Детальная информация

Данная работа посвящена исследованию нового подхода в построении мультиагентной системы обработки запросов сотрудников предприятия на естественном языке, построенной на основе большой языковой модели и работающей на собственном оборудовании предприятия. Цель работы — разработка и опытная проверка мультиагентной системы с адаптивным планированием, способной разбивать сложный запрос на подзадачи, распределять их между специализированными агентами и корректировать порядок выполнения по промежуточным результатам. Задачи, которые решались в ходе исследования: 1. Изучить существующие подходы к построению агентов на основе языковых моделей и мультиагентных систем, выявить их достоинства и ограничения. 2. Спроектировать модульную архитектуру системы с разделением на части, отвечающие за распознавание запроса, планирование, выполнение и оценку результата. 3. Реализовать адаптивный планировщик, поддерживающий структурированные планы, связи между шагами и условиями успешности завершения шагов. 4. Реализовать специализированных агентов — Поисковика, Исполнителя и Составителя — с возможностью вызова внешних инструментов и функций и с общим рабочим пространством для обмена данными. 5. Разработать механизмы самокоррекции: пошаговую проверку, защиту от преждевременного завершения и повторное выполнение неудавшихся шагов. 6. Провести опытную проверку системы на наборе типовых корпоративных задач разной сложности и сравнить её с подходом на одиночном агенте. Исследование выполнено методами сравнительного анализа существующих подходов к построению агентных систем, проектирования модульной архитектуры, программной реализации опытного образца и опытной проверки. Опытная проверка проведена на одной рабочей станции, соответствующей обычному рабочему месту, на наборе из 30 типовых корпоративных задач четырёх уровней сложности с измерением точности, полноты выполнения, времени отклика и числа вызовов инструментов; каждая задача выполнялась в трёх запусках. В результате спроектирована и реализована действующая система, работающая полностью на локальном оборудовании предприятия без обращения к облачным службам. Опытная проверка показала, что мультиагентный режим достигает точности 93% против 64% у одиночного агента (на сложных задачах превосходство составляет 47%); общая доля восстановления после сбоев равна 90%, а адаптивный планировщик повышает итоговую долю удачных шагов на 16%. Тем самым подтверждено, что сочетание адаптивного планирования, разделения задачи между специализированными агентами и механизмов самокоррекции позволяют сравнительно компактной языковой модели надёжно решать многошаговые корпоративные задачи при сохранении конфиденциальности данных. При выполнении работы использованы следующие информационные технологии: язык программирования Python 3.11; локальный запуск большой языковой модели Qwen3 размером 8 миллиардов параметров через сервер вывода Ollama; обеспечивающий вызов внешних инструментов и функций; смысловая память на основе векторных представлений для поиска с дополнением (RAG); веб-интерфейс на основе лёгкого веб-сервера на языке Python с обменом сообщениями в реальном времени.

This work is devoted to the study of a new approach to building a multi-agent system for processing enterprise employees’ natural-language requests, based on a large language model and operating on the enterprise’s own hardware. The aim of the work is to develop and experimentally validate a multi-agent system with adaptive planning, capable of decomposing a complex request into subtasks, distributing them among specialized agents, and adjusting the execution order on the basis of intermediate results. The objectives addressed in the course of the study were: 1. To examine existing approaches to building agents based on language models and multi-agent systems, and to identify their advantages and limitations. 2. To design a modular system architecture with separate components responsible for request recognition, planning, execution, and result evaluation. 3. To implement an adaptive planner supporting structured plans, links between steps, and conditions for successful step completion. 4. To implement specialized agents — the Searcher, the Executor, and the Composer — with the ability to call external tools and functions, and with a shared workspace for data exchange. 5. To develop self-correction mechanisms, including step-by-step verification, protection against premature completion, and re-execution of failed steps. 6. To conduct an experimental evaluation of the system on a set of typical corporate tasks of varying complexity and compare it with a single-agent approach. The study was carried out using the methods of comparative analysis of existing approaches to building agent systems, modular architecture design, software implementation of a prototype, and experimental evaluation. The experimental evaluation was conducted on a single workstation corresponding to a standard workplace setup, using a set of 30 typical corporate tasks across 4 levels of complexity, with measurements of accuracy, completeness of execution, response time, and the number of tool calls; each task was executed in 3 runs. As a result, a functioning system was designed and implemented that operates entirely on the enterprise’s local hardware without using cloud services. The experimental evaluation showed that the multi-agent mode achieves an accuracy of 93%, compared with 64% for a single agent (for complex tasks, the advantage reaches 47%); the overall recovery rate after failures is 90%, and the adaptive planner increases the final proportion of successful steps by 16%. Thus, it was confirmed that the combination of adaptive planning, task distribution among specialized agents, and self-correction mechanisms enables a comparatively compact language model to reliably solve multi-step corporate tasks while preserving data confidentiality. The following information technologies were used in the work: the Python 3.11 programming language; local deployment of the Qwen3 large language model with 8 billion parameters via the Ollama inference server; support for external tool and function calling; semantic memory based on vector representations for retrieval-augmented generation (RAG); and a web interface based on a lightweight Python web server with real-time message exchange.