От статичных пайплайнов к адаптивным агентам:
как научить LLM выбирать действия, инструменты и бюджет под запрос

В мультиагентных системах один компонент системы планирует, другой проверяет, третий вызывает инструменты вроде поиска или калькулятора. И тут выясняется, что качество зависит не только от самой LLM, но и от того, как именно мы собрали эту «обвязку»: какой пайплайн выбрать, какие инструменты разрешить, сколько токенов выделить на рассуждение, какие промты дать каждому агенту.

Проблема в том, что на практике конфигурация обычно статична. Команда один раз подбирает удачный шаблон — и дальше гоняет его на всех запросах подряд. Из-за этого система часто ведёт себя неустойчиво и расточительно. Простому вопросу достаётся тяжёлая схема с поиском, голосованием и проверками, хотя можно было ответить напрямую. А сложный запрос, наоборот, может получить слишком короткий бюджет или не те инструменты. Плюс появляется классическая беда длинных контекстов: часть важной информации теряется в середине, и качество падает.

Авторы работы Learning to Configure Agentic AI Systems предлагают относиться к настройке не как к разовой инженерной задаче, а как к решению, которое нужно принимать заново для каждого запроса. Правда, тут же встаёт комбинаторный кошмар: даже в относительно небольшой системе легко набираются десятки тысяч вариантов (workflow × наборы инструментов × уровни бюджетов × варианты промтов). Перебирать это вручную или простым поиском слишком дорого.

ARC: контроллер, который выбирает режим работы под запрос

Решение авторов называется ARC (Agentic Resource & Configuration learner). По сути это лёгкий обучаемый контроллер, который стоит поверх агентной системы и решает, как её запускать именно сейчас. Важно, что backbone LLM не дообучают — вместо этого обучают небольшие политики, которые выбирают конфигурацию.

ARC устроен иерархически. Такой разрез делает задачу более управляемой: вместо одной гигантской кнопки «выбери всё» система принимает решение по частям.

Чтобы политика понимала, что перед ней за запрос, она получает его представление: эмбеддинг текста плюс простые признаки вроде длины, «числовой плотности» и индикаторов того, похоже ли задание на многошаговое рассуждение или на необходимость инструментов.

Как ARC учится: награда за правильность и штраф за стоимость

Авторы формулируют обучение с подкреплением (RL): на каждом запросе система выбирает конфигурацию, запускает агентный пайплайн и получает награду. Награда учитывает два главных фактора: ответ правильный или нет, и сколько стоила попытка по шагам/токенам/времени. Так ARC вынуждают не просто «выжимать максимум точности», а искать баланс: где-то стоит запустить проверяющий цикл, а где-то лучше ответить быстро.

Есть тонкий момент с инструментами: можно разрешить веб-поиск, но LLM в итоге его не вызовет. Поэтому авторы добавляют shaping-награду, которая поощряет выделять инструменты тогда, когда они реально будут использованы, и штрафует за лишние разрешения без дела.

Ещё одна важная инженерная деталь — маскирование действий: часть комбинаций просто не имеет смысла (например, назначать инструменты агентам, которых выбранный пайплайн не использует). Маскирование выкидывает такие варианты и облегчает обучение.

После этапа RL авторы делают второй шаг: берут лучшие траектории (top 30% по награде среди правильных) и проводят supervised fine-tuning (SFT) политик. Это снижает случайность и делает поведение более стабильным: политика фиксирует найденные удачные режимы, вместо того чтобы каждый раз слегка колебаться.

Что получилось на бенчмарках и почему это важно

ARC проверяют на задачах рассуждения (GSM8k, DROP, MedQA) и на tool-augmented QA (HotpotQA, GAIA). На примере Qwen 2.5 7B Instruct система даёт резкий скачок относительно базовой модели с инструментами:

На HotpotQA и GAIA прирост тоже заметен, хотя абсолютные значения там ниже — задачи упираются в знания и поиск. Отдельно интересно, что ARC не «залипает» в одном любимом пайплайне. В анализе видно разнообразие используемых схем: для разных датасетов и типов вопросов политика выбирает разные паттерны, а не повторяет один и тот же тяжёлый конвейер.

Наконец, авторы показывают практичную метрику: компромисс точность–стоимость. ARC-решения оказываются на границе Парето или формируют её, то есть дают лучшую точность при той же цене или ту же точность дешевле, чем фиксированные и поисковые подходы.

Что это меняет в подходе к агентным системам

Главный вывод работы: подход one size fits all для агентных LLM-систем слишком дорогой и часто неоптимальный. Гораздо выгоднее научиться подбирать пайплайны, инструменты, бюджеты и промты под конкретный запрос, и делать это не руками, а обучаемой политикой.

ARC показывает, что такой контроллер может быть лёгким, обучаться без обновления основной LLM и при этом давать ощутимую прибавку качества вместе с экономией токенов и времени. Отдельно стоит отметить аккуратность конструкции: иерархия решений, маскирование недопустимых действий и финальная стабилизация через SFT выглядят, как разумный ответ на реальную проблему огромного комбинаторного пространства.