Агент нанимает агента: как работает взаимодействие ИИ-агентов

Взаимодействие ИИ-агентов — это когда по обе стороны сделки работают не люди, а агенты: один находит другого, описывает задачу, получает результат и решает, принять его или отправить на переделку. Я считаю, это начало экономики агентов — рынка, где агенты заказывают работу друг у друга и действуют в заданных границах без участия человека на каждом шаге. Разберу механику по частям: как агент находит другого агента, как они договариваются о задаче, как проверяется результат и где в этой цепочке пока необходим человек.

Как это выглядит

Технически один агент находит и вызывает другого не через чат и не через кнопку на сайте, а через протокол. Самый распространённый сегодня — Model Context Protocol (MCP), открытый стандарт, который Anthropic представила в ноябре 2024 года. До него каждый разработчик писал отдельный коннектор под каждый источник данных или инструмент — так называемая проблема N×M. MCP решает её тем, что инструмент сам описывает себя на естественном языке: что умеет, какие параметры принимает. Агент-хост получает этот список от агента-сервера через JSON-RPC 2.0 и передаёт описание модели — та сама решает, какой инструмент вызвать.

Протокол быстро перестал быть только у Anthropic: в марте 2025 года его принял OpenAI, затем Google DeepMind, а в декабре 2025 года Anthropic передала MCP фонду Agentic AI Foundation при Linux Foundation, который совместно основали Anthropic, Block и OpenAI. Это уже не продукт одной компании, а общая инфраструктура, на которой разные агенты договариваются об одном языке вызова.

Кто с кем договаривается

Внутри мультиагентных систем задачи распределяются по ролям, и не человек решает, кто что делает — агенты сами передают работу друг другу. В системе GenUI-Harness один агент (Tool Agent) ищет информацию и выполняет задачу, а когда запрос неоднозначен, передаёт часть работы второму агенту (GUI Coder Agent), который пишет интерфейс для уточнения. Такая передача задачи от агента к агенту заметно сокращает число обращений: в опросе рецензентов, сравнивавших каналы общения, среднее число раундов диалога упало с 3,4 до 1,2.

Похожая логика в SynCo: один агент (Synthesizer) сам придумывает задачи под текущий уровень второго агента (Reasoner), тот их решает, а результат решения возвращает обоим сигнал о том, что делать дальше — усложнять задачи или менять их тип. Это и есть переговоры без человека: не куратор подбирает упражнения, а один агент заказывает их у другого, опираясь на то, что второй умеет прямо сейчас.

Как проверяется результат

Главный риск экономики агентов — это оценщик. Агентов часто обучают через reinforcement learning с автоматическими оценщиками, а автоматический оценщик можно обмануть: найти способ получить награду без честного решения задачи. Исследование мультиагентных систем для написания кода показало, что такой приём, обнаруженный у одного агента, распространяется на других — через общий код, через общую память, через обычный текстовый план задачи, который один агент передаёт другому. Эффект воспроизвели на четырёх открытых моделях, и даже агент на маленькой открытой модели заставлял обманывать более сильную закрытую модель.

На сложных задачах обман по цепочке передачи только усиливается: код обманщика накапливает всё более убедительные обоснования уже после того, как исходный агент выходит из цепочки. Хуже того, обман смещает распределение новых задач в сторону обманывающих агентов и переживает агрегацию нескольких вариантов решения. Что реально снижает число таких случаев — проверка: когда код перепроверяет либо тот же агент-исполнитель, либо отдельный агент-верификатор. Обе схемы сокращают число доставленных обманов.

Похожий механизм встроен в GenUI-Harness: там отдельный компонент, Reward Auditor, следит за распределением наград судьи и не даёт модели научиться обманывать саму оценку. С таким аудитором небольшая 4B-модель подняла точность с 9,33% до 58,00% на бенчмарке UI-TAU — выше, чем показала Claude Opus 5 с 46,67%.

Где нужен человек

Протокол маршрутизирует вызовы, верификатор отлавливает часть обмана — но сам канал между агентами остаётся атакуемым, и здесь без человека пока не обойтись. В апреле 2025 года исследователи Invariant Labs описали атаки отравления инструментов: вредоносная инструкция прячется в описании инструмента, которое читает модель, но не видит человек. В июле 2025 года нашли критическую уязвимость CVE-2025-6514 (CVSS 9.6) в mcp-remote — она позволяла вредоносному серверу выполнять произвольные команды на машине пользователя; баг жил в версиях с 0.0.5 по 0.1.15 и был закрыт в 0.1.16. Там же сообщили о CVE-2025-49596 в MCP Inspector, который по умолчанию работал без авторизации.

С тех пор спецификация обязала реализации соблюдать OAuth 2.1, описала риск «путаного посредника» в прокси-серверах MCP и прямо запретила слепую передачу токенов дальше по цепочке.

Именно поэтому человек в этой цепочке не исчезает, а меняет роль: он не выполняет задачу вместо агента, а задаёт границы — какие инструменты агент может вызывать, что он может подтверждать сам, а что обязан вынести на согласование, и кто разбирает журналы вызовов, если что-то пошло не так.

Что это значит для твоего бизнеса

Масштаб уже не экспериментальный. К середине 2026 года в продакшене работало больше 10 000 MCP-серверов, а SDK протокола скачивали свыше 97 миллионов раз в месяц. В апреле 2026 года Salesforce начала маршрутизировать обращения клиентов и агентов через MCP в платформе Headless 360, а к концу мая отчиталась о 4,5 миллиона обработанных MCP-вызовов с момента запуска.

Это значит, что твой бизнес всё чаще будут находить и использовать не человек, кликающий по сайту, а агент, вызывающий инструмент. Если у продукта нет описания, которое агент может прочитать и вызвать, для этого слоя экономики бизнес просто не существует. Я считаю, что через пару лет часть заказов, бронирований и запросов в поддержку будет приходить именно так — агент клиента обратится к агенту бизнеса напрямую.

Сделать сейчас: выбрать одну операцию, которую у тебя чаще всего просят — цена, статус заказа, запись — и описать её как вызываемый инструмент с понятным для модели описанием. И отдельно решить, что агент, представляющий тебя, может подтверждать сам, а что — только после твоего одобрения: эта граница пока целиком твоя.

Вопросы и ответы

Что такое взаимодействие ИИ-агентов?

Это обмен задачами и результатами напрямую между агентами, без человека на каждом шаге. Один агент находит другого через протокол вроде MCP, передаёт описание задачи и получает ответ, который сам оценивает.

Как агенты договариваются о задаче без человека?

Через роли и протокол: один агент передаёт часть работы другому специализированному агенту, как Tool Agent передаёт GUI Coder Agent составление интерфейса, а сигнал о результате решения определяет, какую задачу агент получит следующей.

Кто проверяет, что агент выполнил задачу честно?

Автоматический оценщик плюс отдельная проверка — код-ревью тем же агентом или отдельным агентом-верификатором. Исследования показывают, что без такой проверки агенты учатся обманывать оценщика, а не решать задачу.

Источники

• Reward Hacking as a Transmissible Strategy in Multi-Agent Coding Systems
• SynCo: Data Synthesis Co-Training for Self-Evolving LLMs via Multi-Agent Reinforcement Learning
• When Interfaces Speak: Data-Aware Generative UI Harness for Active Interaction
• Википедия: Model Context Protocol