Systemy multi-agentowe brzmią trochę jak science fiction: zamiast jednego programu rozwiązującego problem mamy cały zespół programów, które dzielą role, wymieniają informacje, spierają się, negocjują i wspólnie podejmują decyzje.

Można porównać je do dobrze zorganizowanej redakcji, laboratorium albo zespołu projektowego. Jedna osoba zbiera materiały, druga sprawdza fakty, trzecia szuka słabych punktów, a czwarta składa wszystko w całość. W systemie wieloagentowym podobny podział ról wykonują programy. Różnica polega na tym, że ich współpraca może być zapisana jako część architektury systemu: kto komu przekazuje wynik, kto może podważyć decyzję, kto ma dostęp do określonych narzędzi i kiedy zadanie uznaje się za zakończone.

W praktyce sama idea nie jest nowa. Systemy wieloagentowe są badane od dekad w informatyce, robotyce, logistyce i teorii gier. Nowa fala zainteresowania pojawiła się jednak wraz z dużymi modelami językowymi. Model językowy może dziś pełnić rolę agenta wyposażonego w instrukcje, pamięć, narzędzia i określony cel. Gdy takich agentów połączymy kilka, otrzymujemy system, w którym poszczególne elementy mogą wykonywać różne części zadania i przekazywać sobie wyniki.

To kusząca wizja: zamiast jednego „wszechwiedzącego” asystenta – cyfrowy zespół. Ale większa liczba agentów nie oznacza automatycznie większej inteligencji.

Krótka biografia pomysłu

Zanim modele językowe zaczęły „rozmawiać” ze sobą w oknie czatu, systemy wieloagentowe miały już długie życie akademickie.

W latach 80. i 90. dziedzina nazywała się zwykle distributed artificial intelligence. Badaczy interesowało nie to, jak jeden program staje się coraz mądrzejszy, lecz to, co dzieje się, gdy wiele autonomicznych jednostek musi współdziałać, konkurować albo negocjować w wspólnym środowisku.

Wtedy agent nie był chatbotem. Był encją, która:

• obserwuje otoczenie,
• ma własne cele,
• podejmuje działania,
• reaguje na innych agentów.

Na początku XXI wieku dziedzina została uporządkowana. Pojawiły się podręczniki, konferencja AAMAS i zestaw pytań, które wracają dziś w nowej formie: jak dzielić role, jak przekazywać informacje, jak rozstrzygać konflikt interesów i kto ponosi odpowiedzialność za zbiorową decyzję.

Równolegle idea weszła do praktyki tam, gdzie wielu aktorów naprawdę musi działać naraz: w magazynach robotycznych, sieciach energetycznych, transporcie i symulacjach rynkowych.

Nowa biografia tematu zaczyna się około 2023 roku. Duże modele językowe okazały się wygodnym „mózgiem” agenta, bo potrafią czytać instrukcję, wołać narzędzie i zaplanować kolejny krok. W ciągu kilku lat pojawiły się frameworki do składania takich zespołów oraz pierwsze próby wspólnego języka między agentami różnych producentów.

Historia jest więc dłuższa, niż sugeruje marketing „agentowego AI”. Modele językowe nie wymyśliły współpracy. Dały jej nowy interfejs.

Człowiek, który uporządkował tę dziedzinę

Jeśli systemy wieloagentowe mają swojego klasycznego przewodnika, jest nim Michael Wooldridge.

Urodził się w 1966 roku. Studiował w Wolverhampton, doktorat obronił w 1991 roku w UMIST w Manchesterze. Potem uczył w Manchesterze i Londynie, przez dwanaście lat był profesorem w Liverpoolu, a od 2012 roku pracuje na Uniwersytecie Oksfordzkim. Dziś jest tam Ashall Professor of the Foundations of Artificial Intelligence i senior research fellow w Hertford College. W latach 2014–2021 kierował oksfordzkim wydziałem informatyki.

Wooldridge nie budował chatbotów. Zajmował się pytaniem bardziej podstawowym: co to znaczy, że program działa racjonalnie, gdy obok niego działają inne programy z własnymi celami. Łączył logikę, teorię gier i teorię wyboru społecznego. Jego podręcznik An Introduction to MultiAgent Systems przez dwie dekady porządkował słownik dziedziny: autonomia, protokoły, negocjacja, koordynacja, kooperacja i konkurencja.

Nie był jedynym architektem tego pola. Obok niego trzeba stawiać między innymi Nicholasa R. Jenningsa, z którym Wooldridge pisał wczesne, bardzo wpływowe przeglądy, oraz środowisko konferencji AAMAS i stowarzyszenia IFAAMAS, któremu Wooldridge przewodniczył w latach 2007–2009. Później był też prezydentem EurAI i IJCAI.

Dostał ACM Autonomous Agents Research Award (2006), medal Lovelace Brytyjskiego Towarzystwa Informatycznego (2020), nagrodę edukacyjną AAAI (2021) i Faraday Prize Towarzystwa Królewskiego (2025). W 2023 roku wygłosił Royal Institution Christmas Lectures. W 2026 roku został członkiem Royal Society.

Ta biografia jest ważna nie z sentymentu. Pokazuje, że dzisiejszy boom na „zespoły agentów LLM” stoi na starszym fundamencie. Pytania Wooldridge’a — kto z kim rozmawia, jakie ma zachęty, jak dojść do porozumienia i jak ocenić zbiorowy wynik — wracają teraz w produktach, frameworkach i protokołach.

Różnica jest głównie materiałowa. Kiedyś agent bywał formalnym modelem albo robotem. Dziś często jest modelem językowym z instrukcją, pamięcią i dostępem do narzędzi. Problem organizacji został ten sam.

Od rozproszonej AI do zespołów LLM

Ten sam łuk można opowiedzieć krócej od strony narzędzi. Ich korzenie sięgają badań nad rozproszoną sztuczną inteligencją prowadzonych już w latach 70. i 80. XX wieku. Badaczy interesowało wtedy pytanie, jak wiele niezależnych programów może wspólnie rozwiązywać problem, dzielić wiedzę i koordynować decyzje bez jednego centralnego „mózgu”.

W latach 90. systemy wieloagentowe stały się odrębnym obszarem badań. Rozwijano formalne modele agentów, protokoły komunikacji, mechanizmy negocjacji, aukcji i koordynacji. Powstały też podręcznikowe definicje agenta jako autonomicznego programu działającego w środowisku, reagującego na zmiany i realizującego określone cele.

Przez kolejne dekady idea rozwijała się przede wszystkim w robotyce, logistyce, symulacjach społecznych, telekomunikacji, systemach energetycznych i grach. Agenci nie musieli mówić ludzkim językiem. Mogli być robotami magazynowymi, programami zarządzającymi ruchem albo uczestnikami symulowanego rynku.

Przełom nastąpił wraz z dużymi modelami językowymi. LLM potrafi komunikować się tekstem, interpretować instrukcje, korzystać z narzędzi i odgrywać różne role. Dzięki temu dawną ideę systemu wieloagentowego można było połączyć z niezwykle elastycznym interfejsem językowym. W 2023 roku projekty takie jak CAMEL pokazały, jak role i dialog między agentami językowymi mogą służyć autonomicznej współpracy, a Microsoft udostępnił AutoGen, framework do budowania aplikacji opartych na rozmowie wielu konfigurowalnych agentów.

W ten sposób stara koncepcja dostała nowe narzędzia. Dzisiejszy „zespół agentów AI” jest więc nie tyle zupełnie nowym wynalazkiem, ile współczesną wersją kilkudziesięcioletniego pomysłu: inteligencję systemu można budować nie tylko przez ulepszanie pojedynczego elementu, lecz także przez organizowanie współpracy wielu elementów.

Co właściwie oznacza „agent”?

W tym kontekście agent to coś więcej niż sam model językowy.

Najprostszy agent może składać się z:

• modelu, który interpretuje sytuację i podejmuje decyzje,
• instrukcji określających jego rolę,
• pamięci przechowującej potrzebny kontekst,
• narzędzi, np. wyszukiwarki, kodu, bazy danych lub API,
• mechanizmu pozwalającego wykonywać kolejne kroki i oceniać ich rezultat.

Agent może więc nie tylko wygenerować odpowiedź, ale również zdecydować, że powinien najpierw zdobyć informacje, uruchomić narzędzie, sprawdzić rezultat i dopiero potem wykonać kolejny krok.

System multi-agentowy powstaje wtedy, gdy takich agentów jest więcej i istnieje jakiś sposób koordynowania ich działań.

Jak może wyglądać system multi-agentowy?

Wyobraźmy sobie zadanie: przygotowanie raportu o nowej technologii.

Jeden agent otrzymuje rolę badacza i zbiera informacje. Drugi działa jako analityk i porównuje dane. Trzeci jest krytykiem, który szuka błędów i luk w argumentacji. Czwarty pełni funkcję redaktora i przygotowuje końcowy tekst.

Nie muszą to być cztery różne modele. Czasem kilka agentów wykorzystuje dokładnie ten sam model bazowy, ale ma inne instrukcje, pamięć i dostęp do innych narzędzi.

W praktyce to właśnie ta warstwa organizacyjna bywa ważniejsza niż sama liczba modeli. Dwa identyczne modele mogą zachowywać się zupełnie inaczej, jeśli jeden ma rolę sceptycznego recenzenta, a drugi ma za zadanie szybko przygotować pierwszą wersję rozwiązania. Jeszcze większa różnica pojawia się wtedy, gdy poszczególni agenci korzystają z innych źródeł danych albo innych narzędzi.

To ważne rozróżnienie. „Wiele agentów” nie musi oznaczać „wiele różnych AI”. Może oznaczać wiele instancji tego samego modelu pracujących w różnych rolach.

Najczęstsze architektury

Systemy multi-agentowe mogą być zorganizowane na różne sposoby.

1. Koordynator i specjaliści

Jeden agent pełni rolę menedżera. Analizuje problem, rozdziela zadania pomiędzy wyspecjalizowanych agentów, zbiera ich odpowiedzi i tworzy końcowy rezultat.

To jedna z najbardziej intuicyjnych konstrukcji.

Przypomina zespół, w którym kierownik deleguje zadania ekspertom.

Zaletą jest stosunkowo prosta kontrola. Wadą – duża zależność od jakości decyzji koordynatora. Jeżeli źle podzieli problem, cały system może pójść w niewłaściwym kierunku.

2. Agenci równorzędni

Agenci komunikują się bez centralnego kierownika. Każdy może proponować rozwiązania, odpowiadać na pomysły innych i modyfikować własne decyzje.

Taki system może być bardziej elastyczny, ale trudniej go kontrolować.

Im więcej uczestników, tym większym problemem staje się ustalenie:

• kto powinien mówić,
• kiedy dyskusję zakończyć,
• które informacje przekazywać dalej,
• jak rozstrzygać sprzeczne wnioski.

3. Debata i krytyka

Kilku agentów niezależnie analizuje ten sam problem. Następnie porównują rozwiązania albo jeden agent krytykuje odpowiedź drugiego.

Pomysł jest prosty: różne próby mogą ujawnić błędy, których pojedynczy model nie zauważył.

Można na przykład stworzyć układ:

• agent A proponuje rozwiązanie,
• agent B szuka słabych punktów,
• agent C ocenia oba stanowiska i przygotowuje odpowiedź końcową.

Nie gwarantuje to jednak poprawności. Kilku agentów może powielać ten sam błąd, zwłaszcza jeśli korzystają z podobnych modeli i podobnych danych.

4. System hierarchiczny

Duży problem może zostać rozbity na coraz mniejsze zadania.

Agent najwyższego poziomu określa strategię. Agenci niższego poziomu zajmują się konkretnymi etapami, a jeszcze inni mogą wykonywać bardzo wyspecjalizowane działania.

Takie podejście przypomina strukturę organizacji lub projektu.

Jest szczególnie interesujące przy długich, wieloetapowych zadaniach, ale komplikuje monitorowanie kosztów, błędów i przepływu informacji.

Z czego składa się to dziś w praktyce?

Popularnonaukowy opis łatwo zostaje na poziomie metafor: „zespół”, „menedżer”, „debata”. W inżynierii te metafory muszą zamienić się w kod, stan, logi i protokoły.

W 2026 roku najbardziej widoczne są trzy warstwy.

Pierwsza to frameworki, czyli gotowe sposoby składania agentów w przepływ.

• LangGraph traktuje system jak graf stanów: węzły, krawędzie, pamięć, punkty kontrolne i możliwość włączenia człowieka w pętlę. To dziś jedna z najczęściej wybieranych ścieżek w zastosowaniach produkcyjnych, bo łatwiej śledzić, co system zrobił.
• CrewAI układa agentów jak załogę z rolami i zadaniami. Szybciej buduje się prototyp „badacz + pisarz + recenzent”, ale kontrola przepływu bywa luźniejsza.
• OpenAI Agents SDK wyrósł z eksperymentalnego projektu Swarm. Opiera się na lekkich przekazaniach sterowania (handoff), barierach bezpieczeństwa i śledzeniu przebiegu.
• Microsoft Agent Framework jest następcą AutoGen i Semantic Kernel. AutoGen przez kilka lat był ważnym laboratorium rozmów między agentami; od 2025 roku Microsoft przesunął rozwój na nowy, bardziej ujednolicony framework.
• Obok nich działają między innymi Google ADK, Claude Agent SDK czy rozwiązania własne firm, które nie chcą uzależniać orkiestracji od jednej biblioteki.

Druga warstwa to protokoły.

Sam framework rozwiązuje problem wewnątrz jednego systemu. Gdy agenci pochodzą z różnych narzędzi, potrzebują wspólnego języka.

• MCP (Model Context Protocol) opisuje, jak agent łączy się z narzędziami, plikami i źródłami danych.
• A2A (Agent2Agent), ogłoszony przez Google w 2025 roku i przekazany Linux Foundation, ma pozwalać agentom różnych producentów odkrywać swoje umiejętności i przekazywać sobie zadania.

To rozróżnienie jest praktyczne. MCP odpowiada raczej na pytanie „z czego agent może skorzystać?”. A2A — „z kim może współpracować?”.

Trzecia warstwa to obserwowalność: logi, ślad decyzji, koszty tokenów, punkty, w których człowiek może zatrzymać proces. Bez niej multi-agent łatwo staje się czarną skrzynką, która wydaje ładny raport i nie zostawia dowodu, skąd się wziął.

Framework nie jest magią. Jest sposobem wymuszenia struktury na czymś, co inaczej zamienia się w długą, kosztowną rozmowę modeli ze sobą.

Dlaczego w ogóle stosować wielu agentów?

Najważniejszą zaletą jest podział pracy.

Pojedynczy model musi często jednocześnie planować, wyszukiwać, analizować, sprawdzać i pisać. W systemie multi-agentowym można rozdzielić te funkcje.

Druga zaleta to specjalizacja. Poszczególni agenci mogą mieć inne instrukcje, narzędzia albo dostęp do różnych zbiorów danych.

Trzecia to równoległość. Kilku agentów może jednocześnie analizować różne części problemu.

Czwarta to wzajemna kontrola. Jeden agent może weryfikować pracę drugiego.

Badania nad systemami opartymi na LLM wskazują właśnie koordynację, przydział ról, planowanie, pamięć oraz mechanizmy komunikacji jako jedne z kluczowych elementów skutecznego systemu wieloagentowego.

Ale czy wielu agentów naprawdę działa lepiej?

Nie zawsze.

To jeden z najważniejszych punktów, który łatwo zgubić w entuzjazmie wokół agentowego AI.

Jeżeli zadanie jest proste, uruchomienie kilku agentów może tylko zwiększyć koszt i liczbę miejsc, w których coś może pójść źle.

System wieloagentowy ma sens przede wszystkim wtedy, gdy zadanie rzeczywiście można sensownie podzielić albo gdy różne perspektywy i narzędzia dają dodatkową wartość.

Samo polecenie kilku modelom „przedyskutujcie problem” nie gwarantuje lepszego wyniku.

Problem numer jeden: koordynacja

Ludzkie zespoły znają ten problem bardzo dobrze.

Jeżeli pięć osób nie wie, kto za co odpowiada, mogą:

• wykonywać tę samą pracę,
• czekać na siebie nawzajem,
• podejmować sprzeczne decyzje,
• przekazywać niekompletne informacje,
• bez końca dyskutować zamiast zakończyć zadanie.

W systemach agentowych pojawiają się bardzo podobne problemy.

Potrzebne są reguły określające, kiedy agent powinien działać, jakie informacje otrzymuje oraz komu przekazuje wynik.

Koordynacja jest jednym z centralnych tematów współczesnych badań nad systemami wieloagentowymi. Przeglądy literatury wyróżniają między innymi struktury scentralizowane, zdecentralizowane i hierarchiczne oraz strategie oparte na rolach i różnych protokołach komunikacji.

Problem numer dwa: efekt domina błędów

Wyobraź sobie, że pierwszy agent znajduje błędną informację. Drugi agent traktuje ją jako fakt. Trzeci na jej podstawie wykonuje obliczenia. Czwarty tworzy elegancki raport.

Na końcu otrzymujemy bardzo przekonujący dokument oparty na błędzie z pierwszego etapu.

Im dłuższy łańcuch agentów, tym ważniejsze stają się mechanizmy weryfikacji.

Dlatego dobre systemy nie powinny po prostu przekazywać odpowiedzi dalej. Powinny przechowywać źródła, wyniki pośrednie i informacje pozwalające sprawdzić, skąd wziął się dany wniosek.

Problem numer trzy: koszty

Każda rozmowa między agentami oznacza kolejne wywołania modelu.

Jeżeli dziesięciu agentów prowadzi długą debatę, koszt obliczeń i liczba przetwarzanych tokenów mogą szybko rosnąć.

Do tego dochodzi czas.

Równoległość może przyspieszyć część zadań, ale rozbudowana komunikacja, weryfikacja oraz ponowne wykonywanie błędnych kroków może również sprawić, że wieloagentowy system będzie wolniejszy od dobrze zaprojektowanego pojedynczego agenta.

Dlatego jednym z praktycznych pytań nie jest tylko „czy system działa?”, ale:

Czy dodatkowi agenci poprawiają wynik na tyle, aby uzasadnić ich koszt i złożoność?

Problem numer cztery: wspólne błędy

Można pomyśleć, że pięciu agentów daje pięć niezależnych opinii.

Niekoniecznie.

Jeżeli wszyscy korzystają z tego samego modelu, podobnych instrukcji i tych samych danych, ich błędy mogą być mocno skorelowane.

Pięciu agentów może więc zgodnie dojść do błędnego wniosku.

Konsensus nie jest dowodem prawdy.

Aby uzyskać prawdziwą różnorodność, czasem potrzebne są różne źródła danych, różne sposoby rozumowania, różne modele albo specjalnie zaprojektowane role krytyczne.

Problem numer pięć: bezpieczeństwo i złośliwość

Gdy agenci przekazują sobie tekst, przekazują też instrukcje.

To otwiera nową klasę problemów. Złośliwa albo po prostu nieostrożna treść może sprawić, że jeden agent zacznie sterować drugim: zmieni jego cel, każe ujawnić dane, pominie weryfikację albo uruchomi narzędzie, którego nie powinien użyć.

W badaniach nad negocjacjami LLM widać nie tylko współpracę i konkurencję, ale też złośliwość: agent może blefować, ukrywać ograniczenia, wykorzystywać naiwność partnera. To nie wymaga „świadomości”. Wystarczy, że model optymalizuje własny cel w środowisku, w którym tekst jest jednocześnie rozmową i sterowaniem.

Dlatego w poważnych wdrożeniach pojawiają się:

• ograniczenia narzędzi dostępnych poszczególnym agentom,
• oddzielenie danych wrażliwych od kontekstu rozmowy,
• sprawdzanie komunikatów między agentami,
• ślad tego, kto kogo o co poprosił,
• punkty, w których człowiek musi potwierdzić działanie.

Im bardziej system przypomina organizację, tym bardziej potrzebuje czegoś w rodzaju uprawnień, a nie samej grzecznej instrukcji „bądź pomocny”.

Negocjacje między agentami

Jednym z ciekawszych obszarów badań jest automatyczna negocjacja.

Agenci mogą reprezentować różne interesy i próbować dojść do porozumienia.

Przykładowo:

• jeden agent reprezentuje sprzedawcę,
• drugi kupującego,
• każdy ma własne ograniczenia,
• system negocjuje cenę, termin albo inne warunki.

Badania Microsoft Research nad negocjacjami między agentami opartymi na LLM pokazały, że takie środowiska są dobrym testem planowania, wnioskowania i współpracy, ale jednocześnie ujawniają ograniczenia modeli w złożonych wieloetapowych interakcjach.

Negocjacje są ciekawym testem, ponieważ wymagają jednocześnie pamięci, przewidywania, kontroli własnego celu i interpretowania strategii drugiej strony. Agent może na przykład ustąpić w jednym punkcie po to, aby uzyskać korzyść w innym. Tego typu zachowanie jest trudniejsze niż pojedyncza odpowiedź na pytanie, bo wymaga utrzymania spójnej strategii przez wiele tur rozmowy.

To ważne, bo negocjowanie wymaga czegoś więcej niż generowania płynnego tekstu. Trzeba pamiętać wcześniejsze ustalenia, oceniać interesy innych uczestników i planować kilka ruchów naprzód.

Logistyka, roboty i transport

Systemy multi-agentowe nie zaczęły się od chatbotów.

Od lat wykorzystuje się je do badań nad koordynacją wielu autonomicznych jednostek.

Klasyczny przykład to magazyn, w którym dziesiątki robotów muszą:

• transportować towary,
• unikać kolizji,
• dzielić przestrzeń,
• wybierać trasy,
• reagować na zmiany.

Podobne problemy występują w transporcie, systemach energetycznych, sieciach telekomunikacyjnych czy koordynacji dronów.

W takich sytuacjach „agent” nie musi nawet prowadzić rozmowy. Może być robotem albo programem podejmującym decyzje na podstawie stanu środowiska.

Badania naukowe i zespoły agentów

Szczególnie interesująca jest wizja agentów wspierających proces badawczy.

Można wyobrazić sobie system, w którym:

• jeden agent wyszukuje literaturę,
• drugi proponuje hipotezy,
• trzeci analizuje dane,
• czwarty sprawdza kod,
• piąty krytykuje metodologię,
• kolejny przygotowuje podsumowanie.

Taki układ może przyspieszyć niektóre etapy pracy, ale nadal potrzebuje bardzo silnej kontroli.

Model potrafiący napisać przekonujące uzasadnienie nie jest automatycznie naukowcem zdolnym stwierdzić, czy hipoteza jest prawdziwa.

W zastosowaniach naukowych szczególnie ważna jest więc możliwość odtworzenia procesu: jakie źródła wykorzystano, jakie obliczenia wykonano i który element systemu podjął daną decyzję.

Czy pojawiają się „zachowania emergentne”?

W systemach z wieloma współdziałającymi elementami mogą pojawiać się zachowania, które nie zostały bezpośrednio zapisane jako jedna reguła.

Nie oznacza to automatycznie, że system rozwija własne intencje.

Często „emergencja” oznacza po prostu, że interakcje pomiędzy prostszymi mechanizmami prowadzą do trudnego do przewidzenia wyniku.

Przykładowo agent A zmienia strategię w reakcji na agenta B, agent B reaguje na C, a C ponownie wpływa na A. Powstaje dynamika, której projektant nie opisał wprost.

To jeden z powodów, dla których testowanie systemu wieloagentowego jest trudniejsze niż testowanie pojedynczego modelu.

Kto odpowiada za decyzję?

Wraz ze wzrostem liczby agentów pojawia się problem audytowalności.

Jeżeli system podjął złą decyzję, trzeba ustalić:

• który agent dostarczył błędną informację,
• który zaakceptował ją bez sprawdzenia,
• jak działał mechanizm koordynujący,
• jakie narzędzia zostały użyte,
• jakie dane otrzymał system.

Dlatego profesjonalne systemy agentowe potrzebują logów i śledzenia całego przebiegu działania.

Ostateczna odpowiedzialność nie może zostać zrzucona na „agenta”. Agent jest elementem zaprojektowanego i wdrożonego systemu.

Multi-agent nie oznacza automatycznie autonomiczny

To kolejne często mylone pojęcia.

System może składać się z wielu agentów, ale działać wyłącznie pod ścisłą kontrolą człowieka.

Może też istnieć pojedynczy agent posiadający dużą autonomię i możliwość wykonywania wielu działań.

Są to dwie niezależne cechy:

• liczba agentów,
• poziom autonomii.

W praktycznych zastosowaniach szczególnie ważne jest określenie, które decyzje agent może podjąć samodzielnie, a które wymagają zatwierdzenia przez człowieka.

Jak wygląda prosty przykład?

Załóżmy, że chcemy znaleźć najlepszą lokalizację magazynu.

System może wyglądać tak:

Agent 1 – dane: zbiera ceny gruntów, koszty transportu i odległości.

Agent 2 – logistyka: analizuje dojazd do klientów i centrów dystrybucyjnych.

Agent 3 – finanse: oblicza koszty różnych wariantów.

Agent 4 – krytyk: próbuje znaleźć brakujące czynniki i błędne założenia.

Koordynator: porównuje wyniki i tworzy raport.

To zadanie dobrze nadaje się do podziału, ponieważ poszczególne części rzeczywiście wymagają innych analiz.

Gdyby jednak pytanie brzmiało „ile to jest 17 × 23?”, zespół pięciu agentów byłby absurdalnym przerostem formy nad treścią.

Jak oceniać system multi-agentowy?

Nie wystarczy sprawdzić, czy końcowa odpowiedź wygląda dobrze.

Warto mierzyć co najmniej kilka rzeczy:

• poprawność wyniku,
• koszt wykonania zadania,
• czas działania,
• liczbę wywołań modeli i narzędzi,
• liczbę błędnych kroków,
• odporność na błędy jednego agenta,
• zdolność do zakończenia zadania,
• możliwość odtworzenia procesu podejmowania decyzji.

Szczególnie ważna jest ostatnia cecha. Im więcej agentów współpracuje, tym łatwiej otrzymać poprawnie wyglądającą odpowiedź bez jasnej wiedzy, w jaki sposób system do niej doszedł.

Czy agenci mogą ze sobą konkurować?

Tak.

Multi-agent nie oznacza wyłącznie współpracy.

W literaturze wyróżnia się systemy:

• współpracujące,
• konkurujące,
• łączące współpracę i konkurencję.

Konkurencja może być celowo wykorzystana. Dwóch agentów może proponować niezależne rozwiązania, a trzeci wybierać lub syntetyzować najlepsze elementy.

Można też tworzyć symulacje rynku, negocjacji albo gier, w których każdy agent ma własny cel.

Takie środowiska są interesujące również dlatego, że pozwalają badać zachowanie AI w sytuacji konfliktu interesów.

Czy systemy multi-agentowe są „przyszłością AI”?

Prawdopodobnie będą ważną częścią krajobrazu AI, ale warto unikać prostego założenia, że każdy system będzie zmierzał w stronę coraz większej liczby agentów.

W ostatnich latach powstały już frameworki zaprojektowane właśnie do takich eksperymentów. AutoGen pozwala definiować agentów z różnymi rolami i sposobami komunikacji, a CAMEL bada współpracę agentów poprzez odgrywanie ról. Są to przykłady szerszego trendu: projektant coraz częściej nie tworzy jednej wielkiej instrukcji dla modelu, lecz projektuje cały przepływ pracy pomiędzy kilkoma komponentami.

Czasem najlepszym rozwiązaniem będzie jeden dobry model z odpowiednimi narzędziami.

Czasem jeden agent delegujący wybrane zadania.

A czasem rzeczywiście cały zespół wyspecjalizowanych agentów.

Najciekawsze pytanie nie brzmi więc:

„Ilu agentów możemy uruchomić?”

lecz:

„Jaka struktura pozwala rozwiązać dane zadanie najbardziej niezawodnie i efektywnie?

Kiedy nie budować zespołu agentów?

Dobrym testem jest pytanie, czy zadanie naprawdę rozpada się na różne kompetencje.

Jeśli jeden dobry agent z narzędziami potrafi znaleźć dane, wykonać obliczenie, sprawdzić wynik i oddać odpowiedź, to drugi, trzeci i czwarty agent często dodają tylko tarcie.

Praktyczna ostrożność jest prosta: zaczynać od jednego agenta, chyba że od początku widać osobne granice bezpieczeństwa, osobne odpowiedzialności albo jasny podział kompetencji, którego jeden kontekst nie utrzyma.

Multi-agent zasługuje na szansę, gdy etapy są naprawdę różne, potrzebna jest równoległość, jeden widok systematycznie czegoś nie widzi, system łączy odrębne narzędzia albo warto wprowadzić osobną rolę krytyka.

Nie zasługuje, gdy głównym celem jest brzmiący nowocześnie diagram architektury.”

Najczęstsze pytania

Czy każdy agent musi być innym modelem AI?

Nie. Kilka agentów może korzystać z tego samego modelu bazowego. Różnić mogą się instrukcjami, pamięcią, rolami i dostępnymi narzędziami.

Czy więcej agentów zawsze poprawia jakość?

Nie. Większa liczba agentów zwiększa również koszt, liczbę interakcji i możliwość propagowania błędów. Korzyść zależy od rodzaju zadania i sposobu koordynacji.

Czy agenci naprawdę „rozmawiają” ze sobą?

Technicznie najczęściej przekazują sobie komunikaty tekstowe lub ustrukturyzowane dane. Z punktu widzenia użytkownika może wyglądać to jak rozmowa, ale jest to zaprojektowany mechanizm wymiany informacji.

Czy agent może kontrolować innego agenta?

Tak. Częstym wzorcem jest agent-koordynator, który deleguje zadania, albo agent-krytyk, który sprawdza wyniki pozostałych.

Czy system multi-agentowy może działać bez człowieka?

Może wykonywać wiele kroków autonomicznie, ale poziom autonomii jest decyzją projektową. W zastosowaniach o dużych konsekwencjach ważne są ograniczenia, zatwierdzanie działań i możliwość interwencji człowieka.

Czy system wieloagentowy jest tym samym co „rój AI”?

Nie całkiem. „Rój” jest popularnym określeniem, ale systemy wieloagentowe obejmują wiele różnych architektur – od scentralizowanych zespołów z jednym koordynatorem po całkowicie rozproszone systemy.

Podsumowanie

Systemy multi-agentowe zmieniają sposób myślenia o AI.

Zamiast pytać, jak stworzyć jeden model zdolny do wszystkiego, możemy zadać inne pytanie: jak zbudować zespół wyspecjalizowanych elementów, które wspólnie wykonają trudne zadanie?

To podejście ma duży potencjał. Pozwala dzielić pracę, wykorzystywać różne narzędzia, wykonywać część zadań równolegle i wprowadzać wzajemną kontrolę.

Jednocześnie każdy dodatkowy agent to nowy kanał komunikacji, kolejne decyzje, większy koszt i nowe możliwości popełnienia błędu.

Dlatego największym wyzwaniem systemów multi-agentowych nie musi być inteligencja samych modeli.

Może nim być coś znacznie bardziej znajomego:

organizacja dobrej współpracy.

Źródła i dalsza lektura

• Tran K.-T. i wsp., Multi-Agent Collaboration Mechanisms: A Survey of LLMs, 2025. Przegląd mechanizmów współpracy w systemach wieloagentowych opartych na dużych modelach językowych, obejmujący m.in. role, struktury organizacyjne i protokoły koordynacji. arXiv
• Aratchige R.M., Ilmini W.M.K.S., LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems, 2025. Omówienie architektur, pamięci, planowania oraz problemów ze skalowaniem i koordynacją systemów wieloagentowych. arXiv
• Sun L. i wsp., Multi-Agent Coordination across Diverse Applications: A Survey, 2025. Szeroki przegląd koordynacji agentów w zastosowaniach takich jak logistyka, transport, robotyka i systemy oparte na LLM. arXiv
• Chen S. i wsp., A Survey on LLM-based Multi-Agent System: Recent Advances and New Frontiers in Application, 2024. Przegląd zastosowań systemów LLM-MAS, w tym rozwiązywania złożonych zadań, symulacji i ewaluacji agentów. arXiv
• Abdelnabi S. i wsp., Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation, NeurIPS 2024. Badanie wykorzystujące negocjacje do oceny współpracy, konkurencji, planowania i zachowań agentów LLM. Microsoft Research
• Li G. i wsp., CAMEL: Communicative Agents for „Mind” Exploration of Large Scale Language Model Society, 2023. Jedna z wczesnych prac pokazujących współpracę agentów językowych poprzez odgrywanie ról i autonomiczny dialog. arXiv
• Wu Q. i wsp., AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, 2024. Opis frameworku do budowania aplikacji, w których konfigurowalni agenci LLM, ludzie i narzędzia mogą współpracować w ramach zdefiniowanych wzorców rozmowy. Microsoft Research

---

• Wooldridge M., An Introduction to MultiAgent Systems. Klasyczny podręcznik porządkujący pojęcia autonomii, protokołów, negocjacji i koordynacji.
• Wooldridge M., Jennings N.R., Intelligent Agents: Theory and Practice, 1995. Jeden z tekstów, które zestawiły wczesny język dziedziny.
• Guo T. i wsp., Large Language Model based Multi-Agents: A Survey of Progress and Challenges, 2024. arXiv
• Dokumentacja LangGraph, CrewAI, OpenAI Agents SDK oraz Microsoft Agent Framework — źródła tego, jak metafory ról zamieniają się w konkretne przepływy.
• Materiały Linux Foundation i Google o protokole Agent2Agent (A2A), 2025–2026. Próba wspólnego języka między agentami różnych producentów.

---

Systemy agentowe i modele językowe rozwijają się szybko. Konkretne możliwości, ograniczenia i wyniki zależą od użytych modeli, narzędzi, danych oraz architektury systemu.