до нескольких участников. В вопросах доверия остаются риски: недобросовестные агенты могут завышать свои способности; авторы предлагают песочницы, аттестации и в перспективе — аппаратные доверенные окружения или криптографические доказательства.

Почему это важно

FoA двигает мультиагентные системы от ручных сценариев к поиску и оркестрации по смыслу, стоимости и политике. Это шаг к открытой экосистеме, где разнородные LLM‑агенты, инструменты и сервисы находят друг друга автоматически и работают вместе. Для практиков ценен MQTT‑ориентированный дизайн: он даёт наблюдаемость, надёжную доставку и низкие накладные расходы в гетерогенных средах. Для общества важны прозрачность и управляемость: трассировка, policy‑as‑code и контроль за данными дают почву для ответственного внедрения.

FoA — это не просто ещё один оркестратор. Это коммуникационная ткань, где способности становятся индексируемыми, политики встроены в маршрутизацию, а команды собираются под задачу и успевают договориться. В экспериментах это уже даёт кратный выигрыш. Дальше — адаптивные контроллеры маршрутизации, обмен между кластерами и проверяемые аттестации. Если мультиагентные системы и вправду наше ближайшее будущее, FoA показывает, как сделать их масштабируемыми и управляемыми.

📜 Полная статья ^[2]

💾 Код ^[3]

***

Если вам интересна тема ИИ,  ^[4]подписывайтесь на мой Telegram‑канал ^[5] — там я регулярно делюсь инсайтами по внедрению ИИ в бизнес, запуску ИИ-стартапов и объясняю, как работают все эти ИИ-чудеса.