Мультиагентные системы для прогнозирования: как собрать минимальный прототип
Как собрать прототип мультиагентной системы прогнозирования: роли, протокол сообщений, правило остановки, отказ при разногласии и бэктест с MAE/MAPE.

Мультиагентная система для прогнозирования — это несколько ИИ-агентов с разными ролями, которые по очереди работают с одним прогнозом: готовят данные, предлагают гипотезы, проверяют их и сводят в итоговый ответ с интервалом и явным правом отказаться от прогноза. Минимальный прототип собирается из четырёх ролей, одного формата сообщений, правила остановки и бэктеста на исторических данных.
Ниже — практическая схема: что делает каждая роль, как ИИ-агенты для прогнозирования обмениваются сообщениями, когда система должна сказать «нет прогноза» и как проверить, что ансамбль не хуже одиночной модели. Это инженерный каркас, а не обзор платформ и не руководство по выбору модели.
Зачем прогнозу несколько агентов
Одиночная модель упирается в потолок, когда задача требует разных типов работы одновременно: разобраться в качестве ряда, предложить объяснение динамики, проверить допущения и собрать итог. Один агент с большим набором инструментов вынужден держать всё в одном контексте, и ошибки накапливаются.
Мультиагентность стоит дорого: каждый дополнительный агент — это отдельные вызовы модели, и расход растёт с числом ролей и раундов. Поэтому смысл появляется только там, где выгода в качестве прогноза перекрывает расходы. Если задача решается одним промптом или одной моделью, ансамбль ролей не нужен.
Для прогнозирования выгода обычно в трёх вещах: явная проверка допущений, измеримая доля отказов вместо уверенного, но неверного числа, и возможность объяснить, откуда взялся интервал. Гарантии, что ансамбль улучшит точность, нет — это нужно проверять на своих данных.
Границы задачи
Что входит в этот прототип:
- разбиение прогноза на роли и зоны ответственности;
- формат сообщений между агентами;
- правило остановки и правило отказа;
- бэктест и метрики качества прогноза.
Что остаётся за рамками: выбор конкретной агентной модели, сравнение платформ оркестрации, безопасность и автономность агентов, классическая методология прогнозных моделей. Эти темы требуют отдельного разбора.
Архитектура ролей
Четыре роли закрывают полный цикл прогноза. У каждой — ограниченный набор инструментов и своё контекстное окно, чтобы агент не отвечал за чужие задачи.
Агент данных
Отвечает за подготовку ряда: проверяет пропуски, выбросы, частоту, доступность экзогенных признаков на горизонте прогноза. Его результат — очищенный ряд и список ограничений: например, «признак X известен только с задержкой в две недели, на горизонте использовать нельзя».
Агент гипотез
Предлагает объяснение динамики и варианты прогноза: тренд, сезонность, влияние внешних факторов. Формулирует не одно число, а гипотезу с обоснованием и ожидаемым интервалом.
Критик
Проверяет гипотезы на устойчивость: не опирается ли прогноз на признак, недоступный на горизонте, не противоречат ли оценки разных гипотез, нет ли утечки данных из будущего. Критик не строит прогноз — он ищет слабые места.
Агрегатор
Собирает итог: сводит мнения, формирует интервал, принимает решение об отказе. Он не пересчитывает прогноз за других, а применяет заранее заданные правила.
Похожий принцип разделения ролей встречается в исследовательских работах: например, в работе о прогнозировании настроений описана схема, где одна модель отыгрывает роль пользователя, а другая — роль психолога, который проверяет ответ на согласованность. Это подтверждает саму идею ролевой проверки, но не доказывает её пользу для вашего ряда.
Протокол сообщений между ролями
Без фиксированного формата агенты начинают пересказывать друг друга и терять числа. Минимальный набор полей сообщения:
| Поле | Что содержит |
|---|---|
| role | кто отправил сообщение |
| hypothesis | формулировка гипотезы или замечания |
| point_forecast | точечный прогноз на горизонте |
| interval | нижняя и верхняя граница |
| confidence | субъективная уверенность в заданной шкале |
| evidence | на каких данных и признаках основано |
| constraints | что нельзя использовать на горизонте |
Пример одного сообщения от агента гипотез:
role: hypothesis_agent
hypothesis: рост заказа вызван сезонным фактором, а не акцией
point_forecast: [значение на горизонте]
interval: [нижняя граница, верхняя граница]
confidence: средняя
evidence: историческая сезонность за сопоставимые периоды
constraints: данные об акции недоступны на горизонте
Значения в примере намеренно не подставлены: числа должны появиться из ваших данных, а не из шаблона.
Правило остановки и правило отказа
Два правила защищают систему от бесконечного обсуждения и от ложной уверенности.
Правило остановки. Цикл завершается, когда выполнено любое из условий: критик не выдвинул новых возражений; прошло заданное число раундов; разброс точечных прогнозов опустился ниже порога. Порог задаётся до запуска и не меняется по ходу.
Правило отказа. Если разброс прогнозов между гипотезами превышает порог, агрегатор возвращает «нет прогноза» вместо среднего. Усреднение противоречивых мнений без критика — типичная ошибка: она даёт гладкое число, которое выглядит надёжным, но не опирается на согласие.
Отказ — это не сбой системы, а её результат. Доля отказов становится измеримой метрикой, а не поводом для оправданий.
Учебный пример на синтетическом ряду
Ниже — иллюстрация процедуры, а не результат исследования. Числа условные и нужны только для того, чтобы показать шаги.
- Подготовка. Агент данных размечает ряд и фиксирует ограничения: часть признаков недоступна на горизонте.
- Гипотезы. Агент гипотез предлагает два объяснения динамики с разными прогнозами и интервалами.
- Проверка. Критик замечает, что одна гипотеза опирается на признак с задержкой, и просит её пересобрать.
- Сведение. Агрегатор сравнивает разброс с порогом: если он велик, возвращает отказ; если мал — формирует итоговый интервал.
- Бэктест. Процедура повторяется на исторических окнах, и результаты сравниваются с одиночной моделью.
Такой прогон показывает, где именно ансамбль помогает: чаще всего — на участках смены режима, где одиночная модель уверенно экстраполирует прошлый тренд. Это гипотеза для проверки на ваших данных, а не установленный факт.
Как доказать пользу: бэктест и метрики
Сравнивайте ансамбль и одиночную модель на одном и том же разбиении истории, с одинаковым горизонтом и одинаковыми признаками.
- MAE и MAPE — базовая точность точечного прогноза. MAPE плохо работает при значениях около нуля, это стоит учитывать при выборе метрики.
- Калибровка интервалов — как часто фактическое значение попадает в заявленный интервал. Если попадание заметно ниже заявленного уровня, интервалы слишком узкие.
- Доля отказов — как часто система возвращает «нет прогноза». Слишком высокая доля делает систему бесполезной, слишком низкая — может означать, что порог разброса задан слабо.
- Стоимость прогноза — число вызовов и токенов на один прогноз. Без этой метрики нельзя понять, окупается ли мультиагентность.
Сравнение корректно, только если одиночная модель получает те же данные и тот же горизонт. Иначе разница будет отражать не архитектуру, а разные условия.
Типичные ошибки и чек-лист перед запуском
- Усреднение противоречивых прогнозов без критика и без отказа.
- Порог разброса подобран после просмотра результатов бэктеста.
- Агент гипотез использует признаки, недоступные на горизонте.
- Интервалы заявлены, но их калибровка не измеряется.
- Стоимость прогноза не считается, и мультиагентность не с чем сравнить.
Перед запуском прототипа проверьте: роли разделены, формат сообщений фиксирован, правило остановки задано заранее, правило отказа работает, бэктест сравнивает ансамбль и одиночную модель на одних данных, метрики включают точность, калибровку, долю отказов и стоимость.
Если после бэктеста ансамбль не лучше одиночной модели, разумный вывод — упростить систему, а не усложнять её дальше. Смежные темы — ИИ в финансовом секторе и ИИ в науке и математике — помогут увидеть, как прогнозные задачи решаются в других областях.


