Тема узких агентов против широких продолжает расширяться в профессиональном сообществе. Если месяц назад это было наблюдение отдельных команд, то теперь видео разработчика David Ondrej собрало десятки тысяч просмотров на YouTube именно потому, что подтверждает то, что многие заметили в своей практике: больше функций на агента — хуже результаты.

Суть феномена простая, но на первый взгляд неинтуитивная. Когда агенту доступно много инструментов, он чаще выбирает неправильный. Система становится неустойчивой: огромное пространство возможных действий, обилие данных о доступных функциях — это не помогает LLM принимать решения, а наоборот, повышает энтропию. Агент затрачивает больше токенов на размышления о том, что выбрать, чаще ошибается, требует больше переизмышлений. Практика в редакции подтверждает: агент с пятью хорошо описанными функциями работает стабильнее, чем с пятнадцатью.

Альтернативный подход, который обсуждают в сообществе: динамическая загрузка функций в контекст в зависимости от задачи, маршрутизация через специализированные агенты вместо монолитного, явное предоставление только релевантных инструментов на каждом шаге. Это требует больше архитектурной сложности, но результат стабильнее и дешевле в плане расходов токенов.

Для российского бизнеса это практически значимо, когда речь идёт об автоматизации сложных процессов. Компания может либо наделить одного агента всеми функциями ЭДО, CRM, учёта и документооборота, либо создать сеть узкоспециализированных агентов: один — за документы, другой — за клиентские данные, третий — за финансовый учёт. Первый подход кажется экономнее на словах, второй оказывается экономнее в работе. На платформах вроде AI Studio можно реализовать оба варианта, но практика показывает, что второй подход снижает количество ошибок и переделок в 2-3 раза.

Интересно, что эта закономерность совпадает с наблюдениями из теории систем и классического программирования: специализированные функции надёжнее, чем универсальные. Но в контексте LLM это было предположением, а не доказанным фактом. Теперь есть эмпирика.

Ожидаемо, что в ближайших месяцах появятся ещё тесты и уточнения. Например, зависит ли эффект от размера модели, от качества описания функций, от типа задачи. Пока видно лишь общую картину. Но даже её достаточно, чтобы пересмотреть подход у тех, кто уже развернул агентов.

Алексей Мартыненко

Алексей Мартыненко

Главный редактор SPV News

Этот результат отлично объясняет, почему первые попытки создать универсальные AI-помощники часто разочаровывают, несмотря на мощные модели. Проблема не в интеллекте системы, а в архитектуре. Когда мы даём агенту слишком много контекста и инструментов, мы не расширяем его возможности — мы размываем его способность принимать чёткие решения. Это урок для всех, кто строит системы автоматизации: сначала нужно определить границы задачи, потом подбирать инструменты, а не наоборот.