> For the complete documentation index, see [llms.txt](https://kotovich.gitbook.io/ua/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://kotovich.gitbook.io/ua/2.-multiagentni-sistemi-rozbir.md). # 2. Мультиагентні системи Розбір Мультиагентні системи без коду: як побудувати команду ШІ-експертів у звичайному чаті
## Команда ШІ-агентів без мук із Cursor та Cline: як влаштована і з чого почати Візьмемо завдання типового лізингового брокера: підготувати клієнту КП. Потрібно зібрати графіки платежів від кількох лізингових компаній, порахувати подорожчання та переплату, порівняти умови, вибрати найкращі варіанти та запакувати все у комерційну пропозицію для клієнта. Якщо ви просто користуєтеся ChatGPT, кожен крок потрібно виконувати в окремому чаті. Це вже швидше, ніж руками, але все ще вимагає постійного залучення: потрібно переносити дані, копіювати промпти, кілька разів відповідати на уточнюючі питання, давати правки по кожному кроці. Альтернативно можна автоматизувати цей процес за допомогою інструментів на кшталт **Claude Code**, **Cursor** чи **Cline**. Мабуть, це найбільш надійний і масштабований варіант, проте поріг входу в ці інструменти значно вищий. Потрібен час, щоб їх освоїти та налаштувати під себе: обсяг матеріалів у мережі показує, що людям складно з цим розібратися самостійно. Більшості користувачів все ще звичніше спілкуватися в стандартних інтерфейсах ChatGPT, Claude і Gemini. Хороша новина: команду ІІ-агентів, які можуть вирішувати комплексні бізнес-завдання, можна розгорнути й так. Головне — грамотно прописати набір інструкцій для кожного агента та сценарії роботи. У статті розповім, як влаштовані мультиагентні системи (MAS), чому для них не обов'язкові складні технічні середовища та які результати вони приносять бізнесу. ### Загальні принципи мультиагентної системи MAS (Multi-Agent System, мультиагентна система) — це ІІ-середовище, в якому над завданням працюють кілька спеціалізованих агентів. Найпростіше уявити її як команду. * **На чолі стоїть агент-оркестратор**, аналог керівника проекту. Він спілкується з користувачем: приймає завдання, ставить уточнюючі питання, розбиває роботу на етапи та вирішує, яких агентів підключити. Сам він нічого не рахує: його робота в тому, щоб процес йшов правильно і результат сходився в єдине ціле. * **Далі йдуть агенти-фахівці**. Кожен відповідає за конкретну експертизу: фінанси, юриспруденцію, продукт тощо. Вони виконують свої ділянки роботи послідовно, передаючи результати одне одному. * **За ними стоїть контрольний шар (мета-агенти)**. Їхнє завдання — валідувати результат, робити факт-чек та контролювати якість. Це дозволяє системі регулювати саму себе та знижувати кількість помилок без участі людини на кожному кроці.
Замикає конструкцію **база знань**. У систему потрібно заздалегідь закласти робочі методології (наприклад, SWOT або JTBD), шаблони документів та контекст компанії: продукти, цифри, обмеження, цілі. ### Як MAS влаштована всередині По суті, MAS — це набір пов'язаних текстових інструкцій. Типова структура файлів виглядає так: * **system:** Системні інструкції: хто такий агент, що він робить, які обмеження, як взаємодіє. * **Профілі агентів:** Місія, методології, алгоритми та артефакти. У бібліотеці може бути від 10 до 100 агентів, але під конкретне завдання оркестратор підбирає лише мінімально достатній набір (3–5). * **skills:** Методології та чек-листи: аналіз ринку, побудова вирви, розрахунок юніт-економіки. * **templates:** Каркаси вихідних документів: висновки, ризики, рекомендації, наступні кроки. * **scripts:** Сценарії для запуску регулярних завдань. * **referats:** Зразки, стандарти, перевірені джерела. * **matrix knowledge:** Навігаційна карта бази: за нею оркестратор швидко знаходить необхідні правила. * **Контекст:** Бізнес-контекст компанії та персональні KPI користувача.
### Де таку систему можна розгорнути Система живе у файлах, тому вона універсальна. Якщо ви використовуєте агентські інструменти типу Claude Code чи Cursor, MAS розгортається там. Але ця архітектура чудово працює і в звичайному **ChatGPT Plus**: файли завантажуються в "Project" або кастомний GPT, і оркестратор веде процес прямо у діалозі. Жодного коду чи серверів. Для простих завдань підійдуть безкоштовні моделі, для складних — краще використовувати платні версії від Google, Anthropic чи OpenAI. ### Кейси впровадження #### 1. Call-центр: Оптимізація прибутковості Аутсорсинговий call-центр: 200+ операторів, 18 корпоративних клієнтів. Виручка зростала, але прибуток стояв на місці через збиткові контракти. Система розподілила роботу: фінансист перерахував економіку клієнтів, операційник розібрав простої, стратег порівняв моделі контрактів, ризиковик оцінив вигоряння персоналу. **Результати за 4 місяці:** * Маржа зросла на 4,5 відсоткові пункти. * Кількість збиткових контрактів скоротилася з 6 до 1. * Додатковий прибуток: \~150 000 – 200 000 грн на рік (EBITDA). #### 2. Виробник обладнання: Вихід на новий ринок Завод на 250+ співробітників, що виходив у сегменти HoReCa без чіткого позиціонування. Система проаналізувала вимоги мереж, стандарти сервісу та сформувала три сценарії позиціонування, розрахувавши економіку по кожному. **Результати за 4 місяці:** * Кількість нових великих клієнтів: з 1 до 3 на квартал. * Середній чек зріс на 15%. * Частка нових сегментів у виручці: з 9% до 18%. * Додатковий прибуток: \~400 000 грн. ROI впровадження оцінили у 300%. *Застереження: систему налаштовують під процеси компанії — на це потрібен час. Фінальні рішення завжди ухвалює керівництво.* ### Коли впроваджувати MAS? * Завдання повторюється регулярно. * Висока ціна помилки (стратегія, фінмодель). * Потрібно кілька експертиз одночасно. * Важливий єдиний стандарт якості. ### З чого почати 1. **Виберіть одне болюче завдання:** Повторюване, дороге за часом, зі зрозумілим результатом. 2. **Зафіксуйте стандарт:** Який саме документ потрібен на виході. 3. **Зберіть контекст:** Методології, шаблони та дані, які вже використовують люди. 4. **Запустіть пілот:** Налаштуйте 1-2 функції та заміряйте економію часу. 5. **Масштабуйте:** Якщо пілот успішний, додавайте суміжні завдання. **Підсумуємо:** MAS — це цифрова команда, що закриває рутинний процес. Для її складання не потрібні розробники — достатньо грамотного підходу до формування інструкцій, збору контексту та обкатки системи на тестових завданнях.