> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# 3 паттерна воркфлоу AI-агентов: когда какой использовать
- URL: https://matveev.tech/patterny-workflow-ai-agentov/
- Published: 2026-03-18T08:42:22.000Z
- Updated: 2026-03-18T08:42:22.000Z
- Description: Anthropic выделяют три паттерна воркфлоу AI-агентов, которые покрывают большинство задач на проде. Разбираемся, когда какой использовать и как их комбинировать.
- Author: Pavel Matveev
- Tags: Агенты, AI, Разработка, Claude

> TL;DR: Anthropic выделяет три паттерна воркфлоу для AI-агентов, которые покрывают большинство продакшн-задач: последовательный, параллельный и evaluator-optimizer. Начинать стоит с самого простого — и усложнять, только когда это реально нужно.

Если ты строишь что-то на AI-агентах, рано или поздно встаёт вопрос: как организовать их работу? Один агент делает всё сам? Несколько работают параллельно? Или один пишет, а другой проверяет?

Anthropic поработали с десятками команд, которые запускают агентов в проде, и свели всё к трём базовым паттернам. Мне нравится такой подход: не 15 вариантов на все случаи жизни, а три рабочих шаблона, которые можно комбинировать.

## Как воркфлоу и агенты работают вместе?

Думаю, тут важно разделить два понятия. Полностью автономный агент сам решает, какие инструменты использовать, в каком порядке выполнять задачи и когда остановиться. Воркфлоу добавляет структуру: задаёт общий поток, определяет чекпоинты и границы.

Хорошая аналогия — сборочная линия на заводе. Каждый работник на своей станции принимает решения по своей задаче, но общий порядок операций спроектирован заранее. С AI-воркфлоу то же самое. Агент умный на каждом шаге, а весь процесс идёт по заданному маршруту.

💡

Воркфлоу не заменяет автономность агента — он задаёт рамки, внутри которых агент принимает решения.

## Три паттерна: когда какой выбирать

Anthropic выделяют три паттерна, которые чаще всего встречаются в продакшне. Это не жёсткие шаблоны, а строительные блоки. Их можно комбинировать и вкладывать друг в друга.

| Паттерн             | Какую задачу решает                                     | Когда использовать                                                | Минус                                           | Плюс                                                   |
| ------------------- | ------------------------------------------------------- | ----------------------------------------------------------------- | ----------------------------------------------- | ------------------------------------------------------ |
| Последовательный    | Шаги зависят друг от друга: шаг Б ждёт результат шага А | Пайплайны данных, цепочки черновик-ревью-финал                    | Добавляет задержку — каждый шаг ждёт предыдущий | Точность выше — каждый агент фокусируется на одном     |
| Параллельный        | Задачи независимы, но делать по одной — медленно        | Оценка по нескольким критериям, код-ревью, анализ документов      | Дороже — несколько одновременных API-вызовов    | Быстрее и удобнее для разных команд разработки         |
| Evaluator-optimizer | Первый черновик недостаточно хорош                      | Техническая документация, клиентские коммуникации, генерация кода | Расход токенов x2-3, время итераций             | Качество выше за счёт структурированной обратной связи |

## Последовательный воркфлоу

Самый простой паттерн. Задачи выполняются в заданном порядке, выход одного шага становится входом следующего. Данные текут слева направо, как пайплайн.

![Схема последовательного воркфлоу AI-агентов](https://matveev.tech/content/images/2026/03/sequential-workflow-pattern.png)

Подходит для многоступенчатых процессов, где каждый шаг зависит от предыдущего: пайплайны данных, цепочки «черновик → ревью → финал».

Пример: генерация маркетингового текста, а потом перевод на несколько языков. Или модерация контента — извлечь, классифицировать, применить правила, маршрутизировать.

Anthropic советуют сначала попробовать всё в одном промпте. Справляется? Задача решена. Разбивать на шаги стоит, только когда один агент не вытягивает.

Я бы добавил, что это вообще самый недооценённый совет во всей теме агентов. Хочется сразу строить сложную архитектуру с пятью шагами, а достаточно было нормально написать промпт.

## Параллельный воркфлоу

Тут несколько агентов работают одновременно над независимыми задачами. Не ждут друг друга, каждый делает своё, потом результаты собираются вместе.

![Схема параллельного воркфлоу AI-агентов](https://matveev.tech/content/images/2026/03/parallel-workflow-pattern.png)

По сути это fan-out/fan-in из распределённых систем. Раздаёшь работу нескольким агентам, собираешь результаты, агрегируешь.

Хорошо ложится на задачи, где нужно оценить что-то по нескольким измерениям сразу. Код-ревью, где один агент ищет уязвимости, другой проверяет стиль, третий — перформанс. Или анализ документа, где параллельно извлекаются темы, тональность и факты.

Но тут есть подвох. Прежде чем запускать параллельных агентов, нужно решить, как собирать результаты. Берём мнение большинства? Средний скор уверенности? Доверяем самому специализированному? Без этого плана получишь кучу противоречивых ответов и непонятно, что с ними делать.

## Evaluator-optimizer

Мой любимый паттерн, если честно. Два агента работают в цикле: один генерирует, другой оценивает по заданным критериям. Генератор дорабатывает по фидбеку, и так до достижения порога качества или лимита итераций.

![Схема evaluator-optimizer воркфлоу AI-агентов](https://matveev.tech/content/images/2026/03/evaluator-optimizer-workflow-pattern.png)

Генерация и оценка — разные когнитивные задачи. Разделяешь их, и каждый агент делает одно, но хорошо.

Работает для генерации кода с жёсткими требованиями, клиентских коммуникаций, где важен тон, и вообще любых задач, где первый черновик стабильно не дотягивает.

Конкретный пример: агент пишет API-документацию, оценщик сверяет с кодовой базой на полноту и точность. Или агент генерирует SQL-запрос, а оценщик проверяет на инъекции и эффективность.

⚠️

Обязательно задавай критерии остановки: максимум итераций и порог качества. Без этого агенты могут гонять бесконечный цикл, находя мелкие проблемы и тратя токены, а качество уже давно вышло на плато.

## Как выбрать паттерн?

Anthropic предлагают простой алгоритм:

1. Попробуй решить задачу одним вызовом агента. Если получилось — не нужен воркфлоу вообще
2. Есть чёткие последовательные зависимости? Бери sequential
3. Подзадачи независимы и нужна скорость? Бери parallel
4. Качество заметно растёт от итераций? Бери evaluator-optimizer

Паттерны можно комбинировать. Evaluator-optimizer с параллельной оценкой, когда несколько оценщиков одновременно проверяют разные аспекты. Или последовательный воркфлоу с параллельным шагом на одном из этапов.

Не усложняй ради усложнения. Параллелизация не даёт ощутимого прироста? Не добавляй. Первый черновик и так нормальный? Не строй цикл оценки.

Разбираю агентов и воркфлоу на практике — [подписывайся в телеге](https://t.me/ctospeech?ref=matveev.tech).

## Вывод

По моему опыту, 80% задач с агентами решаются последовательным воркфлоу или вообще одним вызовом. Параллельный нужен, когда упираешься в скорость. А evaluator-optimizer — когда реально нужно качество выше, чем даёт один проход.

Главное из [статьи Anthropic](https://claude.com/blog/common-workflow-patterns-for-ai-agents-and-when-to-use-them?ref=matveev.tech): начни с простого. Один агент, один промпт. Не вытягивает — добавь структуру. Три паттерна дают понятные пути масштабирования, и не нужно переписывать всё с нуля.

## Что ещё почитать

- [Память AI-агентов: контекст, RAG, графы и mem0](https://matveev.tech/pamyat-ai-agentov-rag-grafy-mem0/) — как агенты запоминают информацию между сессиями
- [Топ-6 AI-агентов для кода в 2026](https://matveev.tech/luchshie-ai-agenty-dlya-koda-2026/) — сравнение инструментов, которые используют эти паттерны
- [Code Review в Claude Code](https://matveev.tech/claude-code-review-obzor/) — пример sequential-воркфлоу на практике