Архитектура масштабируемых мультиагентных систем с Azure AI Foundry

By Mirko Peters · 2026-08-28

Добро пожаловать обратно в блог! Если вы следите за нашим подкастом, вы знаете, что мы постоянно изучаем, как современная автоматизация уходит от изолированных, однопромптовых взаимодействий с ИИ и движется к совместным мультиагентным фреймворкам…

Automatically translated with AI from the original post. Read the English original

Добро пожаловать обратно в блог! Если вы следите за нашим подкастом, вы знаете, что мы постоянно изучаем, как современная автоматизация уходит от изолированных взаимодействий с ИИ по принципу «один промпт — один ответ» и движется к совместным мультиагентным фреймворкам. В этой статье мы подробно разберём технические детали проектирования надёжных и масштабируемых мультиагентных систем. Мы рассмотрим, как такие платформы, как Azure AI Foundry, предоставляют базовую архитектуру, необходимую для управления общим контекстом, оркестрации событийно-управляемых передач задач и поддержания отказоустойчивости корпоративного уровня.

Нужно ли вам автоматизировать сложные операции с облачной инфраструктурой или упростить корпоративный комплаенс, понимание того, как объединять несколько специализированных ИИ-агентов, — ключ к следующему уровню организационной продуктивности. Давайте разберём конкретные паттерны, модели и инструменты, которые вам необходимо знать.

Пользовательские требования к мультиагентным системам

Потребности пользователей

Понимание того, чего хотят пользователи, очень важно при планировании мультиагентных систем. Необходимо выяснить, каких результатов пользователи ожидают от этих систем. Это помогает убедиться, что системы достигают поставленных целей. Вот некоторые распространённые потребности пользователей в бизнес-среде:

Модульные и масштабируемые решения: Пользователям нужны системы, которые могут расти вместе с их потребностями. Это позволяет организациям при необходимости добавлять или удалять агентов.
Центральный оркестратор: Нужна главная система, которая управляет задачами и отслеживает агентов. Это помогает агентам хорошо работать вместе и поддерживает стабильную работу всей системы.
Непрерывный мониторинг: Пользователи хотят постоянно проверять состояние агентов. Ключ к поддержанию устойчивости системы — возможность быстро устранять неполадки.
Надёжные системы безопасности: Сохранность данных и соблюдение правил имеют очень большое значение. Пользователям нужна уверенность в том, что их системы защищены от угроз.

Фокус на этих потребностях помогает создавать мультиагентные системы, которые работают лучше и быстрее.

Функциональные спецификации

Функциональные спецификации описывают, как должны работать мультиагентные системы. От них зависит, насколько хорошо система работает и масштабируется. Вот несколько важных моментов, которые стоит учесть:

Адаптивность: Мультиагентные системы могут меняться за счёт добавления специализированных агентов. Это помогает повысить производительность и позволяет системе расти.
Отказоустойчивость: Наличие резервных компонентов в мультиагентных системах делает их устойчивыми. Это важно для стабильной работы в различных условиях.
Совместное решение задач: Агенты объединяются и используют свои разные навыки. Такая совместная работа эффективнее использует ресурсы и помогает быстрее решать сложные задачи по сравнению с однoагентными системами.

Чтобы качественно собрать функциональные спецификации, попробуйте следующие методы:

Метод	Описание	Обратная связь пользователей
Мультиагентный подход на основе ИИ	Использует ИИ-агентов для сбора и анализа потребностей, создания и ранжирования пользовательских историй.	Смешанные отзывы; пользователи предлагают добавить функции и улучшить варианты поиска.

Мультиагентная система использует большие языковые модели (LLM) для анализа потребностей. Эти модели создают пользовательские истории на основе идей проекта, улучшают их и ранжируют по важности. Этот понятный метод помогает качественно собирать потребности пользователей.

Понимая потребности пользователей и задавая чёткие функциональные спецификации, вы сможете создавать мультиагентные системы, которые отвечают сегодняшним задачам и адаптируются к будущим.

Модели в Azure AI Foundry

Доступные модели

Azure AI Foundry предлагает множество моделей для различных задач в мультиагентных системах. Вы можете выбрать специализированных агентов, которые работают вместе, чтобы быстро решать сложные задачи. Вот некоторые важные агенты:

Основной агент «Triage»: использует ConnectedAgentTools для обработки входящих задач и их правильного распределения.
Агент приоритетов: оценивает срочность задач, чтобы определить, какие из них требуют быстрой помощи.
Агент команды: передаёт задачи нужной команде для решения.
Агент трудоёмкости: оценивает объём и сложность задач, чтобы рационально использовать ресурсы.

Помимо этих агентов, Azure AI Foundry предлагает мощные AI-модели для разных задач:

gpt-5.1: отлично подходит для задач, требующих глубокого анализа и многоэтапных рассуждений.
claude-sonnet-4-6: обеспечивает эффективные решения для программирования и командной работы.
claude-opus-4-6: лучший выбор для промышленного кода, безопасности и бизнес-задач.
gpt-5.1-codex: ориентирована на фронтенд-разработку и интерактивные задачи.
claude-haiku-4-5: быстрая и экономичная модель с высоким уровнем интеллекта.
DeepSeek-V3.1: улучшает работу с инструментами и поддерживает разные режимы рассуждений.

Эти модели помогают собрать команду агентов, которые хорошо взаимодействуют друг с другом и тем самым повышают эффективность системы.

Критерии выбора модели

Выбор подходящей модели для вашей мультиагентной системы очень важен. Учтите следующие ключевые моменты, чтобы сделать правильный выбор:

Критерий	Описание
Соответствие задаче	Сопоставьте сильные стороны модели с вашими потребностями, например чат, рассуждения или мультимодальные задачи.
Стратегия маршрутизации моделей	Используйте интеллектуальный выбор, чтобы направлять запросы к лучшей модели с учётом стоимости, качества или типа задачи.
Ограничения по стоимости	Убедитесь, что модель укладывается в ваш бюджет на использование и развёртывание.

Выбор моделей в мультиагентных системах очень важен. Разные модели лучше справляются с разными задачами. Модели, ориентированные на выполнение инструкций, быстро обрабатывают множество запросов. Модели, ориентированные на рассуждения, отлично подходят для планирования и исправления ошибок. Правильное распределение задач между моделями может существенно повысить производительность и надёжность вашей системы.

Azure AI Foundry также позволяет адаптировать решение под ваши конкретные потребности. Такие возможности, как Connected Agents, помогают разбивать сложные задачи на более простые роли. Multi-Agent Workflows обеспечивают организованное управление с контролем состояния и исправлением ошибок. Для создания и управления агентами можно использовать как инструменты без кода, так и фреймворки с открытым исходным кодом.

Зная доступные модели и применяя эти критерии выбора, вы сможете создать мультиагентную систему, которая хорошо работает и соответствует потребностям вашей организации.

Архитектура мультиагентной системы

Multi-Agent System Architecture

Ключевые компоненты

Надёжная архитектура мультиагентной системы включает важные части, которые помогают агентам эффективно работать вместе и обмениваться информацией. Вот их краткий обзор:

Компонент	Описание
Общий контекст	Этот уровень позволяет каждому агенту видеть одно и то же основное состояние. Это важно для совместной работы.
Передача по событиям	Эта возможность обеспечивает слабую связанность агентов при сохранении понятной истории действий.
Согласованные определения	Это гарантирует, что все агенты принимают решения одинаковым образом, что повышает производительность системы.
Владение с единственным записывающим	Определяет, кто может выполнять запись, что обеспечивает чёткие результаты работы агентов.
Обслуживание признаков в реальном времени	Помогает рациональнее использовать ресурсы, исключая повторную работу агентов.
Обнаружение конфликтов	Задаёт способы поиска и устранения проблем, возникающих, когда агенты действуют над одним и тем же объектом.
Наблюдаемость	Это ключевой элемент для устранения неполадок: он позволяет отслеживать решения и данные во всех агентах.
Управление контрольными точками	Отслеживает, на каком этапе находится каждый конвейер обработки, что помогает устранять сбои при отказах агентов.

Эти части совместно формируют надёжную архитектуру, которая поддерживает масштабирование и надёжность мультиагентных систем.

Шаблоны взаимодействия агентов

От того, как агенты взаимодействуют, во многом зависит эффективность мультиагентных систем. К распространённым шаблонам относятся:

Совместный паттерн: агенты работают вместе и делят задачи для достижения общих целей. Это помогает распределять ресурсы и снижает лишнюю нагрузку.
Паттерн «командование и контроль»: он задаёт чёткие правила принятия решений и структуры управления. Хотя это может ускорить процессы, в меняющихся условиях он способен их замедлить.
Обмен сообщениями: агенты отправляют структурированные сообщения с запросами, командами или информацией. Это помогает поддерживать слабую связанность и позволяет обмениваться данными асинхронно, что важно для эффективной совместной работы.

Такие паттерны взаимодействия помогают агентам работать согласованнее, повышая производительность и устойчивость сложных систем. Применяя их, вы сможете сделать архитектуру мультиагентной системы более эффективной.

Инструменты в Azure AI Foundry

Tools in Azure AI Foundry

Песочница агентов AI Foundry

AI Foundry Agent Playground — отличный инструмент для создания и тестирования мультиагентных систем. Это пространство без кода заметно упрощает работу. Вы можете выбирать модели, настраивать агентов и задавать им конкретные задачи и знания. В playground также есть инструменты для проверки производительности, например трассировка и метрики оценки. Это помогает в реальном времени видеть, насколько хорошо работают ваши агенты.

В playground можно пробовать различные конфигурации и рабочие процессы. Такая гибкость помогает понять, как агенты взаимодействуют между собой и реагируют на задачи. Вы можете быстро менять архитектуру на основе результатов её работы. Playground позволяет создавать эффективные мультиагентные системы без глубоких знаний программирования.

Интеграция Semantic Kernel

Добавление Semantic Kernel в Azure AI Foundry существенно улучшает ваши мультиагентные системы. Semantic Kernel предоставляет гибкий SDK. Он позволяет создавать, управлять и использовать ИИ-агентов, которые надёжны и адаптивны. Эта интеграция помогает в сложных рабочих процессах, где агенты совместно решают задачи, и хорошо работает с различными API.

Чтобы добавить Semantic Kernel, выполните следующие шаги:

Войдите в Microsoft Foundry.
Откройте проект, в котором настроена модель.
Перейдите в раздел Models + endpoints и выберите развёрнутую модель.
Скопируйте URL-адрес конечной точки и ключ.
Задайте переменные среды для URL-адреса конечной точки и ключа.
Создайте клиент для подключения к конечной точке с помощью приведённого кода.

Эта интеграция помогает создавать агентов, которые лучше справляются с поиском и сложными задачами. Semantic Kernel помогает организовать сложные бизнес-операции. Используя эту платформу, вы обеспечите согласованную работу агентов и повысите производительность всей системы.

В Azure AI Foundry также есть множество инструментов для разработки мультиагентных систем. Вот краткий обзор некоторых ключевых возможностей:

Инструмент/возможность	Описание
Connected Agents	Помогает агентам работать вместе, разбивая сложные задачи на части.
Параллельная оркестрация	Позволяет агентам работать одновременно, ускоряя рабочие процессы.
Возможности логирования	Важны для отслеживания и управления взаимодействием агентов и результатами их работы.

Эти инструменты хорошо работают с существующими ИТ-системами и обеспечивают стабильную работу мультиагентных систем в организации. Azure AI Foundry поддерживает простую оркестрацию через рабочие процессы и размещённых агентов, улучшая взаимодействие между системами.

Используя AI Foundry Agent Playground и интегрируя Semantic Kernel, вы сможете создавать надёжные мультиагентные системы, которые повышают эффективность и инновационность вашей работы.

Azure AI Foundry помогает создавать надёжные мультиагентные системы. Такие системы повышают автоматизацию и эффективность. Вы получите следующие преимущества:

на 37,6% выше точность при работе со специальными агентами
Время выполнения сокращается до 33%
Меньше затрат на контроль и меньше ошибок
Архитектура, которая масштабируется и справляется со сложными задачами

Совет: используйте Connected Agents и Multi-Agent Workflows. Они помогают строить гибкие системы, которые работают как человеческие команды. Эти возможности позволяют отслеживать ход работы, управлять задачами и легко подключать множество инструментов.

В будущем Azure AI Foundry будет улучшать взаимодействие агентов и организацию задач. Это сделает вашу автоматизацию умнее и надёжнее. Используя эту платформу, вы помогаете организации внедрять инновации и повышать продуктивность благодаря умной командной работе.

Часто задаваемые вопросы

Что такое многоагентная система?

Многоагентная система состоит из нескольких агентов, которые работают вместе. Они помогают решать задачи и выполнять работу. У каждого агента своя роль, что позволяет им лучше взаимодействовать и добиваться хороших результатов.

Как Azure AI Foundry поддерживает многоагентные системы?

Azure AI Foundry предоставляет инструменты и модели для создания, управления и совершенствования многоагентных систем. Платформа помогает агентам слаженно работать вместе и автоматизирует сложные задачи.

Можно ли настраивать агентов в Azure AI Foundry?

Да, агентов в Azure AI Foundry можно изменять. Вы можете задать их роли, навыки и способ взаимодействия в соответствии с потребностями вашей организации. Это помогает им работать максимально эффективно.

Какие преимущества дают многоагентные системы?

Многоагентные системы улучшают автоматизацию, повышают эффективность процессов и ускоряют выполнение задач. Они также помогают повысить точность и лучше распределять ресурсы в различных процессах.

Нужно ли знать программирование, чтобы использовать Azure AI Foundry?

Нет, для использования Azure AI Foundry программировать не нужно. В платформе реализована настройка без кода, поэтому вы можете легко создавать и управлять многоагентными системами без глубоких знаний в программировании.

🎧 Слушайте этот выпуск

Хотите практическое объяснение темы Build Reliable Intune and Entra ID Agents? В этом выпуске тема разобрана понятным языком и показано, почему она важна для Microsoft 365, Azure, Power Platform, безопасности, ИИ и современной работы. Для полного погружения в эти концепции обязательно посмотрите связанный подкаст: Build Reliable Intune and Entra ID Agents with Azure AI Foundry.

Слушайте этот выпуск, если вы хотите:

Понять ключевые концепции темы Build Reliable Intune and Entra ID Agents
Увидеть, как она вписывается в более широкую экосистему технологий Microsoft
Узнать, где она может принести практическую пользу вашей организации

Вам также могут понравиться эти связанные выпуски M365 FM:

Больше практичных материалов о Microsoft читайте на M365 FM.