Зачем нужны паттерны agentic engineering

Когда вы просто пишете промпты — это промпт-инжиниринг. Когда вы строите системы из нескольких AI-агентов, управляете их состоянием и подключаете инструменты — это agentic engineering. Google Cloud провёл серию соревнований Agent Bake-Off где команды строили полноценные AI-агенты для реальных задач: электронная коммерция, модернизация банковских систем, автоматизация стратегий выхода на рынок.

Из наблюдений за командами-победителями и командами-неудачниками выделились пять паттернов которые реально работают. Это не теория — это то, что сработало под давлением дедлайнов.

Паттерн 1: разбивайте монолит на микроагенты

Одна большая модель которая делает всё — это путь к галлюцинациям и высокой задержке. Победители разбивали задачи на специализированных агентов с узкими промптами и единым супервизором который распределяет работу.

В одном из эпизодов команда запустила параллельно узкоспециализированных агентов и сократила время обработки с часа до десяти минут. Модульный подход также упрощает поддержку: если нужно поменять модель или схему базы данных — вы трогаете только одного агента, а не всю систему.

Пример архитектуры:

TEXT 
Супервизор (главный агент)
  ├── Агент поиска товаров
  ├── Агент расчёта цен
  ├── Агент обработки платежей
  └── Агент уведомлений

Паттерн 2: мыслите категориями временности

Во время соревнований команды построили сложную систему виртуальной примерочной на базе Gemini 2.0. Через несколько недель после соревнований вышла новая версия модели которая делает то же самое одной строкой кода.

Вывод: стройте модульно чтобы можно было выкинуть старого агента и заменить на нового когда модели станут умнее. Не хардкодьте логику в агента если её можно делегировать модели.

Паттерн 3: мультимодальность — не дополнение, а основа

Текстовые рекомендации «наденьте синие джинсы» не решают проблему онлайн-шоппинга. Картинка стоит тысячи слов — и в AI это буквально работает. Лучшие системы интегрировали мультимодальные модели нативно: загрузка фото пользователя, извлечение визуального контекста, генерация композитного изображения.

Если ваш агент работает только с текстом — вы теряете значительную часть контекста. Добавьте картинки, диаграммы, скриншоты — и точность вырастет.

Паттерн 4: используйте открытые протоколы

Рынок переполнен протоколами и это пугает. Но игнорировать их нельзя. Model Context Protocol (MCP) позволяет агентам динамически находить ресурсы через стандартные Agent Cards и общаться через JSON.

Вместо того чтобы писать кастомные обёртки для каждой интеграции, подключите MCP-серверы и получите стандартизированное взаимодействие. Это разница между хрупким экспериментом и масштабируемой production-системой.

Паттерн 5: большая языковая модель рассуждает, код исполняет

Попросить LLM посчитать сложные проценты — почти ошибка. Это вероятностная система и на больших числах она начнёт галлюцинировать. Во время соревнований команды пытались заставить AI делать финансовые расчёты — и получали массовые ошибки валидации.

Правильный паттерн: LLM только рассуждает и извлекает намерение. Жёсткие схемы валидации захватывают переменные из ответа модели. После валидации — передача в обычную детерминированную функцию которая делает расчёт.

PYTHON 
# AI делает только рассуждение
intent = llm.extract_intent(user_request)

# Жёсткая валидация
validated = PaymentIntent(**intent)  # Проверит типы

# Детерминированный код делает расчёт
result = calculate_compound_interest(
    principal=validated.amount,
    rate=validated.rate,
    periods=validated.periods
)

Как применить уже сегодня

Начните с малого: возьмите одну задачу в вашем проекте и разбейте на два агента вместо одного. Например, агент который ищет информацию и агент который её обрабатывает. Посмотрите как изменится качество и скорость.

Подключите MCP-серверы к Claude Code или Gemini CLI. Это даст вашим агентам доступ к GitHub, базам данных, внешним API без кастомного кода.

Проверьте где в вашем коде LLM делает расчёты которые должны делать обычные функции. Перенесите математику в детерминированный код.

Исходная статья от Google Cloud доступна на developers.googleblog.com