Vad är ett multiagentsystem? En praktisk handbok för ops

Vad är ett multiagentsystem? En praktisk handbok för ops

Vad är ett multiagentsystem? Det är en uppsättning AI-agenter som delar ett uppdrag mellan sig, var och en med sin egen roll, verktyg och kontextfönster, samordnat av en ledande agent eller en fastställd handöveringsordning. Om du redan kör en enskild agent och möter dess gränser, är det här den nästa arkitektur du bör förstå. Nedan: hur det fungerar i en ops-miljö och när det kostar mer än det återger.

Briefing 30 sekunder: en agent gör allt i en lång kontext. Ett multiagentsystem ger varje steg till en specialist och lägger till en samordnare. Du får parallellt arbete och renare resultat. Du betalar i tokens, latens och felsökningscyker.

Vad är ett multiagentsystem, i praktiska ops-termer?

Tänk på hur ditt team kör en affärsgranskning. En person hämtar kontokontroll. En annan jämför det mot din ideala kundprofil (ICP). En tredje skriver utkastet till uppfoljning. En ledare läser de tre utmatningarna och bestämmer vad som levereras.

Ett multiagentsystem kopierar denna form i mjukvara. Varje agent är ett modellanrop med en snäv instruktion, sina egna verktyg och sitt eget arbetsminnne. En samordnare delar uppgiften, skickar delarna och slår samman resultaten.

Tänk på ett konkret fall. En customer success-ledare (CS) vill ha en veckorapport för 40 konton. En agent som läser 40 supporthistorier, 40 användningsexporter och 40 förnyelseanmärkningar kommer att förlora röd tråd vid konto 15. Fyrtio små arbetare, var och en läser ett konto, sedan en ledare som rankar resultaten, kommer inte att göra det. Det är kärnidén: bryt ett brett uppdrag i smala uppdrag och sätt sedan samman dem.

Två egenskaper spelar roll. För det första håller varje agent bara det den behöver, så dess kontext är liten och fokuserad. För det andra utbyter agenter strukturerade resultat, inte fritt format-chatt. Hoppa över någon av dessa och du har en bullrig gruppchatt, inte ett system.

Hur skiljer det sig från en enskild agent eller en chatbot?

En chatbot svarar på en prompt. En enskild agent förföljer ett mål under flera steg och anropar verktyg längs vägen. Vi täckte detta gap i vår jämförelse agent mot chatbot.

Ett multiagentsystem lägger till ett tredje lager: flera agenter, var och en äger en skiva av målet. Skillnaden syns på tre ställen.

• Kontext. En enskild agent drar varje verktygsresultat genom ett fönster. Specialister ser var och en bara sin skiva.

• Parallellism. En agent arbetar i sekvens. En ledare kan starta fem arbetare samtidigt.

• Felläge. En agent fallerar helt. I ett system fallerar en arbetare och ledaren kan försöka bara den delen igen.

Det finns också en styrninsuppsida som ops-team tenderar att underbedöma. Eftersom varje arbetare har en snäv roll kan du ge den snäva behörigheter. Forskarrollen läser CRM:et. Bara slutsteget skriver till det. Om något går fel är sprängradien en roll, inte din hela pipeline.

Kostnaden för denna flexibilitet är samordning. Varje handöverinng är en plats där information försvinner eller förvrängs.

Hur fungerar ett multiagentsystem egentligen?

De flesta produktionsinställningar använder ett av tre mönster. Välj efter formen på ditt uppdrag, inte efter vad som låter avancerat.

Samordnare och arbetare. En ledande agent läser förfrågan, planerar, startar arbetare och slår samman deras resultat. Ledaren beslutar subtasken vid körning, baserat på vad hon hittar. Detta passar forskning och öppen förberedning.

Pipeline. Agenter körs i en fast ordning: Agent A:s utdata är Agent B:s indata. Ingen samordnare behövs. Detta passar arbete du redan kunde skriva som en standard operating procedure (SOP), såsom berikning, poäng, utkast.

Granskningscykel. En agent producerar, en annan kritiserar mot en checklista och den första reviderar. Detta passar något där kvalitetskontroller spelar större roll än hastighet, som utgående kopia eller kontraktsammanfattningar.

Anthrop publicerade den mest detaljerade offentliga genomgången av det första mönstret. I sitt blogginlägg om multiagent-forskningssystem överträffade en Claude Opus 4-ledare med Claude Sonnet 4-underagenter en enskild Claude Opus 4-agent med 90,2 % på Anthropics interna forskningsutvärdering. Läs det numret som ett resultat för öppen forskning, inte ett löfte för din CRM-rengöring.

Steg 1: Skriv delegationsuppdraget före allt annat

Det vanligaste felet är en vag handöverinng. "Forskadet om det här kontot" skickat till tre arbetare producerar tre överlappande svar och en bortkastad körning.

Ge varje arbetare fyra saker. Ett mål, ett utdataformat, de verktyg och kilder den får använda och en stoppregel. Det är hela avtalet.

Här är ett uppdrag för en prospektforskarar:

• Mål: lista de tre senaste finans- eller anställningssignalerna för ett konto.

• Format: en tabell med signal, datum, käll-URL.

• Verktyg: webssökning och endast CRM-posten.

• Stopp: efter fem kilder eller tio minuter, vilket som helst kommer först.

Skriv uppdraget en gång, spara det som en kommando och återanvänd det. I CommanderGPT betyder det ett /research slash-kommando med uppdraget inbakad, så ingen skriver om det. HQ-regler: ett kommando per arbetsroll, inga ad hoc-prompter.

Hur ser ett multiagent-arbetsflöde ut för ett GTM-team?

Ta förberedelse före samtal för en account executive. En enskild agent gör det i en lång passage och får vanligtvis den sista tredjedelen fel, för tidigt verktygsutdata fyller kontexten.

Den delade versionen körs så här:

1. /research hämtar finans-, anställnings- och nyhetssignaler.

2. /score-icp jämför kontot mot dina ICP-kriterier och returnerar ett passningspoäng med anledningar.

3. /draft-email skriver första-kontaktmeddelandet från de två strukturerade utmatningarna.

4. En granskningsagent kontrollerar utkastet mot din lista över förbjudna fraser och tonregler.

Lägg märke till vad delningen köper dig. Om mejlet låter av är det öppnar du steg 3:s indata och ser exakt vilken signal den matades. Med en enskild lång agent omläser du hela utskriften och gissar.

Stegen 1 och 2 kan köras parallellt när poängen inte beror på forskningen. Steg 3 väntar på båda. Det är ett litet multiagentsystem: tre arbetare, en granskare, en handöveringsregel.

Om du kör detta i ett kedjat arbetsflöde, förvänta dig att det tar längre tid än en enskild prompt. Mät det i din egen stack innan du lovar någon ett nummer. Vinsten är inte raw speed. Det är att varje stegs utdata är inspekterbara.

Var slår det en enskild agent och var förlorar det?

Multiagent tjänar sitt levebröd på arbete som delar sig rent. Forskning över många kilder, förberedelse över många konton och revisioner över många dokument kvalificerar sig. Arbetare körs sida vid sida och ledaren syr samman resultaten.

Det förlorar på tätt kopplat arbete. När steg 4 beror på varje detalj i stegen 1 till 3, tvingar splitting dem att pressa all denna detalj genom en sammanfattning. Anthropic gör samma punkt om sitt eget system: de flesta kodningsuppgifter har färre verkligt parallelliserbara bitar än forskning, och agenter är ännu inte bra på att samordna och delegera till varandra i realtid.

Hoppa över multiagent om något av dessa är sant:

• Uppgiften passar bekvämt i ett kontextfönster.

• Varje steg behöver den fulla detaljen från föregående.

• Du kan inte beskriva arbetsrollerna i en mening var.

• Jobbet körs några gånger per månad. Inställningstiden betalar aldrig tillbaka.

Värt att bygga om uppgiften är parallel, rollerna är distinkta och du kör den dagligen.

Vad kostar ett multiagentsystem?

Tokens, mestadels. Anthropic rapporterar att agenter använder cirka 4 gånger fler tokens än chatt, och multiagent-system cirka 15 gånger mer. Dessa siffror kommer från deras forskningsarbetsbelastning, så behandla dem som en storleksordning, inte ett citat för din räkning.

Den praktiska regeln: kör numren på en verklig uppgift före du skalar den. Räkna tokens per körning, multiplicera med körningar per vecka, jämför med minuterna sparade. Om ett förberedelsarbetsflöde sparar 20 minuter och kostar några dollar i modellöversättning, är det vanligtvis en fin handel. Om det sparar 2 minuter och kostar samma sak, är det det inte.

Latens är den andra kostnaden. Varje samordnarbeslut lägger till en rundresa. Begränsa antalet arbetare, begränsa omförsöken och sätt en hårdtimeout.

Vilka verktyg låter dig bygga en utan kod?

Du har tre realistiska vägar 2026.

Agentbuilders. No-code-verktyg låter dig definiera agenter och handöveringar visuellt. De passar återkommande affärsarbetsflöden och små team.

Kommandobaserad kedjning. Slash-kommandon och arbetsflödeskedjor passar team som vill ha återanvändbar, inspekterbara steg inom Slack eller en kommandopalette. Raycast täcker launcher-sidan, och CommanderGPT lägger till kedjning och delade teamet Playbooks på toppen.

Kodramverk. Om ditt team har ingenjörer ger ramverk full kontroll över samordning, till priset av underhåll. Ops-team utan denna kapacitet bör börja med de två första vägarna.

Oavsett vilken väg du väljer, logga varje handöverinng. När den slutgiltiga utmatningen är fel behöver du se vilken arbetare som producerade den dåliga inmatningen.

Vad går sönder först i ett multiagentsystem?

Tre saker, i den här ordningen.

Tysta partiella resultat. En arbetare tar timeout och returnerar inget, och ledaren skriver det slutgiltiga svaret ändå. Åtgärda det genom att kräva att varje arbetare returnerar en explicit status: gjord, delvis eller misslyckad.

Duplicerat arbete. Två arbetare får överlappande uppdrag och bränner tokens på samma kilder. Åtgärda det med stramare uppgiftsgränser i uppdraget.

Drift på långa kedjor. Varje handöverinng förlorar en liten detalj. Vid steg fem är det ursprungliga målet suddigt. Åtgärda det genom att överföra den ursprungliga förfrågan till varje arbetare, inte bara föregående utdata.

Testa feltillstånden med avsikt under inställningen. Döda ett verktyg, returnera ett tomt resultat och se vad ledaren gör. Bättre att ta reda på det på en tisdagseftermiddag än framför en kund.

Din nästa kommando: börja med två agenter, inte sju

Välj ett arbetsflöde som du redan kör manuellt varje vecka. Dela det i två roller på högst: en producent och en granskare. Skriv en fyraradig uppdrag för var och en. Kör den tio gånger och logga vad som går sönder.

Lägg bara till en tredje agent när två-agentversionen visar en tydlig flaskhals. De flesta ops-arbetsflöden slutar betala tillbaka någonstans mellan två och fyra agenter.

Mission terminée när två-agent-körningen slår din manualversion i sparade minuter och felfrekvens. Innan dess spelar ingenting annat i den här guiden roll.