Scientific and analytical journal «Vestnik Saint-Petersburg university of State fire service of EMERCOM of Russia» Scientific and analytical journal «Vestnik Saint-Petersburg university of State fire service of EMERCOM of Russia» Научно-аналитический журнал "Вестник Санкт-Петербургского университета ГПС МЧС России" 2218-130X 128595 10.61260/2218-130Х-2026-2-111-119 ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ INFORMATICS, COMPUTER ENGINEERING AND CONTROL ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ ANALYSIS OF ARCHITECTURAL COMPONENTS OF MULTI-AGENT SYSTEMS АНАЛИЗ АРХИТЕКТУРНЫХ КОМПОНЕНТОВ МУЛЬТИАГЕНТНЫХ СИСТЕМ https://orcid.org/0000-0003-4810-8734 Саратова Татьяна Евгеньевна Saratova Tatyana Evgen'evna saratova@mirea.ru Апухтин Александр Михайлович Apuhtin Aleksandr Mihaylovich gtmaleksa@gmail.com МИРЭА – Российский технологический университет Россия MIREA – Russian Technological University Russian Federation МИРЭА – Российский технологический университет Россия MIREA – Russian university of technology Russian Federation 01 07 2026 01 07 2026 2026 2 111 119 26 05 2026 27 06 2026 https://journals.igps.ru/en/nauka/article/128595/view

Целью работы является анализ архитектурных компонентов мультиагентных систем на основе больших языковых моделей. Метод исследования – сравнительный анализ архитектур MetaGPT, Generative Agents, AutoGen, OrgAgent, MIRIX и ChatDev по единому набору критериев (организация ролей, память, координация, структурированные результаты, взаимодействие, проверка качества) с последующей интеграцией компонентов в единую систему и опытной проверкой на задачах двух типов в одноагентном и мультиагентном режимах. Установлено, что на рассмотренных задачах мультиагентный режим уступает одноагентному по качеству (оценки 3,0 и 4,5 против 9,0 по десятибалльной шкале). Выявлена архитектурная причина: несоответствие типа задачи набору действий в конфигурации ролей. Обнаружена закономерность: при интеграции трех контуров проверки – детектора отказов, проверки соответствия и контура принятия решений – возникает способность к самодиагностике, не наблюдаемая ни в одной из рассмотренных систем по отдельности. Три контура согласованно определили ненадежность результата и отказались его выдать. Данное свойство отличается от известных подходов к диагностике мультиагентных систем, где анализ выполняется после завершения работы. Результаты могут быть использованы при проектировании мультиагентных систем для задач с высокой ценой ошибки.

The aim of this work is to analyze the architectural components of LLM-based multi-agent systems. The research method involves a comparative analysis of MetaGPT, Generative Agents, AutoGen, OrgAgent, MIRIX, and ChatDev architectures against a uniform set of criteria (role organization, memory, coordination, structured outputs, communication, quality control), followed by integration of the components into a single system and experimental evaluation on two task types in single-agent and multi-agent modes. It is found that on the examined tasks the multi-agent mode underperforms the single-agent baseline in quality (scores of 3,0 and 4,5 versus 9,0 on a ten-point scale). The architectural cause is identified: a mismatch between task type and the preconfigured action chain. A pattern is discovered: the integration of three verification loops – a failure detector, a compliance check, and a decision-making loop – produces a self-diagnosis capability not observed in any of the examined systems individually. The three loops jointly identified result unreliability and refused to deliver it. This property differs from known multi-agent systems diagnostic approaches where analysis is performed after task completion. The results may be applied when designing multi-agent systems for tasks where the cost of error is high.

 мультиагентные системы большие языковые модели архитектура агентов память агентов координация самодиагностика multi-agent systems large language models agent architecture agent memory coordination self-diagnosis

Wooldridge M. An Introduction to MultiAgent Systems. Wiley, 2009. 484 p. Wooldridge M. An Introduction to MultiAgent Systems. Wiley, 2009. 484 p. Минцберг Г. Структура в кулаке: создание эффективной организации / пер. с англ. СПб.: Питер, 2004. 512 с. Mincberg G. Struktura v kulake: sozdanie effektivnoj organizacii / per. s angl. SPb.: Piter, 2004. 512 s. Large Language Model based Multi-Agents: A Survey of Progress and Challenges / T. Guo [et al.] // arXiv:2402.01680. 2024. Large Language Model based Multi-Agents: A Survey of Progress and Challenges / T. Guo [et al.] // arXiv:2402.01680. 2024. Multi-Agent Collaboration Mechanisms: A Survey of LLMs / K.-T. Tran [et al.] // arXiv:2501.06322. 2025. Multi-Agent Collaboration Mechanisms: A Survey of LLMs / K.-T. Tran [et al.] // arXiv:2501.06322. 2025. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework / S. Hong [et al.] // Proc. ICLR. 2024. arXiv:2308.00352. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework / S. Hong [et al.] // Proc. ICLR. 2024. arXiv:2308.00352. ChatDev: Communicative Agents for Software Development / C. Qian [et al.] // Proc. ACL. arXiv:2307.07924. 2024. ChatDev: Communicative Agents for Software Development / C. Qian [et al.] // Proc. ACL. arXiv:2307.07924. 2024. OrgAgent: Organize Your Multi-Agent System like a Company / Wang [et al.] // arXiv:2604.01020. 2026. OrgAgent: Organize Your Multi-Agent System like a Company / Wang [et al.] // arXiv:2604.01020. 2026. Generative Agents: Interactive Simulacra of Human Behavior / J.S. Park [et al.] // Proc. ACM UIST. arXiv:2304.03442. 2023. Generative Agents: Interactive Simulacra of Human Behavior / J.S. Park [et al.] // Proc. ACM UIST. arXiv:2304.03442. 2023. MIRIX: Multi-Agent Memory System for LLM-Based Agents / Wang [et al.] // arXiv:2507.07957. 2025. MIRIX: Multi-Agent Memory System for LLM-Based Agents / Wang [et al.] // arXiv:2507.07957. 2025. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation / Q. Wu [et al.] // arXiv:2308.08155. 2023. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation / Q. Wu [et al.] // arXiv:2308.08155. 2023. Why Do Multi-Agent LLM Systems Fail? / M. Cemri [et al.] // Proc. NeurIPS (Datasets and Benchmarks Track). arXiv:2503.13657. 2025. Why Do Multi-Agent LLM Systems Fail? / M. Cemri [et al.] // Proc. NeurIPS (Datasets and Benchmarks Track). arXiv:2503.13657. 2025. Role-Based Access Control Models / R. Sandhu [et al.] // IEEE Computer. 1996. Vol. 29. № 2. P. 38–47. Role-Based Access Control Models / R. Sandhu [et al.] // IEEE Computer. 1996. Vol. 29. № 2. P. 38–47. Towards Self-Improving Error Diagnosis in Multi-Agent Systems / Zhang [et al.] // arXiv:2604.17658. 2026. Towards Self-Improving Error Diagnosis in Multi-Agent Systems / Zhang [et al.] // arXiv:2604.17658. 2026. DiLLS: Interactive Diagnosis of LLM-based Multi-agent Systems via Layered Summary / R. Sheng [et al.] // Proc. CHI. arXiv:2602.05446. 2026. DiLLS: Interactive Diagnosis of LLM-based Multi-agent Systems via Layered Summary / R. Sheng [et al.] // Proc. CHI. arXiv:2602.05446. 2026.