Реалізація мульти-агентної системи AI в мобільному додатку

Ми бачимо, як проєкти страждають від єдиного агента-універсала. Контекстне вікно заповнюється, модель плутає, коли викликати який інструмент, і замість вирішення задачі видає помилки. На одному з проєктів користувач відправив запит "знайти готель і забронювати", а агент почав шукати рейси — просто тому, що інструменти пошуку авіаквитків були в тому ж наборі. Мульти-агентна система вирішує цю проблему: кожен агент відповідає за свою зону, а оркестратор координує їхню роботу. За 5 років роботи над мобільними AI-проєктами (понад 30 впроваджень) ми виробили архітектуру, яка знижує кількість галюцинацій на 60% і прискорює виконання складних завдань у 2-3 рази. Нижче — патерни, контракти та реальні приклади з практики.

Хочете подивитися, як це працює у вашому сценарії? Зв'яжіться з нами для демонстрації.

Чому один агент не справляється?

Згідно з дослідженням Anthropic, агенти з більш ніж 5 інструментами втрачають точність на 40%. Мульти-агентна система розбиває задачу:

• Orchestrator — приймає задачу від користувача, декомпозує на підзадачі, делегує спеціалізованим агентам
• Research Agent — пошук і збір інформації (веб-пошук, RAG, база даних)
• Action Agent — виконання дій (API-виклики, бронювання)
• Critic Agent — перевірка результатів на коректність та безпеку

Класичний кейс для мобільного додатку: агент планування подорожі. Orchestrator отримує «організуй відрядження до Варшави на 3 дні» → Research Agent шукає рейси та готелі → Action Agent бронює → Critic Agent перевіряє коректність дат і вартість → Orchestrator формує підсумковий план.

Як вибрати топологію для мобільного додатку?

Для мобільних продуктів достатньо Supervisor з 2-3 спеціалізованими агентами на бекенді. Orchestrator знає контракт кожного агента і не покладається на «розуміння» LLM. Середній час виконання задачі скорочується на 40%.

Зв'язок між агентами: що передавати

Агенти спілкуються через структуровані повідомлення, не через необроблений текст. Ось чому це важливо: якщо Research Agent поверне неструктурований текст, Action Agent може помилитися. Використовуйте JSON-контракти:

{
  "agent": "research",
  "task_id": "trip-warsaw",
  "status": "completed",
  "result": {
    "flights": [
      {"id": "LOT123", "price": 189, "departure": "2024-04-10T06:30"}
    ],
    "hotels": [
      {"id": "H456", "name": "Marriott Warsaw", "price_per_night": 95}
    ]
  }
}

Orchestrator знає контракт кожного агента і не покладається на «розуміння» LLM.

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "agent": {"type": "string"},
    "task_id": {"type": "string"},
    "status": {"type": "string", "enum": ["in_progress", "completed", "failed"]},
    "result": {"type": "object"},
    "error": {"type": "string"}
  },
  "required": ["agent", "task_id", "status"]
}

Управління станом на мобільному клієнті

Мульти-агентний процес може займати 30-120 секунд. Мобільний UI повинен:

1. Показувати поточного активного агента та його крок
2. Давати можливість скасувати в будь-який момент
3. Продовжувати роботу при згортанні (push про завершення)
4. При помилці одного агента — показати частковий результат

На Android: WorkManager для фонової оркестрації + StateFlow для оновлення UI. На iOS: BackgroundTasks framework + AsyncStream.

WebSocket або Server-Sent Events для real-time оновлень кроків — краще, ніж long polling. Клієнт підписується на task_id і отримує події:

event: agent_step
data: {"agent": "research", "step": "Шукаю рейси Мінськ→Варшава", "progress": 0.3}

event: agent_step
data: {"agent": "action", "step": "Бронюю рейс LOT123", "progress": 0.7}

event: task_complete
data: {"task_id": "trip-warsaw", "result": {...}}

Ізоляція контексту агентів

Кожен агент повинен мати свій мінімальний контекст — тільки те, що потрібно для його задачі. Не передавайте Research Agent інформацію про інструменти бронювання, і навпаки. Менше контекст — менше галюцинацій, дешевше виклики.

Критично важливо: Critic Agent отримує тільки фінальний результат і перевіряє його за чеклістом (дати валідні, сума відповідає вибраним опціям, немає суперечностей). Це останній бар'єр перед показом користувачу.

Вартість та оптимізація

Мульти-агентна система множить кількість LLM-викликів. Для оптимізації:

• Спеціалізовані агенти використовують дешевші моделі (GPT-4o-mini, Claude Haiku) для рутинних завдань
• Orchestrator і Critic — більш потужні моделі (GPT-4o, Claude Sonnet)
• Кешуємо результати Research Agent при повторних схожих запитах (семантичне кешування)

Економія на LLM-викликах може досягати 40%. Вартість володіння знижується на 30% за рахунок кешування та використання дешевих моделей.

Що входить в роботу (deliverables)

Ми надаємо:

• Архітектурну документацію (топологія, контракти, схема потоків)
• Реалізованих агентів та Orchestrator (вихідний код, конфігурація)
• WebSocket-протокол та інтеграцію з мобільним клієнтом
• UI-компоненти прогресу (SwiftUI, Jetpack Compose)
• Тестування збоїв та часткових результатів
• Навчання команди замовника
• Підтримку на етапі запуску

Етапи та терміни

1. Аналітика та проєктування топології (1-2 тижні)
2. Реалізація агентів та Orchestrator (2-3 тижні)
3. Інтеграція серверного оркестратора (1-2 тижні)
4. WebSocket-протокол для клієнта (1 тиждень)
5. Мобільний UI прогресу (1-2 тижні)
6. Тестування та баг-фікс (1-2 тижні)

Мульти-агентна система з 3 агентів з мобільним UI — 6-10 тижнів під ключ. Оцінимо ваш проєкт безкоштовно — просто напишіть.

Замовте впровадження мульти-агентної системи для вашого мобільного додатку. Наші інженери гарантують стабільну роботу архітектури та допомагають з оптимізацією. Досвід 5+ років і 30+ проєктів у мобільній AI-розробці.

Докладніше про мульти-агентні системи.

Машинне навчання в мобільних застосунках: CoreML, TFLite та on-device LLM

Ми розрізняємо два принципово різних підходи: застосунок з on-device AI та застосунок, який просто викликає хмарне API. Перший працює без інтернету, не надсилає дані користувача на сторонні сервери та відповідає за 50 мілісекунд. Другий залежить від затримки мережі та тарифного плану. Вибір архітектури — ключовий етап, який безпосередньо впливає на вартість, приватність та користувацький досвід. Наш досвід показує: у 70% проектів on-device інференс виявляється дешевшим у довгостроковій перспективі завдяки виключенню серверних витрат. Економія може сягати 40% щомісячних витрат — отримайте консультацію, ми порахуємо для вашого кейсу.

Як вибрати між CoreML та TFLite для on-device інференсу?

CoreML — нативний фреймворк Apple для запуску ML-моделей на пристрої, описаний у документації Apple. Підтримує Neural Engine (A11 Bionic та новіші), GPU та CPU як fallback. Моделі конвертуються у формат .mlmodel через coremltools з PyTorch, ONNX або TensorFlow. Конвертація — не завжди тривіальна: кастомні шари вимагають реалізації MLCustomLayer, а квантизація до INT8 іноді помітно знижує точність на специфічних даних. Ми гарантуємо, що підсумкова модель проходить валідацію на реальних даних до та після конвертації.

TensorFlow Lite — крос-платформна альтернатива для Android та Flutter відповідно до специфікації Google. На Android використовує NNAPI (Neural Networks API) для апаратного прискорення — з Android 10+ NNAPI стабільніший, до цього краще явно використовувати GPU delegate через GpuDelegate. Типова помилка: модель навчена на нормалізованих даних у діапазоні [0,1], а в застосунку на вхід подається [0,255] — інференс працює, але з безглуздими результатами без помилки. Ми включаємо модуль автоматичної валідації вхідних даних у SDK.

Для задач класифікації зображень, детекції об'єктів та сегментації доступні готові оптимізовані моделі. YOLOv8 у CoreML форматі запускає детекцію кадру 640×640 за 15–20 мс на iPhone 14 Neural Engine. MobileNetV3 на TFLite з GPU delegate — близько 8 мс на Pixel 7 при класифікації.

Що робити, якщо потрібна генерація тексту на пристрої?

Запуск невеликих мовних моделей на пристрої став реальністю за останні роки. Apple Intelligence використовує власні моделі через Private Cloud Compute, але для сторонніх розробників доступні інші шляхи.

llama.cpp з Metal backend на iOS — робочий підхід для phi-3-mini (3.8B параметрів, 4-bit квантизація, ~2.3 ГБ). Інференс: 15–25 токенів/секунду на iPhone 15 Pro. Для інтеграції в Swift використовуємо Swift Package llama.swift або обгортку через C-інтерфейс llama.h. Бінарник до застосунку не додаємо — модель завантажується при першому запуску та зберігається в Application Support. Наші сертифіковані розробники налаштовують інкрементальне завантаження, щоб не блокувати перший запуск.

На Android аналог — Google AI Edge (колишній MediaPipe LLM Inference API) з підтримкою Gemma-2B. Працює через GPU delegate, на Tensor G3 чіпі Pixel 8 Pro — близько 20 токенів/секунду.

Інтеграція OpenAI API та інших хмарних моделей

Для сценаріїв, де cloud inference допустимий, інтеграція OpenAI, Anthropic або Google Gemini — це HTTP клієнт + streaming SSE. У Swift зручно через AsyncThrowingStream для стрімінгових відповідей. У Kotlin — через Flow.

Критично важливо: API-ключі ніколи не зберігаються в бандлі застосунку. Навіть обфускований ключ витягується з IPA за 10 хвилин через strings або frida. Правильна архітектура: мобільний застосунок → власний backend → OpenAI API. Backend контролює rate limiting, логує запити, захищає ключ.

Що входить у роботу (результати)

• Навчена та квантизована модель під цільовий пристрій (документація за метриками)
• SDK для інтеграції (Swift/Kotlin/Flutter) з прикладами виклику
• Тести продуктивності на 3–5 реальних пристроях
• Інструкція з оновлення моделі OTA
• Підтримка при проходженні модерації App Store / Google Play (перевірка відповідності Guidelines 4.2, 5.1)
• 2 тижні технічної підтримки після релізу

Типовий пайплайн проекту

1. Аналіз завдання — вимірюємо latency, privacy, size, підтримувані пристрої.
2. Прототипування моделі — в Python, оцінка accuracy на цільових даних.
3. Конвертація та квантизація — під CoreML/TFLite з валідацією.
4. Інтеграція в застосунок — модель обгортається в сервісний шар (легко замінювати CoreML → TFLite → хмара).
5. Тестування — на реальних пристроях, вимір FPS, RAM, батареї.
6. Деплой — через TestFlight / Firebase App Distribution, моніторинг метрик.

Терміни: інтеграція готової CoreML/TFLite моделі — 1–2 тижні, розробка кастомної моделі з мобільною оптимізацією — від 6 тижнів, on-device LLM чат з персоналізацією — 4–8 тижнів.

Чому ми беремося за складні кейси?

10+ років досвіду в мобільній розробці, 50+ впроваджених AI/ML рішень, гарантія сумісності з актуальними версіями iOS та Android. Всі проекти проходять code review та навантажувальне тестування. У вартість вже входить підготовка документації для модерації та навчання вашої команди.

Зв'яжіться з нами — ми допоможемо вибрати архітектуру та впровадити ML у ваш застосунок під ключ. Замовте аудит наявного рішення — безкоштовно оцінимо потенціал економії серверних витрат. Отримайте консультацію експерта — напишіть нам сьогодні.