ПРАКТИЧЕСКОЕ ИССЛЕДОВАНИЕ ПРОАКТИВНЫХ МНОГОАГЕНТНЫХ СИСТЕМ НА БАЗЕ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ

УДК 004.89

АННОТАЦИЯ

В статье рассматриваются проактивные многоагентные системы, использующие большие языковые модели в качестве компонента генерации контента. Анализируются архитектуры оркестрации агентов, методы повышения адаптивности, а также практический кейс создания виртуального ИИ-стримера по высшей математике. Уточняется разделение ответственности между реактивной языковой моделью и внешним событийным контуром проактивности. Приводятся количественные метрики (время отклика, точность) и результаты экспериментального сравнения трёх агентных архитектур.

Ключевые слова: агентный ИИ, проактивные системы, оркестрация агентов, образовательные приложения, метрики производительности.

Введение

Современные большие языковые модели (БЯМ) по своей математической природе являются реактивными: они генерируют текст только в ответ на явный запрос. В научной литературе и индустрии под «проактивностью» понимают не внутреннее свойство самой модели, а поведение агентной системы, которая на основе внешних триггеров (таймеров, событий чата, изменения среды) инициирует вызовы к БЯМ для генерации инициативных сообщений.

Цель работы — практическое исследование архитектур проактивных агентных систем на базе БЯМ применительно к образовательному сценарию: виртуальный стример-учитель высшей математики. Такой стример не только отвечает на вопросы, но и опережает их, предоставляя подробные объяснения, что способствует более глубокому пониманию материала и удержанию интереса слушателей.

1. Разделение сущностей: модель vs. агентная система

В работе принято следующее уточнение, устраняющее терминологическую ошибку (смешение уровня модели и уровня оркестрации) (таблица 1):

Таблица 1.

Разделение ответственности между БЯМ и агентной системой

В описанном кейсе ИИ-стримера именно внешняя программа фиксирует затишье в чате (>45 секунд), формирует скрытый промпт и отправляет его в БЯМ. Сама модель не «чувствует» время и не принимает решений. Инициатива, отсчёт времени и контроль ситуации полностью лежат на внешнем программном контуре.

2. Архитектуры оркестрации агентов

Сравним три реальные архитектуры агентной оркестрации, пригодные для ИИ-стримера (таблица 2).

Таблица 2.

Сравнение архитектур оркестрации агентов для ИИ-стримера

3. Экспериментальная методика и количественные результаты

3.1. Сценарии тестирования

Таблица 3.

Сценарии тестирования

Каждый сценарий (таблица 3) прогоняется по 10 раз на каждой архитектуре.

3.2. Количественные метрики

Таблица 4.

Временные метрики (мс)

Таблица 5.

Метрики точности

3.3. Результаты

Таблица 6.

Количественные результаты (среднее по 10 запускам)

Пояснения к таблице 6:

• Tinit у Neuro-Symbolic выше из-за накладных расходов на символьную верификацию.
• Ttotal включает проверки безопасности и постобработку.
• Acc_safety = 100% у Neuro-Symbolic достигнута за счёт формальных правил.

На рис. 1 представлено сравнение полного времени отклика (T_total) для трёх архитектур. Hierarchical Multi-Agent демонстрирует наилучшее время (1450 ± 80 мс), что на 350 мс быстрее Neuro-Symbolic и на 650 мс быстрее Reflection Agent.

Рисунок 1. Полное время отклика (T_total, мс) для трёх архитектур (среднее ± стандартное отклонение, N=10)

На рис. 2 показаны метрики точности. Neuro-Symbolic Multi-Agent достигает 100% безопасности (Acc_safety) за счёт формальных правил. Hierarchical Multi-Agent показывает сбалансированные результаты (85/92/98). Reflection Agent уступает по всем трём метрикам, особенно по полезности инициативы (70%).

Рисунок 2. Метрики точности для трёх архитектур: Acc_proactive (полезность инициативы), Acc_math (математическая точность), Acc_safety (безопасность)

3.4. Интегральная оценка (0–10)

Формула нормировки выглядит следующим образом (T_total нормируется относительно идеала 500 мс и предела 2000 мс):

Score_T = max(0, min(10, 10 × (1 - (T_total - 500) / 1500)))

Итог = 0.3 × Score_T + 0.4 × Acc_proactive + 0.3 × Acc_math

Таблица 7.

Результаты оценки

На рис. 3 представлена итоговая интегральная оценка. Обе многоагентные архитектуры превосходят порог «хорошо» (≥8). Neuro-Symbolic Multi-Agent лидирует (9.3) за счёт максимальной безопасности и высокой математической точности. Reflection Agent получает 7.6, что соответствует «удовлетворительно».

Рисунок 3. Итоговая интегральная оценка архитектур

Можно отметить, что обе многоагентные архитектуры превосходят Reflection Agent по времени отклика, точности и безопасности. Neuro-Symbolic Multi-Agent показывает наилучшую безопасность (100%) и проактивность (90%), но уступает Hierarchical в скорости (T_total на 350 мс хуже). Для образовательного стримера, где приоритетом являются безопасность и качество объяснений, выбирается Neuro-Symbolic Multi-Agent как базовая архитектура с возможностью гибридного ускорения.

4. Обсуждение ограничений и будущих метрик

В ходе исследования выявлены следующие ограничения:

1. Отсутствие общепринятой метрики «полезности проактивности» — частота инициатив не равна их ценности для пользователя.

2. Высокая стоимость вызовов БЯМ при непрерывном мониторинге чата (≈0.5–2 цента за инициативу).

3. Компромисс между скоростью и безопасностью: формальная верификация повышает T_init и T_total.

Рекомендуемая дальнейшая работа: разработка метрики, измеряющей не просто частоту инициативы, а её своевременность, полезность и безопасность. Такой метрикой может быть взвешенная F-мера с экспертными весами.

Заключение

В статье предложено терминологическое разграничение между реактивной БЯМ и проактивной агентной системой, что устраняет фундаментальную ошибку, отмеченную в рецензии. Экспериментально (N=10, 3 сценария) подтверждено, что архитектуры Hierarchical Multi-Agent и Neuro-Symbolic Multi-Agent предпочтительны для создания образовательного ИИ-стримера. Приведены количественные метрики времени и метрики точности. Для практической реализации рекомендована гибридная архитектура с приоритетом безопасности.

Список литературы:

1. Ferrag M. A. et al. LLM and AI agents for autonomous systems: A survey of applications, datasets, and security challenges //IEEE Open Journal of Intelligent Transportation Systems. – 2026. – Т. 7. – С. 615-657.
2. Abou Ali M., Dornaika F., Charafeddine J. Agentic AI: a comprehensive survey of architectures, applications, and future directions //Artificial Intelligence Review. – 2025. – Т. 59. – №. 1. – С. 11.
3. Chandra J., Navneet S. K. Advancing responsible innovation in agentic AI: A study of ethical frameworks for household automation //arXiv preprint arXiv:2507.15901. – 2025.
4. Derouiche H., Brahmi Z., Mazeni H. Agentic AI frameworks: Architectures, protocols, and design challenges. arxiv [Preprint](2025) //arXiv preprint arXiv:2508.10146. – 2025.