Łańcuchowanie głębokie agentów
Na tej stronie
Nieograniczone łańcuchy agentów
API Mistral Agents nie nakłada żadnego limitu głębokości na łańcuchowanie agentów. Jeden agent może przekazać zadanie drugiemu, ten trzeciemu i tak dalej. Ta swoboda umożliwia tworzenie złożonych, modularnych przepływów pracy, ale jednocześnie przenosi odpowiedzialność za topologię na Ciebie: to Ty decydujesz, kto może wywoływać kogo. Ta mapa determinuje zachowanie systemu równie mocno, jak instrukcje dla każdego pojedynczego agenta.
Trzy topologie i ich konsekwencje
Łańcuch liniowy to najprostszy wzorzec: każdy agent przekazuje zadanie następnemu bez rozgałęzień.
Agent A → Agent B → Agent C → Odpowiedź
Pasuje to do procesów, w których kolejność jest znana z góry i nigdy się nie zmienia. Typowym przykładem jest: wyszukiwanie, następnie analiza, a potem pisanie. Nie piszesz przed analizą i nie analizujesz przed wyszukiwaniem.
# Agent badawczy
research = client.beta.agents.create(
model="mistral-large-latest",
name="research",
description="Search for factual information.",
tools=[{"type": "web_search"}]
)
# Agent analityczny
analyst = client.beta.agents.create(
model="mistral-large-latest",
name="analyst",
description="Analyze data and extract insights.",
tools=[{"type": "code_interpreter"}]
)
# Agent piszący
writer = client.beta.agents.create(
model="mistral-large-latest",
name="writer",
description="Draft professional reports.",
instructions="Write a structured report based on the analyzed data."
)
# Łańcuch: research → analyst → writer
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
Każdy agent zna tylko swojego bezpośredniego następcę: research nie wie nawet o istnieniu writer. Łańcuch istnieje wyłącznie w wywołaniach update, nigdzie indziej.
Łańcuch gwiaździsty odpowiada przeciwnemu potrzebom: centralny router rozdziela zadania między specjalistów, którzy nie komunikują się ze sobą nawzajem.
┌→ Agent wyszukiwania w sieci
Router ──┼→ Agent kalkulatora
└→ Agent piszący
router = client.beta.agents.create(
model="mistral-large-latest",
name="router",
description="Orchestrate requests.",
handoffs=[research.id, analyst.id, writer.id]
)
Tutaj kolejność nie jest z góry ustalona – to samo żądanie decyduje o miejscu docelowym. Ta forma sprawdza się w przypadku wszechstronnych asystentów, gdzie każde żądanie falls under jedną konkretną kompetencję.
Topologia hybrydowa łączy obie poprzednie: router rozdziela zadania, a specjaliści mogą również przekazywać je sobie nawzajem.
┌→ Agent badawczy ──→ Agent analityczny
Router ──┤ │
└→ Agent piszący ←───────────┘
# Research może przekazać do Analyst
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
# Analyst może przekazać do Writer
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
# Router ma dostęp do wszystkich
router = client.beta.agents.update(
agent_id=router.id,
handoffs=[research.id, analyst.id, writer.id]
)
Jest to najbardziej potężna forma, ale też najtrudniejsza do debugowania. To samo żądanie może podążać różnymi ścieżkami od jednego wykonania do drugiego, co sprawia, że logowanie przekazań staje się niezbędne, gdy tylko wyjdziesz ze środowiska testowego (sandbox).
Dwa potoki produkcyjne
Przetwarzanie danych ilustruje najbardziej naturalne zastosowanie łańcucha liniowego: zbieranie, czyszczenie, wizualizacja. Dwa ostatnie kroki używają tego samego narzędzia, ale ich rozdzielenie utrzymuje każdy zestaw instrukcji w czystości – czyszczenie i reprezentowanie to odrębne zadania.
# Krok 1: Zbieranie
collector = client.beta.agents.create(
model="mistral-large-latest",
name="data-collector",
description="Collect data from the internet.",
tools=[{"type": "web_search"}]
)
# Krok 2: Czyszczenie i transformacja
transformer = client.beta.agents.create(
model="mistral-large-latest",
name="data-transformer",
description="Clean and transform raw data.",
tools=[{"type": "code_interpreter"}]
)
# Krok 3: Analiza i wizualizacja
visualizer = client.beta.agents.create(
model="mistral-large-latest",
name="data-visualizer",
description="Create visualizations and charts.",
tools=[{"type": "code_interpreter"}]
)
# Łańcuch
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[transformer.id])
transformer = client.beta.agents.update(agent_id=transformer.id, handoffs=[visualizer.id])
Asystent badań akademickich podąża tą samą strukturą, ale z innym rodzajem ogniwa pośredniego. Syntezator nie posiada narzędzi: jego wartość leży wyłącznie w jego instrukcjach, które każą mu konfrontować źródła – wspólne punkty, rozbieżności, luki – zamiast po prostu je stackedować.
# Wyszukiwacz
searcher = client.beta.agents.create(
model="mistral-large-latest",
name="academic-searcher",
description="Search for academic articles and publications.",
tools=[{"type": "web_search"}]
)
# Syntezator
synthesizer = client.beta.agents.create(
model="mistral-large-latest",
name="synthesizer",
description="Synthesize and compare multiple sources.",
instructions="Identify common points, divergences, and gaps."
)
# Pisarz akademicki
academic_writer = client.beta.agents.create(
model="mistral-large-latest",
name="academic-writer",
description="Structured academic writing with citations.",
instructions="Write in academic format with introduction, methodology, results, discussion."
)
# Potok: searcher → synthesizer → writer
searcher = client.beta.agents.update(agent_id=searcher.id, handoffs=[synthesizer.id])
synthesizer = client.beta.agents.update(agent_id=synthesizer.id, handoffs=[academic_writer.id])
Utrzymywanie rozsądnej głębokości
Brak limitu technicznego nie jest zaproszeniem do szaleństwa. W praktyce łańcuchowanie od dwóch do czterech agentów pokrywa zdecydowaną większość potrzeb. Powyżej pięciu, zarówno opóźnienia, jak i koszty rosną drastycznie. Powód jest mechaniczny: każdy agent dodaje własne tokeny kontekstu, w tym instrukcje, na top historii rozmowy, która rosła tylko od momentu pierwszego przekazania. Piąty agent nie pracuje nad początkowym żądaniem, ale nad wszystkim, co wyprodukowało poprzednie cztery.
Zanim wydłużysz łańcuch, zadaj sobie pytanie, czy dodatkowy krok zasługuje na dedykowanego agenta, czy może zmieści się w instrukcjach istniejącego agenta. Dyrektywa formatująca na przykład prawie nigdy nie uzasadnia dodawania kolejnego ogniwa.
Zauważ również, że agent nie jest ograniczony do jednego celu. Może zadeklarować wiele celów i wybierać spośród nich w zależności od kontekstu.
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id, visualizer.id, calculator.id]
)
Ten analityk przekieruje zadanie do pisarza, jeśli wynik jest gotowy do przedstawienia, do wizualizatora, jeśli dane wymagają wykresu, lub do kalkulatora, jeśli brakuje jeszcze jakiejś liczby. Wybór polega, jak zawsze, na opisach trzech celów – to jedyne informacje dostępne do podjęcia decyzji.
Kluczowe wnioski
- Brak limitu głębokości dla łańcuchowania agentów
- Trzy wzorce: liniowy (A→B→C), gwiaździsty (router→specjaliści), hybrydowy (graf)
- Każdy agent może mieć wiele celów przekazania
- W środowisku produkcyjnym ogranicz łańcuchy do 2–4 agentów, aby kontrolować opóźnienia i koszty
- Opisy agentów są kluczowe dla skutecznego routingu