Одна агентная сессия держит задачу в одном диалоге: поставил цель, дождался кода, проверил, поправил. Проблемы начинаются, когда сессий становится несколько, в разных ветках и репозиториях. Код агенты пишут так же быстро, а перенос результата от планирования к реализации, пересказ контекста и объяснение ревьюеру, что проверять, ложатся на разработчика руками. Автор разбора на Habr описал результат так: «этому ответил, за тем присмотрел, этот вообще встал посередине и ждёт».
Практический критерий: оркестрация оправдана, когда ручная передача контекста между планированием, реализацией и ревью стала реальным узким местом. Пока узкое место в другом месте, второй и третий агент добавляют не скорость, а работу. Ниже признаки, по которым это видно на своём проекте, аргументы за отдельного ревьюера с чистым контекстом, классификация инструментов по типу управляемых сущностей и практики, которые сокращают число холостых прогонов.
Где заканчивается помощь агентов и начинается работа диспетчера
Одиночная сессия помнит, что решили на этапе плана, и сама переходит к правкам. При параллельной работе это преимущество исчезает. У каждой сессии своя ветка, свой бриф и своё представление о том, зачем нужна задача. Знание о требованиях, ограничениях и уже принятых решениях между сессиями не переходит. Каждый стык превращается в ручную операцию: сформулировать следующее действие, пересказать сделанное, объяснить ревьюеру, что именно проверять.
Диспетчерская работа узнаётся по характеру дня. Вы отвечаете одному агенту, присматриваете за вторым, третий встал на вопросе и ждёт. Продуктовых решений за день принимается меньше, чем сообщений отправлено ботам.
Налог на передачу работы: сколько стоит пересказ контекста между агентами
Издержки удобно считать одной величиной. Каждая передача между ролями складывается из трёх действий: пересказать контекст, поставить задачу, проверить результат. Пока задача ходит по кругу, на ожидание и восстановление контекста уходит больше времени, чем на саму работу. В кейсе у этого есть название: налог на передачу работы.
Обычная разработка платит этот налог на стыках продакт - инженер - тестировщик. Агентный конвейер его не отменяет, а добавляет стыков: каждая роль теперь отдельный участник со своим контекстом, и пересказывать приходится чаще. Если гнать каждую задачу через все роли и самому таскать между ними контекст, это шаг назад: просто ждать теперь приходится собственных ботов.
Самопроверка без инструментов занимает пять минут. Первое: посмотрите, на что ушёл день. Если большая его часть ушла на формулирование задач агентам, пересказ контекста и разбор возвратов, а решения по продукту принимались урывками, оркестрация стала узким местом. Второе: где копится очередь. Задачи, застрявшие на согласовании и на передаче, дают другой диагноз, чем задачи, застрявшие на коде. Третье: восстановление после паузы. Если после перерыва вы не помните, в каком состоянии какая сессия, и читаете логи вместо работы, контекст живёт в вашей голове, а не в артефактах. Проценты здесь не нужны, этих трёх наблюдений хватает для решения.
Шесть часов и четырнадцатый круг ревью: как выглядит зацикливание
Зацикливание выглядит не как ошибка, а как бурная деятельность. В кейсе задача висела открытой шесть часов, а рецензент к этому моменту шёл на четырнадцатый круг ревью. Каждый круг приносил новые замечания, и это ключевой сигнал: если каждый новый прогон находит свежие замечания, сломана сама постановка задачи, а не качество исполнителя. Чинить нужно формулировку: что считаем готовым, какие ограничения действуют, что не трогаем.
Действие в этой ситуации одно. Автор остановил процесс и отдал задачу архитектору, чтобы сначала разобраться, что вообще чиним. Дальше задача возвращается в работу уже с внятным описанием.
Причина зацикливания в устройстве задания. Сессия без понятных ограничений не имеет стоп-условия. Ревью формулируется как «найди проблемы», а не «проверь соответствие трём критериям», поэтому источник замечаний не исчерпывается никогда: на каждый круг находится что-то ещё. Проверяемый критерий приёмки работает стоп-условием. Как только он выполнен, круг заканчивается, даже если ревьюер видит потенциальные улучшения.
Практический признак, что пора вмешаться, лежит в поведении самого разработчика: вы ловите себя на том, что раз в двадцать-тридцать минут коситесь на окно агентов, не встал ли кто-то на вопросе и не пошёл ли по кругу. Такое наблюдение означает, что цикл живёт сам, а вы обслуживаете его ожидания.
Почему второй агент-ревьюер с чистым контекстом полезнее самопроверки
Соблазн очевидный: попросить того же агента перепроверить свою работу в том же диалоге. Два исследования объясняют, почему это слабая замена отдельному ревьюеру. Оба касаются механизмов работы модели, а не ревью кода как такового, и эту границу важно держать в голове.
Потеря информации в середине контекста: что это значит на практике
Работа Lost in the Middle: How Language Models Use Long Contexts показывает: производительность на поиске релевантной информации в длинном контексте значительно падает при изменении позиции этой информации. Максимум обычно приходится на начало или конец входа, а заметная деградация начинается, когда нужные данные лежат в середине, причём и у моделей, заявленных как long-context.
В рабочем диалоге это выглядит знакомо. Требование, осевшее в середине переписки, к десятому сообщению перестаёт учитываться, хотя формально всё ещё присутствует в контексте. Отсюда два правила. Требования и критерии приёмки держите в начале постановки и повторите в конце, а не рассчитывайте, что агент вытащит их из середины истории. Ревьюеру отдавайте задачу, критерии и diff, а не всю переписку исполнителя: чистый контекст убирает и размытую середину, и шум обсуждения.
Граница применимости: исследование проводилось на задачах multi-document QA и key-value retrieval. Это аргумент о том, как модели используют длинный вход, а не измерение качества ревью кода. Переносить вывод на свою задачу разумно как гипотезу, которую проверяет практика.
Слабость самокоррекции LLM: почему «проверь себя» не работает
Вторая работа, Large Language Models Cannot Self-Correct Reasoning Yet, разбирает внутреннюю самокоррекцию: модель пытается исправить ответ только на основе собственных возможностей, без внешней обратной связи. Результат: без внешнего сигнала LLM плохо находят ошибки в собственных рассуждениях, а иногда после самокоррекции качество падает.
Смысл для ревью простой. Просьба «проверь себя» обращается к тому же контексту, в котором ошибка уже зафиксирована, и модель склонна подтверждать собственный ответ. Отдельный ревьюер с чистым контекстом получает внешний вход: постановку, критерии приёмки, diff. Это снижает конкретный риск подтверждения ошибки, хотя и не гарантирует качества.
Ограничение: работа касается рассуждений без внешней обратной связи. Самопроверка с тестами, линтерами и компилятором работает иначе, и выводы статьи этот режим не покрывают. Внешняя обратная связь тоже бывает ошибочной, поэтому критерий приёмки должен быть проверяемым: падающий тест, конкретная команда, ожидаемое поведение. История диалога исполнителя такому критерию не соответствует.
Инструменты оркестрации AI-агентов: делим по типу управляемых сущностей
Класс инструмента определяется тем, чем вы управляете, а не брендом в названии. Практичнее делить оркестрацию по типу управляемых сущностей: сессии, фоновые задачи с diff, команды с ролями, личные ассистенты. Каждый класс закрывает свой сценарий, требует своих действий от разработчика и ломается по-своему.
| Класс | Чем управляете | Какую задачу решает | Что требует от вас | Где ломается |
|---|---|---|---|---|
| Сессии | Отдельными диалогами по задачам и ветками | Параллельная работа над независимыми задачами | Свой бриф каждой сессии и дисциплина переключения | Контекст не переходит между сессиями |
| Фоновые задачи с diff | Заданиями, результат которых приходит патчем | Механические правки, тесты, рефакторинг без участия в процессе | Просмотр diff до слияния и критерий готовности | Разбор конфликтов и повторная постановка руками |
| Команды с ролями | Ролями с разными входами и выходами | Задачи, где планирование, реализация и ревью требуют разного контекста | Формализованные критерии приёмки и эскалации | Ручной перенос контекста между ролями |
| Личные ассистенты | Постоянным контекстом и повторяющимися операциями | Регулярные действия с накопленным знанием о проекте | Обслуживание базы знаний и правил доступа | Ошибки в устаревшем контексте |
Сессии и фоновые задачи с diff: минимальная оркестрация
Сессии дают изоляцию работы: задача в своей ветке, результат не смешивается с чужими правками. Фоновые задачи с diff добавляют второе свойство: патч можно посмотреть до слияния и отклонить целиком. Для механических правок, обновления тестов и мелкого рефакторинга этого уровня хватает.
Ручная работа на этом уровне никуда не исчезает: пересказ контекста при переходе к следующей ветке, постановка задачи ревьюеру, разбор конфликтов при слиянии. Критерий перехода на следующий уровень простой: если вы регулярно вручную объясняете одно и то же двум-трём исполнителям, роли пора формализовать, потому что пересказ стал повторяющейся операцией, а не разовой.
Команды с ролями и личные ассистенты: когда усложнение оправдано
Команда с ролями полезна, когда роли действительно разные по входу и выходу. Планировщик отдаёт план и критерии приёмки, исполнитель отдаёт diff, ревьюер отдаёт список нарушений по этим критериям. Если у «ролей» одинаковый вход и одинаковый выход, вы получили три копии одного агента и трижды заплатили за один результат.
Личный ассистент закрывает другой сценарий: постоянный контекст и повторяющиеся операции, где важна преемственность знаний о проекте, а не разовая задача. Смешивать эти классы не стоит: ассистент с накопленной памятью плохо подходит для чистого ревью, потому что приносит в проверку весь груз прошлых обсуждений.
Есть и третий путь, когда фреймворк не нужен вовсе: оркестрацию берёт на себя структура директорий с markdown-промптами и локальными скриптами. Подробно этот подход разобран в материале об Interpretable Context Methodology: он снижает объём контекстного окна, но подходит для последовательных пайплайнов и хуже масштабируется на несколько человек.
Проверка на одном живом сценарии: как отваливаются сырые инструменты
Список функций ничего не говорит о зрелости инструмента. Проверка делается на одном реальном сценарии из своего проекта: взять задачу, которая уже была сделана руками, прогнать её целиком и смотреть не на демо, а на поведение при ошибках. В кейсе часть решений отвалилась именно из-за сырости и непрозрачных ошибок, а не из-за отсутствия возможностей.
Во время прогона фиксируйте четыре вещи. Понятно ли, на каком шаге агент встал, или сообщение об ошибке не содержит ни шага, ни причины. Можно ли восстановить контекст после сбоя, не начиная заново. Видно ли, что именно изменилось в файлах, до слияния. Сколько ручных действий пришлось сделать на стыках, которые инструмент обещал снять.
Критерий отказа формулируется заранее: если после нескольких прогонов вы не можете объяснить, почему агент остановился, инструмент не готов к рабочему процессу, каким бы привлекательным он ни выглядел. Граница самостоятельной проверки проходит здесь: зрелость оценивается практикой на своём сценарии, а не чтением документации. Логика границ применимости в целом разобрана в статье про магазин за два вечера, где показано, как ломается процесс после добавления одного требования.
Команда агентов в Multica: пересказ задачи, критерии приёмки и эскалации
В кейсе команда агентов с ролями работала в Multica. Устройство ролей и очереди вопросов внутри самого инструмента в исходном описании не раскрыто, поэтому ниже правила дисциплины, которые переносятся на любую среду с ролями и эскалациями. Проверять их стоит на своём сценарии, а не принимать на веру.
Пересказ задачи перед стартом: как поймать расхождение до кода
Механизм простой: перед началом работы агент формулирует задачу и критерии приёмки своими словами, разработчик сверяет формулировку с замыслом. Расхождение в понимании видно до первой строки кода, когда исправление стоит одной реплики, а не переписывания ветки.
Признак успеха: в пересказе появились детали, которых вы не писали, и часть из них неверна. Это нормально и полезно, именно такие места и надо править. Ограничение: пересказ ловит неверное понимание постановки, но не гарантирует правильную реализацию, поэтому приёмка всё равно нужна отдельно.
Критерии приёмки и эскалации в Inbox: как не дать агенту зависнуть
Проверяемое правило приёмки - это конкретное условие, которое можно проверить, а не оценочное суждение. Работают формулировки вида: тест из набора проходит, эндпоинт возвращает заданную структуру, изменены только перечисленные файлы, публичные интерфейсы не тронуты. Не работают: сделай хорошо, аккуратно, оптимально.
Эскалация в Inbox устроена как передача вопроса человеку вместо бесконечных попыток. Агент, который не может выполнить критерий, останавливается и поднимает вопрос, а не начинает новый круг. Это прямой способ не доводить дело до четырнадцати кругов ревью: у цикла появляется выход в сторону человека.
Чтобы эскалация срабатывала, перечислите заранее, что агент не имеет права решать сам: архитектурные развилки, изменения схемы данных, добавление зависимостей. На каждый такой пункт правило остановки. Иначе агент примет решение молча, и вы узнаете о нём на этапе ревью, когда цена переделки выше.
Регулярная проверка на недорогой модели и режим «человек над циклом»
Промежуточные проверки логично делать на недорогой модели: они ловят грубые расхождения между постановкой и результатом раньше, чем запускается дорогой прогон с полным контекстом. Экономию в процентах без замеров обещать не стоит, а вот порядок проверок выбрать можно: сначала дешёвая сверка формулировок, потом дорогая реализация, потом ревью.
Режим «человек над циклом» означает распределение ответственности: человек утверждает постановку и приёмку, агенты выполняют и отчитываются. Отличие от диспетчерской работы в том, что вы не обслуживаете цикл вопросами и пересказами, а принимаете решения на двух контрольных точках. Про обратную сторону делегирования полезно прочитать материал о переходе от задач к целям: агент над целью требует метрик прогресса, триггеров запуска и правил остановки, иначе контроль теряется.
Деньги, безопасность и привязка к поставщику: что проверить до внедрения
Скрытые издержки оркестрации проявляются не в первый день. Их проще перечислить заранее, чем обнаружить в середине квартала.
Расход токенов и лимиты подписки при параллельных агентах
Токены съедают три вещи: пересказ контекста в каждом новом диалоге, повторные прогоны ревью и длинные истории, которые тащатся из шага в шаг. Параллельные агенты умножают это на число сессий, а если работа идёт под подпиской, все они делят один лимит, и упор в потолок выглядит как отказ посреди задачи.
Снижают расход те же практики, что и число кругов: критерий приёмки, который проверяется однозначно, и ранняя проверка на недорогой модели. Конкретные цены и тарифы зависят от провайдера и меняются, поэтому проверять нужно свою фактическую нагрузку: сколько прогонов в день, какой средний размер контекста, что происходит при исчерпании лимита.
Плагины вне песочницы, лицензии и привязка к вендору
Расширения и инструменты, которые получают доступ к файлам, сети и переменным окружения, расширяют поверхность риска. Отдельный вопрос: под какой лицензией распространяется сам инструмент оркестрации и что можно с его помощью распространять. Облачные агенты крупных вендоров удобны в старте, но ограничивают контроль над окружением, кодом и данными.
Чек-лист вопросов до того, как процесс завязан на инструмент:
- Какие права получает плагин или расширение: чтение файлов, запись, сеть, доступ к секретам.
- Есть ли песочница и что происходит при попытке выйти за её границы.
- Что попадает в логи и кто их читает.
- Под какой лицензией инструмент и совместима она с вашим способом использования.
- Насколько легко заменить провайдера модели: сколько кода и процессов придётся переписать.
- Что нужно сделать при уходе от вендора и сколько это стоит по времени.
Критерий оценки один: стоимость выхода. Если смена поставщика означает переписать постановку задач, критерии приёмки и логи, вы привязаны к нему сильнее, чем кажется.
С чего начать: одна задача, один исполнитель, одно правило приёмки
Минимальный старт выглядит скучно и работает: одна задача, один исполнитель, одно проверяемое правило приёмки. Задача берётся из реальной работы, а не из демо. Правило формулируется так, чтобы результат можно было проверить без спора: тест проходит, вывод совпадает с эталоном, изменены только разрешённые файлы.
Следующий шаг - второй агент-ревьюер с чистым контекстом. Он получает постановку, критерии и diff, но не историю диалога исполнителя. Дальше добавляются эскалации: список решений, которые агент не принимает сам, и правило остановки на них. Практика настройки виртуальных исполнителей с доступами и границами ответственности разобрана в кейсе про агентов в Jira, где ревью и финальное решение остаются за человеком.
Оркестратор добавляют по одному признаку: ручные передачи контекста стали реальным узким местом. Не гипотетическим неудобством, а местом, где задачи стоят в очереди, а день уходит на пересказ. Пока такого места нет, одна задача, один исполнитель и одно правило приёмки дают больше, чем команда ботов, которой нужен диспетчер.