Fractal Agents - многоагентная AI-система

Платформа раскладывает задачу на этапы и подбирает под них агентов из 15+: веб-поиск, расчёты, анализ документов до 200 000 слов, генерация Word, Excel, изображений и видео.
- Клиент
- fractalagents.ai
- Сфера
- ИИ и автоматизация бизнес-процессов
- Что делали
- Многоагентная ИИ-система
- RAG
- Интеграции с LLM
Суть. Построить платформу, которая сама раскладывает сложную задачу на этапы, подбирает под каждый этап специализированного ИИ-агента и проверяет результат, прежде чем передать его дальше.
Введение
Один чат с языковой моделью хорошо отвечает на один вопрос, но плохо справляется с задачей из нескольких шагов: найти данные, посчитать, разобрать документ и собрать итог в таблицу. Пользователю приходится самому дробить работу на запросы, переносить ответы между ними и проверять, не выдумала ли модель цифры.
Fractal Agents берёт эту работу на себя: планировщик раскладывает задачу на этапы, под каждый этап выбирается агент из экосистемы 15+ агентов, а результат каждого шага проверяется перед следующим. Мы разрабатывали оркестрацию, маршрутизацию между агентами, работу с документами через RAG и генерацию файлов.
Боль - запрос
Сложную задачу приходится вручную дробить на десяток запросов к модели.
Планировщик, который сам раскладывает задачу на этапы.
Универсальная модель одинаково средне ищет, считает и пишет.
Специализированные агенты под поиск, расчёты, контент и документы.
Модель уверенно выдумывает факты и цифры.
Проверка результата на каждом этапе перед передачей дальше.
Длинный документ не помещается в контекст модели целиком.
Анализ документов до 200 000 слов через RAG.
Ответ в чате потом приходится переносить в Word и Excel руками.
Готовые файлы: Word и Excel с форматированием, изображения, видео.
Описание проекта
Платформа устроена как команда: есть планировщик, который понимает задачу целиком, исполнители со своими инструментами и контроль, который принимает работу каждого шага. Пользователю не нужно знать, какой агент что умеет, он описывает задачу обычным языком.
- Планировщик. Разбирает задачу, строит план этапов и решает, какие данные нужны на каждом шаге.
- Экосистема агентов. 15+ агентов: веб-поиск, математика и расчёты, генерация контента, анализ документов, сборка файлов.
- Проверка этапов. Результат шага сверяется с задачей и источниками. Если проверка не пройдена, шаг перезапускается с уточнением.
- Документы через RAG. Загруженные файлы до 200 000 слов разбиваются на фрагменты и индексируются, агент отвечает по найденным местам.
- Генерация файлов. Word и Excel с автоформатированием, изображения и видео до 24 секунд.
Архитектура решения
Как система выглядит в работе. Ниже - откуда она берёт данные, где их обрабатывает и куда отдаёт результат.
- 1Планировщик разбил задачу на 5 этапов
- 2Поиск: 7 источников из документов
- 3Анализ документов · проверка пройдена · 1 повтор
- 4Excel: сборка таблицы
- 5Word: итоговый отчёт
Проверка стоит между шагами, а не в конце: ошибка одного агента не доходит до итогового файла, а шаг перезапускается с уточнением.
Полная схема архитектуры и пример события
Запрос
- Задача пользователяописание обычным языком
- Загруженные документыдо 200 000 слов
Что разработали мы
- Планировщикэтапы задачи и нужные данные
- Маршрутизатор агентовагент и модель под каждый этап
- Проверка этапапередать дальше или переделать
- RAG-индекс документовфрагменты и векторный поиск
Подключено:15+ агентовВнешние LLM
Результат
- Word и Excelс автоформатированием
- Изображения и видеовидео до 24 секунд
- Журнал выполненияшаги, источники, повторы
Так это выглядит в работе
WStasks/tsk_6d2e81/steps
event- step.completed
task_id- tsk_6d2e81
step- 3
steps_total- 5
agent- document-analyst
sources_used- 7
check- passed
retries- 1
duration_ms- 18420
next_agent- excel-builder
Как выполняется задача
- Постановка. Пользователь описывает задачу и, если нужно, прикладывает документы.
- План. Планировщик разбивает задачу на этапы и для каждого выбирает агента и модель.
- Исполнение с проверкой. Агенты работают последовательно, каждый получает результат предыдущего. После шага проверка решает: передать дальше или переделать.
- Итог. Последний агент собирает результат в нужный формат: отчёт в Word, таблицу в Excel, изображение или видео.
Почему это не просто цепочка промптов
Жёсткая цепочка «шаг 1, шаг 2, шаг 3» ломается на первой задаче, которая не похожа на ту, под которую её писали. Здесь план строится под конкретную задачу во время выполнения: набор агентов и порядок шагов каждый раз свой, а маршрутизатор знает, какие инструменты и модели есть у каждого агента.
Главная инженерная проблема многошаговых систем - накопление ошибки: неточность на втором шаге к пятому превращается в уверенно оформленный неверный отчёт. Поэтому проверка встроена между шагами, а не в конце. Агент, который сделал работу, и проверка, которая её принимает, разделены, а у каждого этапа сохраняется журнал: что делал агент, какие источники использовал, сколько раз переделывал.
Результат проекта
- ИИ как сотрудник. Система планирует действия, использует внешние инструменты и проверяет результат.
- Без технических навыков. Пользователи собирают сложные рабочие процессы, описывая задачу обычным языком.
- Меньше «галлюцинаций». Проверка на каждом этапе не даёт ошибке уйти в следующий шаг.
- Большие документы. Анализ документов до 200 000 слов через RAG.
- Готовые файлы. Word, Excel, изображения и видео до 24 секунд на выходе.
Проект в цифрах
- Длительность
- Около 7 месяцев: оркестрация и первые агенты, затем RAG по документам и генерация файлов
- Команда
- 1 project manager
- 1 тимлид
- 2 ML-инженера (LLM и агенты)
- 2 back-end разработчика
- 1 front-end разработчик
- 1 QA-инженер
- 15+специализированных агентов в экосистеме
- 200 000слов в документе для анализа через RAG
- 24 секмаксимальная длина генерируемого видео
Технологии и интеграции
- Оркестрация агентов
- Динамическое планирование задач
- RAG и векторный поиск
- Интеграции с ведущими LLM
- Веб-поиск и расчёты
- Генерация Word и Excel
- Генерация изображений и видео
Частые вопросы
Чем многоагентная система лучше одного ассистента?
На задачах из нескольких шагов: поиск, расчёт, разбор документа, сборка отчёта. Каждый этап делает агент со своими инструментами, а проверка между этапами не даёт ошибке накопиться. Для простых вопросов хватает одного ассистента, и это мы скажем на старте.
Как контролируется, что агент не выдумал данные?
Результат каждого шага проверяется перед передачей дальше, при неудаче шаг переделывается. В журнале видно, какие источники использовал агент.
Можно подключить наши внутренние системы?
Да, внутренняя система становится инструментом агента через API: CRM, база знаний, учётная система. Для действий с высокой ценой ошибки ставим подтверждение человеком.
Привязана ли платформа к одной модели?
Нет, модель подбирается под тип шага. Это позволяет менять провайдера и балансировать качество и стоимость без переделки сценариев.


