System wieloagentowy AI: kiedy ma sens w firmie

Temat: Architektura systemów AI

System wieloagentowy dzieli zadanie między kilka wyspecjalizowanych agentów, które wymieniają wyniki i korzystają z narzędzi. Ma sens, gdy podział odpowiada rzeczywistym granicom wiedzy, uprawnień lub etapów pracy. Większa liczba agentów sama w sobie nie zwiększa jakości. Dodaje również komunikację, koszty, opóźnienia i kolejne miejsca możliwej pomyłki.

Dlatego zacznij od pytania, czego nie potrafi dobrze obsłużyć prostsza aplikacja. Jeżeli jeden model z właściwymi danymi wystarcza, dodatkowy koordynator i kilku recenzentów mogą jedynie wielokrotnie przetwarzać ten sam materiał. System powinien mieć tyle elementów, ile wymaga zadanie. Jeśli nie jest jasne, czy potrzebny jest w ogóle agent, zacznij od poradnika o różnicach między botem, asystentem i agentem.

Kiedy podział ról jest już uzasadniony, odróżnij bibliotekę do budowania aplikacji od mechanizmu kontrolującego jej przebieg. LangChain pomaga zestawić komponenty, natomiast LangGraph dotyczy jawnego stanu i sterowania pracą agentów. Wybór frameworka nie zastępuje dowodu, że kilka ról jest potrzebnych.

Co właściwie odróżnia agentów?

Agent otrzymuje określony cel, kontekst i zestaw dozwolonych działań. W systemie wieloagentowym poszczególne role powinny wnosić coś odrębnego. Jedna może wyszukiwać dokumenty, druga analizować wymagania techniczne, a trzecia sprawdzać kompletność wyniku. Nadanie trzem identycznym rozmowom różnych nazw nie tworzy jeszcze użytecznego podziału pracy.

Różnica może dotyczyć także uprawnień. Agent odczytujący katalog produktów nie musi mieć możliwości zmiany ceny. Agent przygotowujący propozycję nie powinien automatycznie posiadać prawa wysyłki do klienta. Granice dostępu wyznacza aplikacja i system źródłowy, a nie wyłącznie polecenie zapisane w opisie roli.

Microsoft zaleca najniższy poziom złożoności, który niezawodnie spełnia wymagania, bo każdy kolejny dodaje narzut koordynacji, opóźnienie i koszt. OpenAI radzi najpierw w pełni wykorzystać jednego agenta z narzędziami, a dzielić go dopiero wtedy, gdy instrukcja ma zbyt wiele warunków albo agent myli podobne narzędzia. To dobry punkt wyjścia do rozmowy projektowej: najpierw wykazać potrzebę podziału, potem wybrać sposób koordynacji.

Cztery wzorce współpracy i ich koszt

Vendorzy nazywają wzorce różnie, ale opisują te same cztery układy. Anthropic w Building effective agents pisze o łańcuchu promptów, równoległości i układzie „orkiestrator i wykonawcy”. OpenAI w przewodniku po budowie agentów wyróżnia wzorzec menedżera (agenci jako narzędzia) i przekazania między agentami. Microsoft Agent Framework ma wbudowane orkiestracje: sekwencyjną, równoległą, przekazanie, czat grupowy i Magentic, w której agent-menedżer koordynuje pozostałych (stan na 6.10.2026).

WzorzecJak działaKiedy warto go sprawdzićGłówne ryzykoKoszt (uproszczenie autora)
Sekwencjaagent po agencie, wynik jednego jest wejściem następnegoetapy zależą od siebie w stałej kolejnościbłąd wczesnego etapu przechodzi dalejnarasta z każdym krokiem, łatwy do przewidzenia
Równoległośćkilku agentów pracuje naraz na tym samym wejściu, wyniki się scalaczęści można opracować niezależniesprzeczne wyniki do rozstrzygnięciaskok zużycia w jednej chwili plus scalanie
Dyspozytoragent-menedżer dzieli zadanie, zleca części i scala wynikpodzadań nie da się przewidzieć z górypętla planowania, wolne dochodzenie do celunajtrudniejszy do przewidzenia
Przekazaniejeden aktywny agent oddaje sprawę specjaliście razem ze stanem rozmowywłaściwy specjalista wychodzi w trakcie pracypętla przekazań, utrata kontekstunarasta z każdym przekazaniem, zależy od liczby odbić

Opis kosztu opiera się na przewodniku Microsoftu po wzorcach orkiestracji: sekwencja i przekazanie wywołują agentów pojedynczo, więc koszt sumuje się krok po kroku; równoległość przyspiesza, ale zużycie może skoczyć, gdy kilku agentów wywołuje modele naraz; układ z menedżerem jest najmniej przewidywalny, bo menedżer iteruje, aż zbuduje plan. Kolejność i słowne oceny w tabeli to moje uproszczenie, nie pomiar.

Skalę różnicy pokazuje jedyna liczba, jaką podaje vendor. Anthropic w opisie swojego systemu badawczego z wieloma agentami (czerwiec 2025) pisze, że agenci zużywali u niego około 4 razy więcej tokenów niż zwykły czat, a system wieloagentowy około 15 razy więcej. To dane z jednego systemu, nie norma, ale wystarczą, żeby nie dokładać agentów „na wszelki wypadek”.

Recenzja wyniku (jeden agent pisze, drugi sprawdza według kryteriów) nie jest piątym wzorcem. Anthropic nazywa ją pętlą ewaluatora i optymalizatora, Microsoft opisuje ją jako wariant czatu grupowego. Działa tylko z konkretnymi kryteriami odbioru, inaczej daje pozorną niezależność ocen. Jedna uwaga o nazwach: Microsoft używa angielskiego „dispatcher” (dyspozytor) także dla prostego routingu, który tylko klasyfikuje wejście i kieruje je do właściwego agenta. Jeśli takie przypisanie wystarcza, to jest tańsze niż każdy z czterech wzorców.

Cztery wzorce współpracy agentów AI i ich koszt, uproszczenie autora. Najpierw sprawdź jednego agenta z narzędziami. Wzorzec 1, sekwencja: agent po agencie, wynik jednego to wejście następnego; ryzyko: błąd idzie dalej; koszt narasta krok po kroku i jest przewidywalny. Wzorzec 2, równoległość: kilku agentów naraz na tym samym wejściu, wyniki się scala; ryzyko: sprzeczne wyniki; koszt: skok zużycia naraz plus scalanie. Wzorzec 3, dyspozytor: agent-menedżer dzieli zadanie, zleca części i scala wynik; ryzyko: pętla planowania; koszt najtrudniejszy do przewidzenia. Wzorzec 4, przekazanie: jeden aktywny agent oddaje sprawę specjaliście ze stanem rozmowy; ryzyko: pętla przekazań; koszt rośnie z każdym przekazaniem. Według Anthropic system wieloagentowy zużył około 15 razy więcej tokenów niż czat.
Cztery wzorce współpracy agentów: sekwencja, równoległość, dyspozytor i przekazanie, z ryzykiem i kosztem. Uproszczenie autora na podstawie Anthropic, OpenAI i Microsoft; stan na 6.10.2026.

Jeśli dwie części korzystają z tego samego dokumentu i prowadzą do jednej decyzji, równoległość nie zawsze przyspieszy pracę. Każdy agent musi przeczytać materiał, a ktoś później rozwiązać rozbieżności. Korzyść warto zmierzyć, zamiast przyjmować ją na podstawie schematu architektury.

Nie każdy etap wymaga modelu. Walidację pól, obliczenie sumy czy sprawdzenie uprawnienia może wykonać zwykły kod. Stały przepływ z kilkoma wywołaniami modeli może być łatwiejszy do utrzymania niż system samodzielnie ustalający wszystkie kolejne kroki.

Przykład: przygotowanie złożonej oferty

Załóżmy dydaktycznie, że firma przygotowuje ofertę na rozwiązanie obejmujące produkt, usługę i późniejsze utrzymanie. Część techniczna wymaga sprawdzenia zgodności parametrów. Część handlowa korzysta z zatwierdzonego cennika. Część realizacyjna ocenia potrzebne zasoby i zależności. Te zadania można rozdzielić, o ile mają wspólne wejście i jasne granice.

Koordynator (dyspozytor z tabeli wyżej) przekazuje każdej roli identyfikator sprawy, wersję wymagań i zakres pytania. Wynik wraca w uzgodnionym formacie: ustalenia, źródła, braki oraz decyzje wymagające człowieka. Agent handlowy nie może uznać technicznego przypuszczenia za potwierdzoną możliwość produktu.

Scalenie powinno wykrywać konflikty. Jeśli propozycja terminu realizacji zakłada standardowy produkt, a analiza techniczna wskazuje modyfikację, system ma zgłosić zależność. Nie powinien wygładzać dwóch tekstów w jedną przekonującą ofertę, ukrywając sprzeczność.

Ostateczne zatwierdzenie pozostaje po stronie wskazanej osoby. W tym przykładzie system pomaga przygotować decyzję; nie otrzymuje automatycznie prawa do złożenia zobowiązania wobec klienta. Zakres autonomii trzeba ustalić oddzielnie dla odczytu, przygotowania i wykonania działania.

Zdefiniuj kontrakt przekazania pracy

Każde przekazanie powinno określać oczekiwany wynik, dozwolone źródła i sposób zgłoszenia braku danych. Sam komunikat „sprawdź to dokładnie” nie mówi, co agent ma oddać ani kiedy zakończyć analizę. Dobrze zaprojektowany kontrakt ogranicza liczbę dodatkowych rozmów.

Zachowuj identyfikatory źródeł i wersje materiałów. Streszczenie może pomijać zastrzeżenie potrzebne kolejnej roli. Jeśli decyzja zależy od dokładnego zapisu, następny etap powinien móc odczytać właściwy fragment oryginału, a nie polegać wyłącznie na interpretacji poprzednika.

Ustal też sposób zgłaszania niepowodzenia. Brak wyniku, brak dostępu i brak danych to różne stany. Koordynator powinien wiedzieć, czy ponowić operację, skierować pytanie do człowieka czy zakończyć zadanie częściowym raportem. Nie każda luka uzasadnia kolejną rundę generowania.

Jak ograniczyć koszt bez utraty potrzebnej kontroli?

Koszt rośnie wraz z liczbą wywołań, długością przekazywanych materiałów i liczbą powtórzeń. Jeśli każdy agent otrzymuje całą historię wszystkich innych, system może wielokrotnie analizować informacje niepotrzebne do jego zadania. Przekazuj kontekst dobrany do roli oraz odsyłacze do materiałów potrzebnych w razie wątpliwości.

Zapisz limit rund i warunek zakończenia. Recenzja powinna odnosić się do konkretnych błędów, nie generować bez końca alternatywnych wersji. Gdy wynik spełnia kryteria, dalsze przeredagowywanie może zwiększać koszt i wprowadzać nowe pomyłki.

Porównuj koszt kompletnej sprawy z prostszym wariantem. Do rachunku wlicz scalanie, kontrolę człowieka, nieudane próby i utrzymanie. Szybkie wykonanie kilku części nie oznacza sukcesu, jeśli ich połączenie trwa dłużej niż dotychczasowa praca.

Testuj współpracę, nie tylko pojedyncze odpowiedzi

PróbaOczekiwane zachowanieCo może ujawnić
Sprzeczne wyniki agentówJawny konflikt do rozstrzygnięciaUkrywanie rozbieżności w podsumowaniu
Niedostępne źródłoZgłoszenie lukiWymyślone potwierdzenie
Ponowione żądanieBrak podwójnej operacjiPowtórzenie skutku biznesowego
Zmieniona wersja dokumentuWykrycie nieaktualnego wejściaScalenie nieporównywalnych analiz
Przekroczony limit rundKontrolowane zakończenieNieskończona wymiana poleceń
Nieuprawnione działanieOdrzucenie przez warstwę narzędziPoleganie wyłącznie na instrukcji modelu

Recenzent oparty na podobnym modelu może powtarzać ten sam błąd co wykonawca. Dlatego do ważnych kontroli używaj źródeł, reguł i testów niezależnych od wygenerowanej opinii. Zgodność dwóch agentów jest informacją pomocniczą, nie dowodem poprawności.

Wspólny stan wymaga jednego miejsca zapisu

Jeżeli kilku agentów może zmieniać ten sam dokument lub rekord, pojawia się ryzyko nadpisania pracy. Dwie role mogą odczytać starą wersję, przygotować poprawki i zapisać je kolejno, gubiąc część wyniku. Samo polecenie „współpracujcie” nie rozwiązuje takiego konfliktu.

Przydziel odpowiedzialność za fragmenty albo zastosuj kontrolowany etap scalania. Dla operacji biznesowych użyj mechanizmu wykrywania zmiany wersji i identyfikatora żądania. Koordynator powinien wiedzieć, czy zapis faktycznie się udał. Komunikat agenta o wykonaniu zadania nie zastępuje odczytu potwierdzającego stan w systemie źródłowym.

W przykładzie oferty poszczególne role mogą tworzyć osobne wkłady, a jedna warstwa integracyjna buduje wersję do zatwierdzenia. Takie ograniczenie daje czytelny ślad odpowiedzialności i ułatwia powrót do konkretnego fragmentu podczas korekty.

Co utrzymywać po uruchomieniu?

Rejestruj przebieg zadania na poziomie pozwalającym odtworzyć źródło pomyłki: wejście, wybraną rolę, narzędzie, wynik i decyzję. Ogranicz jednocześnie dostęp do logów zawierających dane firmowe. Obserwowalność nie uzasadnia kopiowania wszystkich poufnych dokumentów do każdego systemu diagnostycznego.

Zmiana jednej roli może wpłynąć na pozostałe, dlatego po aktualizacji sprawdź pełny przepływ. Granice samodzielnego działania rozwija tekst o agentach półautonomicznych.

Zanim dodasz kolejnego agenta, zapisz jedno zdanie: jaką odrębną odpowiedzialność przejmuje i po czym poznasz poprawę. Jeżeli nie potrafisz tego wskazać, najpierw uprość istniejący przepływ. Dobry system wieloagentowy rozdziela realną pracę i zachowuje czytelną odpowiedzialność za wynik.

Portret Krzysztofa Majchrzyckiego

O autorze

Krzysztof Majchrzycki jest architektem systemów i AI Business Partnerem. Od wielu lat łączy technologię z biznesem i zarządzaniem. Współtworzył firmy technologiczne i kierował polskim oddziałem międzynarodowej grupy. Dziś projektuje modele firm i inteligentne systemy operacyjne, które z nich wynikają. Ukończył Executive MBA i ma certyfikat Prosci® Certified Change Practitioner.

Naucz się projektować współpracę agentów u klienta

Kurs Forward Deployed AI Engineer w Akademii: od wyboru wzorca i kontraktu przekazania do testów całego procesu w firmie.