Rozbijanie złożonych zadań LLM na wyspecjalizowane jednostki podrzędne pozwala wyeliminować problem zapychania okna kontekstu i drastycznie redukuje koszty opłat za tokeny. Zobacz, jak w praktyce zaprojektować i wdrożyć układ z agentami podrzędnymi.

Jeśli budowałeś kiedyś bardziej złożony system w oparciu o pojedynczy, wielki prompt i jeden potężny model, zapewne szybko zderzyłeś się ze ścianą. Wraz ze wzrostem liczby instrukcji, narzędzi i danych wejściowych, model zaczyna „zapominać” o wcześniejszych wytycznych, losowo pomija reguły walidacji albo po prostu zużywa ogromne ilości tokenów na każdą prostą odpowiedź. Problem ten rozwiązuje architektura oparta na agentach podrzędnych (sub-agents).
Sprawa wygląda bardzo podobnie jak z kontenerami w Dockerze – zamiast upychać całe środowisko wraz z bazą i aplikacją w jednym monolitycznym obrazie, dzielimy system na mniejsze, odizolowane usługi realizujące jedno zadanie. W tym artykule przeanalizujemy od strony praktycznej, jak projektować agentów podrzędnych, jak przekazywać między nimi kontekst i jak unikać pułapek związanych z pętlami wykonawczymi.
Czym są agenci podrzędni i dlaczego zmieniają podejście do systemów AI?
Agent podrzędny to mniejsza, wysoce wyspecjalizowana jednostka wykonawcza działająca pod nadzorem głównego agenta (nazywanego orkiestratorem lub routerem). Zamiast utrzymywać w pamięci kontekstowej zasady przetwarzania tekstu, parsowania SQL, generowania wykresów i sprawdzania uprawnień jednocześnie, orkiestrator otrzymuje jedynie zestaw definicji wskazujących, kiedy i do jakiego agenta podrzędnego wysłać dane zadanie.
Zalet takiego podziału jest kilka:
- Izolacja kontekstu: Agent podrzędny otrzymuje wyłącznie te informacje, które są mu niezbędne do wykonania konkretnej operacji. Zapobiega to przeładowaniu okna pamięci (context window).
- Wyspecjalizowane prompty i zestawy narzędzi: Dajesz dostęp do funkcji systemowych (np. wykonywania zapytań do bazy lub sterowania API) tylko temu agentowi, który faktycznie ich potrzebuje.
- Dobór odpowiedniego modelu: Orkiestrator może być oparty na zaawansowanym modelu o dużej pojemności, podczas gdy podrzędny agent do prostego parsowania tekstu może działać na tańszym i szybszym wariancie, takim jak Claude Sonnet 5.5.
- Wyższy poziom bezpieczeństwa: Ograniczenie uprawnień agenta podrzędnego zmniejsza ryzyko udanego ataku typu prompt injection na cały system.
Wzorzec Orkiestrator-Agent: Jak wygląda przepływ danych?
Podstawowy schemat komunikacji w architekturze agentów podrzędnych opiera się na cyklu delegowania i syntezy. Główny punkt wejścia przyjmuje zapytanie od użytkownika lub systemu zewnętrznego, po czym wykonuje wstępną analizę intencji.
- Odbiór i klasyfikacja: Agent nadrzędny analizuje cel i decyduje, które jednostki podrzędne muszą zostać zaangażowane.
- Przygotowanie kontekstu (Sub-prompting): Orkiestrator tworzy zwięzły ładunek danych (payload) dedykowany dla agenta podrzędnego, odrzucając szum informacyjny.
- Egzekucja autonomiczna: Agent podrzędny wykonuje swoje zadanie. Może w tym celu używać dedykowanych funkcji (tool use), wyszukiwać dane lub przetwarzać pliki.
- Zwrócenie wyniku i walidacja: Agent podrzędny przekazuje odpowiedź do orkiestratora. Jeśli format jest błędny, orkiestrator może wymusić ponowne wykonanie lub sam dokonać korekty.
- Synteza końcowa: Główny system łączy wyniki z poszczególnych agentów podrzędnych i prezentuje ostateczny rezultat.
Warto pamiętać, że podrzędne moduły wykonawcze mogą w razie potrzeby przekazywać zapytania do kolejnych warstw agentów. Należy jednak pilnować głębokości takich wywołań, by nie doprowadzić do niepotrzebnych opóźnień w sieci.
Praktyczny przykład w Pythonie: Implementacja szkieletu agenta podrzędnego
Poniżej znajduje się prosty, ale w pełni funkcjonalny szkielet w języku Python, pokazujący jak zrealizować wzorzec delegowania zadań do agenta podrzędnego bez używania ciężkich frameworków zewnętrznych. Wystarczy czysta logika wywołań API i zdefiniowane struktury danych.
import json
from typing import Dict, Any
class SecurityAuditSubAgent:
"""Agent podrzędny odpowiedzialny wyłącznie za analizę bezpieczeństwa kodu."""
def __init__(self):
self.system_prompt = (
"Jesteś ekspertem ds. cyberbezpieczeństwa. "
"Przeanalizuj podany kod pod kątem luk (SQL Injection, XSS, RCE). "
"Zwracaj wyniki wyłącznie w formacie JSON z kluczami: 'is_secure', 'vulnerabilities'."
)
def run(self, code_snippet: str) -> Dict[str, Any]:
# Symulacja wywołania modelu z wyizolowanym kontekstem
payload = [
{"role": "system", "content": self.system_prompt},
{"role": "user", "content": f"Kod do analizy:\n{code_snippet}"}
]
# Miejsce na faktyczne wywołanie API (np. client.messages.create / client.chat.completions)
# Na potrzeby przykładu zwracamy przetworzony wynik mockowy:
return {
"is_secure": False,
"vulnerabilities": ["Wycinek kodu wykazał brak sanityzacji parametrów wejściowych."]
}
class MasterOrchestrator:
"""Agent nadrzędny zarządzający przepływem pracy."""
def __init__(self):
self.security_agent = SecurityAuditSubAgent()
def process_request(self, user_input: str) -> str:
print("[Master] Analiza zapytania użytkownika...")
# Rozpoznanie konieczności użycia agenta podrzędnego
if "def " in user_input or "function" in user_input:
print("[Master] Wykryto kod. Delegowanie analizy do SecurityAuditSubAgent...")
audit_result = self.security_agent.run(user_input)
if not audit_result["is_secure"]:
return f"Weryfikacja nieudana. Wykryte zagrożenia: {', '.join(audit_result['vulnerabilities'])}"
return "Kod wygląda bezpiecznie lub zapytanie nie wymagało audytu."
# Uruchomienie przykładu
if __name__ == "__main__":
orchestrator = MasterOrchestrator()
sample_code = "def login(user): execute_sql(f'SELECT * FROM users WHERE name={user}')"
result = orchestrator.process_request(sample_code)
print(f"Wynik końcowy: {result}")
Po uruchomieniu powyższego skryptu zobaczysz, że główny agent w ogóle nie analizuje reguł bezpieczeństwa samodzielnie – przekazuje fragment kodu do dedykowanego obiektu `SecurityAuditSubAgent`, który posiada odrębny prompt i nie wymaga ładowania historii całej konwersacji z użytkownikiem.
Optymalizacja kosztów i utrzymanie stanu
Jednym z najczęstszych pytań podczas wdrażania agentów podrzędnych jest: jak kontrolować opłaty za tokeny przy dużej liczbie zapytań? Odpowiedzią jest kombinacja buforowania oraz stosowania wyspecjalizowanych mechanizmów cache'owania odpowiedzi agentów pomocniczych.
Gdy ten sam agent podrzędny wykonuje identyczne operacje sprawdzające dla powtarzalnych zapytania, warto wdrożyć warstwę pamięci podręcznej. Korzystając z rozwiązań takich jak semantycznego buforowania w grafach przepływu pracy, można uniknąć ponownego przesyłania zapytania do modelu, jeśli zapytanie intencyjnie odpowiada wcześniej przetworzonemu zadaniu. Daje to ogromną oszczędność czasową i finansową w systemach produkcyjnych.
Typowe błędy i pułapki produkcyjne
Podczas projektowania systemów z podrzędnymi agentami AI łatwo wpaść w kilka pułapek architektonicznych:
- Nieskończona pętla delegowania (Zapętlenie agentów): Agent A deleguje zadanie do Agenta B, a Agent B uzna, że nie ma pełnych danych i deleguje je z powrotem do Agenta A. Aby temu zapobiec, zawsze ustawiaj twardy limit wywołań (np. `max_depth = 3` lub `max_turns = 5`).
- Przekazywanie pełnej historii rozmowy: Wysłanie całego dotychczasowego logu czatu do agenta podrzędnego mija się z celem tej architektury. Wyciągaj tylko te zmienne i fakty, które są bezwzględnie konieczne do wykonania podzadania.
- Brak walidacji formatu wyjściowego: Agenci podrzędni powinni odpowiadać w ściśle określonym formacie (np. JSON z użyciem Pydantic). Jeśli agent podrzędny zwróci zwykły tekst zamiast struktury, orkiestrator może zgłosić błąd parsowania.
Jak sprawdzić, czy system działa prawidłowo?
Weryfikacja poprawnej pracy systemu wieloagentowego wymaga śledzenia zdarzeń na poziomie telemetrycznym. Zwykły `print()` w konsoli przestaje wystarczać, gdy masz kilkunastu agentów wykonujących zadania równolegle.
- Wdrożenie identyfikatorów śledzenia (Trace ID): Każde zapytanie wchodzące do orkiestratora powinno otrzymać unikalne ID. Wszystkie logi wygenerowane przez agentów podrzędnych muszą zawierać ten sam identyfikator.
- Monitorowanie zużycia tokenów per agent: Zbieraj metryki podziału tokenów. Jeśli okaże się, że dany agent podrzędny zużywa 80% zasobów całego systemu, to znak, że jego prompt jest zbyt skomplikowany lub należy zmienić model na mniejszy.
- Testowanie jednostkowe promptów podrzędnych: Zapisuj wejścia i wyjścia agentów podrzędnych. Testuj agenta podrzędnego w izolacji od orkiestratora, podając mu przygotowane stałe zestawy danych (mocki).
Podsumowanie i kolejne kroki
Wdrażanie agentów podrzędnych to naturalny krok w ewolucji oprogramowania opartego na LLM. Pozwala ono odejść od niestabilnych promptów-gigantów na rzecz uporządkowanej, modularnej architektury przypominającej mikroserwisy.
Zacznij od zidentyfikowania w swoim obecnym systemie jednego elementu, który wymaga skomplikowanej logiki lub unikalnych narzędzi (np. parsowania dokumentów PDF lub generowania zapytań SQL). Wyizoluj go, stwórz dla niego osobny prompt i uruchom jako pierwszy agent podrzędny – szybko zauważysz poprawę czytelności kodu i stabilności odpowiedzi.
Komentarze