Google описала 4 типа AI-агентов: бесплатный гайд по оркестрации AI уже открыт

Руководство вышло как глава практического курса по построению агентных систем. Оно охватывает полный цикл: от выбора типа агента до управления контекстом, инструментами и планами выполнения. Для разработчиков в РФ и СНГ это ценно тем, что описанные паттерны не привязаны к конкретной модели и работают с любым API, включая YandexGPT и GigaChat.

Четыре типа агентов и зачем выбирать между ними?

• Рефлекторный агент работает по правилу «если условие, то действие». Никаких промежуточных рассуждений: обнаружил триггер, вызвал инструмент, вернул результат. Задержка минимальная, но справляется только с одношаговыми задачами. Пример: маршрутизация обращений по ключевым словам или автоматическая отправка ответа из базы знаний.

• Агент ReAct чередует рассуждение и действие в цикле. Модель формулирует вывод, вызывает инструмент, смотрит на результат, корректирует план и повторяет. Подходит для исследовательских сценариев: анализ данных из нескольких источников, диагностика. Даёт прозрачную «цепочку размышлений», но каждый цикл стоит дополнительных токенов (единиц текста, которые модель обрабатывает за один шаг) и времени.

• Агент «планировщик-исполнитель» сначала строит многошаговый план, затем выполняет каждый шаг отдельным вызовом инструмента. Планирует большая модель, исполняет меньшая. Это экономит вызовы API и упрощает отладку: видно, на каком шаге произошёл сбой.

• Агент декомпозиции запросов разбивает сложный вопрос на подвопросы, ищет ответ на каждый через инструмент и собирает итог. Например: «Кто прожил дольше, X или Y?» превращается в два поисковых запроса и одно сравнение. Каждый факт проверяется через инструмент, прежде чем войти в финальный ответ.

Оркестрация ИИ-агентов (orchestration, управление тем, какой агент, когда и с каким контекстом вызывает инструменты) здесь не сводится к выбору одного типа. В реальной системе рефлекторный агент может обрабатывать простые запросы, а сложные передавать агенту ReAct или планировщику.

Как попробовать?

1. Определите тип задачи. Одношаговая (найти цену, перенаправить запрос) подойдёт рефлекторному агенту. Многошаговая с неизвестным заранее числом этапов подойдёт ReAct или планировщику-исполнителю.

2. Соберите минимальный набор инструментов: поиск, вызов базы данных, отправка сообщения. Опишите каждый инструмент в системном промпте (системный промпт, базовая инструкция, которую модель получает до начала диалога).

3. Реализуйте цикл оркестрации. В LangChain доступны готовые паттерны: ZERO_SHOT_REACT_DESCRIPTION для ReAct без примеров, CHAT_ZERO_SHOT_REACT_DESCRIPTION для ReAct с историей диалога. Для планировщика-исполнителя используйте отдельные вызовы: один для генерации плана, второй для пошагового выполнения.

4. Протестируйте на реальном сценарии и замерьте три показателя: точность ответа, число вызовов API, время отклика. Это поможет понять, не избыточна ли выбранная архитектура для вашей задачи.

Российские аналоги: что доступно для оркестрации?

Принципы оркестрации одинаковы независимо от модели. Рефлекторный агент на GigaChat работает по той же логике «если условие, то действие», что и на GPT-4o. Разница в скорости инференса (инференс, процесс генерации ответа моделью) и в лимитах на длину контекста.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Попробуйте собрать рефлекторного агента для рутины: автоматическая категоризация комментариев или подбор иллюстраций по ключевым словам статьи. Это не требует сложной оркестрации и работает с бесплатным тарифом YandexGPT.

Маркетологу. Агент ReAct может автоматизировать анализ конкурентов: задаёте вопрос, агент сам ищет данные, сравнивает, выдаёт отчёт. Каждый шаг прозрачен, можно показать клиенту цепочку рассуждений.

Разработчику и предпринимателю в РФ. Архитектура «планировщик-исполнитель» экономит деньги на API: большую модель вызываете один раз для плана, а выполнение отдаёте модели дешевле. При российских ограничениях на доступ к зарубежным API это критично.

Частые вопросы

Нужно ли знать программирование, чтобы использовать оркестрацию ИИ-агентов?

Для рефлекторного агента достаточно базового Python и умения работать с API. Для ReAct и планировщика-исполнителя понадобится опыт с LangChain или аналогичным фреймворком. Без кода можно попробовать визуальные конструкторы (Flowise, n8n с модулем ИИ), но гибкость будет ниже.

Какой тип агента выбрать, если задача непонятна заранее?

Начните с ReAct. Он адаптируется на ходу: если первый инструмент не дал результата, агент сам перестроит план. Если после тестов окажется, что задача всегда решается за один шаг, переключитесь на рефлекторного агента и сэкономите на вызовах API.

Работает ли оркестрация с российскими моделями?

Да. Все описанные паттерны опираются на способность модели следовать инструкциям и вызывать функции. YandexGPT и GigaChat это поддерживают. Ограничение: у российских моделей меньше контекстное окно, поэтому при сложной оркестрации с большим числом шагов контекст может обрезаться. Обходной путь: суммаризировать промежуточные результаты перед передачей на следующий шаг.

Выбор архитектуры агента определяет не только качество ответов, но и стоимость каждого запроса. Рефлекторный агент обходится в один вызов API, а ReAct может потребовать пять и больше. Начните с самого простого типа, который закрывает задачу, и усложняйте только когда простой перестаёт справляться.