Как построить мультиагентную систему на Amazon Bedrock: отказ от одного промпта в пользу коллаборации Nova 2 Lite и Nova Act

Почему один агент всегда проигрывает команде

Представьте, что вы просите одного человека спланировать сложное путешествие: выбрать отели, забронировать билеты, найти рестораны, составить маршрут. Даже самый опытный турагент начнет путаться в деталях. То же самое происходит с single-agent системами на базе LLM.

Я видел десятки проектов, где пытались запихнуть все в один запрос к Claude или GPT-4. Результат? Полурабочие системы, которые требуют постоянной доработки. Пока не нашел лучшего решения, чем мультиагентная архитектура.

Nova 2 Lite и Nova Act: почему эта пара работает

Amazon в 2025 году выпустил Nova 2 Lite - оптимизированную модель для быстрых ответов. А Nova Act заточен под выполнение конкретных действий. Вместе они создают идеальный тандем.

Зачем разделять? Nova 2 Lite дешевле и быстрее для анализа. Nova Act точнее для действий. Вместо того чтобы платить за мощную модель для простых задач, вы используете каждую по назначению.

Архитектура: как заставить агентов работать вместе

Вот схема, которая работает в продакшене:

# Псевдокод архитектуры
class MultiAgentTravelSystem:
    def __init__(self):
        self.orchestrator = Nova2LiteAgent()  # Дирижер
        self.specialists = {
            'hotel': NovaActAgent(skills=['booking', 'search']),
            'flight': NovaActAgent(skills=['api_integration', 'pricing']),
            'itinerary': NovaActAgent(skills=['planning', 'optimization']),
            'dining': NovaActAgent(skills=['recommendation', 'reservation'])
        }
    
    def process_request(self, user_query):
        # 1. Orchestrator анализирует запрос
        task_breakdown = self.orchestrator.analyze(user_query)
        
        # 2. Распределение задач между специалистами
        results = {}
        for task_type, task_details in task_breakdown.items():
            if task_type in self.specialists:
                results[task_type] = self.specialists[task_type].execute(task_details)
        
        # 3. Сборка финального ответа
        return self.orchestrator.synthesize(results)

1 Настройка Bedrock и создание агентов

Сначала подготовьте окружение. Убедитесь, что у вас есть доступ к Nova 2 Lite и Nova Act в Bedrock. Эти модели стали доступны по умолчанию с конца 2025 года.

# Установка последней версии boto3 (актуально на 09.02.2026)
pip install boto3>=1.34.0

# Проверка доступности моделей в вашем регионе
aws bedrock list-foundation-models \
    --query "models[?contains(modelId, 'nova')].{id:modelId, status:modelLifecycle.status}" \
    --output table

Создайте базовый класс агента. Не повторяйте ошибку многих - не делайте монолитный класс. Каждый агент должен быть независимым модулем.

import boto3
import json
from typing import Dict, Any

class BaseAgent:
    def __init__(self, model_id: str):
        self.client = boto3.client('bedrock-runtime', region_name='us-east-1')
        self.model_id = model_id
    
    def invoke(self, prompt: str, **kwargs) -> Dict[str, Any]:
        """Базовый метод вызова модели"""
        body = json.dumps({
            "prompt": prompt,
            "max_tokens": kwargs.get('max_tokens', 1000),
            "temperature": kwargs.get('temperature', 0.7)
        })
        
        response = self.client.invoke_model(
            modelId=self.model_id,
            body=body,
            contentType='application/json'
        )
        
        return json.loads(response['body'].read())

2 Создание оркестратора на Nova 2 Lite

Оркестратор - самый важный компонент. Он не выполняет работу, а только распределяет. Используйте Nova 2 Lite, потому что она быстрая и дешевая для этой задачи.

class OrchestratorAgent(BaseAgent):
    def __init__(self):
        # Используем последнюю версию Nova 2 Lite
        super().__init__('amazon.nova-2-lite-v1:0')
        
    def analyze_query(self, user_query: str) -> Dict:
        """Анализирует запрос и разбивает на подзадачи"""
        prompt = f"""
        Ты - дирижер мультиагентной системы. Проанализируй запрос пользователя и определи, 
        какие типы задач нужно выполнить.
        
        Запрос: {user_query}
        
        Доступные специалисты:
        1. hotel_agent - поиск и бронирование отелей
        2. flight_agent - поиск и бронирование авиабилетов
        3. itinerary_agent - составление маршрута
        4. dining_agent - рекомендации по ресторанам
        
        Верни JSON в формате:
        {{
            "tasks": [
                {{"type": "hotel", "description": "..."}},
                {{"type": "flight", "description": "..."}}
            ]
        }}
        """
        
        response = self.invoke(prompt, max_tokens=500)
        return json.loads(response['generated_text'])

3 Создание специалистов на Nova Act

Каждый специалист - это Nova Act с конкретными инструментами. Вот пример агента для работы с отелями:

class HotelAgent(BaseAgent):
    def __init__(self):
        # Используем Nova Act для выполнения действий
        super().__init__('amazon.nova-act-v1:0')
        self.tools = {
            'search_hotels': self._search_hotels,
            'check_availability': self._check_availability,
            'make_booking': self._make_booking
        }
    
    def execute(self, task_description: str) -> Dict:
        """Выполняет задачу по работе с отелями"""
        prompt = f"""
        Ты - специалист по бронированию отелей. Выполни задачу:
        {task_description}
        
        Доступные инструменты:
        1. search_hotels - поиск отелей по критериям
        2. check_availability - проверка доступности
        3. make_booking - создание бронирования
        
        Определи, какие инструменты нужны, и используй их.
        """
        
        # Nova Act умеет работать с инструментами через специальный синтаксис
        response = self.invoke(prompt, max_tokens=800)
        
        # Обработка ответа и вызов реальных инструментов
        return self._process_tool_calls(response)
    
    def _search_hotels(self, criteria: Dict) -> str:
        # Интеграция с реальным API поиска отелей
        # Например, через Amazon Location Service
        return "Найдено 5 отелей, соответствующих критериям"
    
    def _process_tool_calls(self, response: Dict) -> Dict:
        # Парсинг ответа Nova Act и вызов инструментов
        # Nova Act возвращает структурированные вызовы инструментов
        pass

Обратите внимание: Nova Act специально обучен для работы с инструментами. Он понимает, когда нужно вызвать API, когда выполнить расчет. Это его ключевое преимущество перед обычными моделями.

4 Реализация коммуникации между агентами

Самая сложная часть - заставить агентов общаться без потери контекста. Не используйте сложные протоколы. Простой JSON работает лучше всего.

class CommunicationBus:
    """Шина обмена сообщениями между агентами"""
    
    def __init__(self):
        self.messages = []
        
    def send(self, from_agent: str, to_agent: str, message: Dict):
        """Отправка структурированного сообщения"""
        self.messages.append({
            'timestamp': time.time(),
            'from': from_agent,
            'to': to_agent,
            'content': message,
            'type': message.get('type', 'task')
        })
        
    def get_messages_for(self, agent_name: str) -> List[Dict]:
        """Получение сообщений для конкретного агента"""
        return [
            msg for msg in self.messages 
            if msg['to'] == agent_name
        ]

# Пример сообщения между агентами
message_template = {
    'type': 'data_request',  # или 'result', 'error', 'coordination'
    'task_id': 'unique_id',
    'data_needed': {'dates': '2026-03-15', 'location': 'Paris'},
    'priority': 'high',
    'deadline': 3600  # секунд
}

Почему JSON, а не какой-нибудь fancy протокол? Потому что все модели понимают JSON. Потому что его легко дебажить. Потому что не нужно подключать дополнительные библиотеки.

Распространенные ошибки и как их избежать

За 2 года работы с мультиагентными системами я собрал коллекцию типичных ошибок:

• Слишком много агентов - 3-5 специалистов достаточно для большинства задач. Если нужно больше, вероятно, архитектура неверна
• Отсутствие таймаутов - агент может "задуматься" на минуту. Ставьте жесткие лимиты: 30 секунд на анализ, 60 секунд на выполнение
• Циклические зависимости - агент A ждет ответ от B, B ждет ответ от A. Добавляйте максимальное количество итераций
• Игнорирование стоимости - Nova 2 Lite в 3 раза дешевле Nova Act. Используйте это: легкие задачи - дешевой модели, тяжелые - дорогой

Производительность и стоимость: цифры

Давайте посчитаем на примере системы планирования путешествий:

Почему быстрее? Потому что задачи выполняются параллельно. Пока один агент ищет отели, другой уже ищет билеты. В single-agent системе все делается последовательно.

Когда эта архитектура не подойдет

Мультиагентные системы - не серебряная пуля. Не используйте их, если:

1. Задача простая (ответ на вопрос, перевод текста)
2. Нет бюджета на разработку (архитектура сложнее в поддержке)
3. Требуется минимальная задержка (каждый агент добавляет overhead)
4. Нет доступа к разным моделям (нужны хотя бы 2 разные модели)

Для простых задач используйте Coreness или стандартные Bedrock Agents. Не усложняйте без необходимости.

Что дальше? Эволюция мультиагентных систем

К февралю 2026 года я вижу три тренда:

• Специализированные модели - появятся агенты для конкретных доменов (медицина, юриспруденция, финансы)
• Автоматическая оркестрация - системы будут сами определять, сколько агентов нужно и как их распределить
• Гибридные архитектуры - комбинация Nova, Claude и открытых моделей в одной системе

Уже сейчас Amazon тестирует Nova 3 (инсайдерская информация). Она должна лучше работать в мультиагентных сценариях. Следите за обновлениями.

Главный урок: один умный промпт никогда не заменит команду специалистов. Особенно когда каждый специалист использует подходящий инструмент. Nova 2 Lite и Nova Act - это как скальпель и хирургические ножницы. Каждый для своей задачи.

Попробуйте. Сравните результаты. И напишите мне, сколько времени и денег удалось сэкономить.