YouTube-канал David Ondrej поднял тему, которая вызвала оживленную дискуссию в AI-сообществе: агенты с расширенным набором навыков показывают худшие результаты, чем узкоспециализированные модели. На первый взгляд это противоречит логике масштабирования, но за этим стоит реальная проблема в архитектуре современных LLM-агентов.

Суть проблемы в том, что когда модель знает о слишком большом количестве инструментов и методов решения, её токены внимания распределяются между ними неэффективно. Агент начинает «размываться» в выборе, тратя вычислительный бюджет на анализ множества вариантов вместо глубокого решения одной задачи. Это похоже на известный эффект в нейросетях: чем больше параметров, тем сложнее модели находить оптимальные веса без переобучения.

Вместо расширения набора действий эффективнее работает специализация под конкретную задачу или контекст. Речь идёт о том, чтобы агент имел не 20 универсальных инструментов, а 3-5 хорошо откалиброванных под конкретную работу. Какой-то версией такого подхода пользуются разработчики при создании агентов для узких доменов — от обработки документов до аналитики данных.

Это имеет прямое отношение к разработке рабочих систем в России. Когда компания внедряет AI-агент для автоматизации процессов, искушение добавить ему «всё возможное» огромно. Но практика показывает: лучше начать с одной четко определённой задачи (например, парсинг счетов или обработка заявок), максимально подогнать модель под неё, чем пытаться создать универсального помощника. Инструменты вроде AI Studio, которые позволяют быстро настраивать агентов под конкретный workflow, показывают, что узкая специализация даёт стабильность и предсказуемость — то, что критично для бизнеса.

Дополнительно обсуждается, что количество инструментов нужно балансировать с качеством инструкций. Если агент получает 20 действий, но инструкции размыты и не учитывают специфику контекста, результаты будут хуже, чем если бы он решал ту же задачу с 3 чётко описанными функциями. Это толкает разработчиков в сторону более зрелого подхода к prompt engineering и иерархической организации агентов.

Практический выход: вместо одного мегаагента лучше несколько узких специалистов, которые координируются на уровне orchestration. Такая архитектура проще для отладки, понятнее в поведении и требует меньше токенов на выполнение одной задачи.

Алексей Мартыненко

Алексей Мартыненко

Главный редактор SPV News

Этот результат пробивает одно из стойких заблуждений в области AI: что мощность всегда лучше. На практике в ежедневной работе с агентами мы видим ровно то же самое — попытка сделать систему более универсальной часто приводит к тому, что она становится менее надёжной на конкретных задачах. Это урок не для теории, а для реальной разработки: сначала сужай задачу, потом расширяй, если действительно нужно.