УДК 004.89 УДК 004.75

АНАЛИЗ АРХИТЕКТУРНЫХ КОМПОНЕНТОВ МУЛЬТИАГЕНТНЫХ СИСТЕМ

Опубликовано в Научно-аналитический журнал "Вестник Санкт-Петербургского университета ГПС МЧС России" · Том 2026, Номер 2 · Страницы 111–119 · Рубрика: ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕ
DOI: https://doi.org/10.61260/2218-130X-2026-2-111-119
Получено: 26.05.2026 Одобрено: 27.06.2026 Опубликовано: 01.07.2026
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.
мультиагентные системы, большие языковые модели, архитектура агентов, память агентов, координация, самодиагностика
Текст Список литературы
Текст (PDF)
Читать Скачать

1. Wooldridge M. An Introduction to MultiAgent Systems. Wiley, 2009. 484 p.

2. Минцберг Г. Структура в кулаке: создание эффективной организации / пер. с англ. СПб.: Питер, 2004. 512 с.

3. Large Language Model based Multi-Agents: A Survey of Progress and Challenges / T. Guo [et al.] // arXiv:2402.01680. 2024.

4. Multi-Agent Collaboration Mechanisms: A Survey of LLMs / K.-T. Tran [et al.] // arXiv:2501.06322. 2025.

5. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework / S. Hong [et al.] // Proc. ICLR. 2024. arXiv:2308.00352.

6. ChatDev: Communicative Agents for Software Development / C. Qian [et al.] // Proc. ACL. arXiv:2307.07924. 2024.

7. OrgAgent: Organize Your Multi-Agent System like a Company / Wang [et al.] // arXiv:2604.01020. 2026.

8. Generative Agents: Interactive Simulacra of Human Behavior / J.S. Park [et al.] // Proc. ACM UIST. arXiv:2304.03442. 2023.

9. MIRIX: Multi-Agent Memory System for LLM-Based Agents / Wang [et al.] // arXiv:2507.07957. 2025.

10. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation / Q. Wu [et al.] // arXiv:2308.08155. 2023.

11. Why Do Multi-Agent LLM Systems Fail? / M. Cemri [et al.] // Proc. NeurIPS (Datasets and Benchmarks Track). arXiv:2503.13657. 2025.

12. Role-Based Access Control Models / R. Sandhu [et al.] // IEEE Computer. 1996. Vol. 29. № 2. P. 38–47.

13. Towards Self-Improving Error Diagnosis in Multi-Agent Systems / Zhang [et al.] // arXiv:2604.17658. 2026.

14. DiLLS: Interactive Diagnosis of LLM-based Multi-agent Systems via Layered Summary / R. Sheng [et al.] // Proc. CHI. arXiv:2602.05446. 2026.

Войти или Создать
* Забыли пароль?