FINAL — Занятие 4 МАИ: Оркестрация и multi-agent (B4)

Generated: 2026-06-27 (Variant C, Phase 5) Дидактическая ось МАИ: B4 (оркестрация / мультиагентность) Связанные оси: A3-A4, C3, D4,D11,D12 Источники: L4_orchestration pulls (29 кейсов), T7 (multi-agent training environment), DR3 Wave 3.

Это самый плотный кластер в корпусе (33% всех кейсов — B4). Соответственно самая сильная угроза — agent_washing.

Цель занятия

Студенты должны отличать architecture-level multi-agent system от agent_washing через схему ролей, памяти, arbitration и evaluation. Главный вопрос: где «два промпта с разными ролями» становятся реальной распределённой архитектурой?

Структура занятия (90 мин)

Базовые кейсы для разбора (6)

1. senior-design-multi-agent-llms — Multi-Agent LLM Framework для Senior Design (INT)

• A4 / B4 / C3 / D2,D4,D10,D12
• Multi-agent с распределением ролей в senior design. Один из самых академически проработанных примеров.
• Что разбираем: какие роли, какая память shared, какой arbitration mechanism.

2. astra-atco — ASTRA ATCO training simulator (SG)

• Strong кейс из Wave 2/EXT. Air traffic control с multi-agent — реальная задача требует распределения.
• Что разбираем: domain (ATC) даёт structural pressure на распределение функций. Где это видно в архитектуре.

3. capra-multi-agent-architecture-feedback — CAPRA (IT) — arXiv 2606.18976

• A4 / B3 / C3 / D2,D7,D11
• Multi-Agent LLM Software Architecture Feedback. Конкретный academic paper.
• Что разбираем: какие роли (architect, critic, validator), какой arbitration.

4. spear-multi-agent-smart-contract — SPEAR (INT)

• A4 / B3-B4 / C3 / D2,D3,D10
• Multi-Agent Smart Contract Auditing (arXiv 2602.04418). Audit — структурно multi-agent.
• Что разбираем: задача audit как inherent multi-perspective. Когда это «реальное» распределение, когда — promp role-play.

5. senior-design-multiagent-llm-2501 — arXiv 2501.01205

• A4 / B4 / C3 / D2,D7,D10,D11,D12
• Параллель к #1 — более новый paper.
• Что разбираем: что добавляет 2501-paper к #1.

6. military-training-scenario-generation — AI-Assisted Military Training Scenarios (INT)

• A4 / B4 / C3 / D2,D10,D11,D12
• Scenario generation для military training. Boundary T7 — не всегда multi-agent в строгом смысле.
• Что разбираем: scenario generator vs scenario player. Когда multi-agent необходимо для верификации?

Adjacent кейсы (5)

• agile-requirements-simulation-ai-personas — пограничный agent_washing (см. ниже)
• ai-driven-agile-curriculum — agile + multi-agent
• lockheed-laic-engineering-community — community-level orchestration
• lockheed-ai-factory-internal — A3-A4 / industrial scale
• nps-msai-curriculum-388 — NPS MSAI program

Anti-analogs / agent_washing — 3 кейса

triz-agents — TRIZ Agents (INT)

• Тип: multi-agent LLM Approach для TRIZ-Based Innovation
• Подозрение: реально — sequential prompt cascade. Названо multi-agent для академического веса
• Студенческое задание: проверить arbitration mechanism. Есть ли он? Есть ли память, отдельная от promptов?

agile-requirements-simulation-ai-personas — Agile RE с AI Personas

• Подозрение: «personas» — role-prompt imitation, не distributed agents
• Студенческое задание: каков critical-path test? Может ли personas-агент дать независимый анализ?

build-ai-assistants-biomechanics — Build AI Assistants for Biomechanics (INT)

• Подозрение: «assistants» (мн.ч.) без architectural distribution. Скорее prompt-template library
• Студенческое задание: какая часть multi-agent, какая — prompt-templates на стороне студента?

Студенческие задания

Задание 1 — Multi-agent vs prompt-orchestration (главное)

Дано: 4 кейса (2 valid multi-agent, 2 agent_washing). Задача: ответить, где это multi-agent system, где это prompt orchestration на стороне студента. Критерии:

• Есть ли roles с разной memory?
• Есть ли arbitration?
• Есть ли evaluation между agents?
• Может ли один agent возразить другому? Оценка: 4 вердикта + 1 фраза «почему» на кейс.

Задание 2 — Multi-agent schema

Задача: спроектировать multi-agent setup для конкретной инженерной задачи студента (на выбор: senior-design defense, code audit, paper review, design feedback).

• 3+ роли
• Memory architecture (shared/private)
• Arbitration mechanism
• Evaluation criteria Оценка: схема + 1-2 страницы пояснения + реальный prototype на 3 промпта.

Задание 3 — Agent washing diagnosis

Дано: материалы из anti_analog registry (триз-agents, personas). Задача: для каждого назвать отсутствующий artefact. Оценка: диагноз + почему именно этот artefact определяет границу.

Задание 4 — Failure mode каталог

Дано: multi-agent система (студенческий prototype). Задача: найти 3+ failure modes, описать минимальный test case для каждого. Оценка: каталог.

Задание 5 — A4 vs B4 vs C3 распутывание

Дано: 6 кейсов с разной разметкой A/B/C. Задача: показать, что A4 ≠ B4 ≠ C3. Кейс может быть A4 (multi-agent generation) без B4 (orchestration оптики). Оценка: матрица + обоснование.

Что НЕ должно входить

• LangChain/AutoGPT туториалы — отвлечение от архитектурной схемы
• Длинные доменные погружения в RAG для одного агента — это L3 или L2
• AI safety обсуждения — это L5

Связь с другими занятиями

• L1 (CAD) — text2cad evolution в multi-agent
• L2 (CAE) — multi-agent simulation (CAPRA, biomechanics)
• L3 (CAO) — multi-agent CAO с роли planner / verifier / critic
• L5 (Hybridity) — C4 environments часто построены на multi-agent backend (mbzuai-co-pilot-education-model)

Метрики занятия

• Каждый студент пишет multi-agent spec с четырьмя заполненными слотами (roles/memory/arbitration/evaluation)
• Различение «multi-agent» vs «prompt orchestration» достигается через отсутствующий artefact
• Каждый студент диагностирует ≥3 agent_washing кейса