Багато розробників керують командами агентів та їхньою оркестрацією «на відчуттях», але чи справді це ефективно?
У цій статті я розповім про п'ять підкріплених дослідженнями патернів для роботи з командами агентів в Antigravity, Claude Code або будь-якому іншому агенті для програмування. Незалежно від того, створюєте ви нові застосунки, підтримуєте стару кодову базу чи проводите дослідження, ви дізнаєтесь, коли кожен патерн перевершує одного агента, і отримаєте готові до використання промпти, щоб спробувати все самостійно.
Автор: YK Sugi, Senior Developer Relations Engineer, Google Cloud
1. Розділіть творця та перевіряльника. Замість того, щоб один агент робив усе, можна розділити створення та перевірку на два окремі потоки. Один агент пише код. Другий агент у новому потоці перевіряє, чи результат відповідає вашому запиту. Якщо модель оцінює власну роботу в тому самому потоці, є ризик, що її висновки будуть упередженими через попередній вивід.
Насправді дослідження показують, що моделі погано оцінюють власну роботу. Їм важко виправити свої помилки в міркуваннях без зовнішнього фідбеку, і вони віддають перевагу власним відповідям, а не чужим.
Використовуйте цей патерн для важливих змін. Для дрібних правок або коли тести одразу дають зворотний зв'язок, самоперевірка цілком підійде.
Промпт: Запусти один новий сабагент у режимі лише для читання як перевіряльника. Нехай він перевірить, чи цей diff робить те, що я просив.

2. Розподіліть роботу на напрямки. Якщо задачу можна чітко поділити, призначте кожній частині свого відповідального — наприклад, по одному сабагенту для фронтенду, бекенду та документації. Нехай вони працюють паралельно, не редагуючи одні й ті самі файли.
У дослідженні 2026 року, що охопило 652 задачі з програмування, два агенти, які працювали з кодом, що перетинався, успішно справлялися приблизно на 30% рідше, ніж один агент, який виконував обидві задачі.
У дослідженні від Google та MIT команди агентів показали результат на 80,8% вищий за одного агента у фінансовому бенчмарку з незалежними частинами, але на 39–70% нижчий у бенчмарку з планування, де кожен крок залежав від попереднього.

Для роботи, яку складно розбити на чіткі частини (як-от фронтенд і бекенд), один потік часто працює краще. Те саме стосується дрібних багфіксів, де паралельні сабагенти не дали користі в іншому дослідженні.
Промпт: Запусти три сабагенти паралельно: один для фронтенду у web/, другий для бекенду в api/, третій для документації у docs/. Кожен редагує лише файли у своїй папці. Коли всі троє завершать, перевір, чи частини працюють разом.

3. Найкращий із N (Best of N). Виконайте одну й ту саму задачу кілька разів паралельно та дозвольте тестам або системі оцінки обрати переможця. Саме так працювала AlphaCode — система для програмування від DeepMind. Вона генерувала багато варіантів програм і відсіювала їх, запускаючи на виконання. Цей метод показав конкурентні результати на змаганнях із програмування.
У дослідженні цього підходу Best of N 2024 року відсоток успішних рішень продовжував зростати навіть після тисяч спроб на задачах з автоматичною перевіркою. На реальних GitHub-ішью одна модель покращила результат із 15,9% вирішених задач за одну спробу до 56% за 250 спроб. Без автоматичної перевірки вибір переможця більшістю голосів або скоринговою моделлю виходив на плато приблизно після 100 спроб.

Промпт: Запусти п'ять сабагентів паралельно на Gemini 4 Hydrogen, нехай кожен оптимізує це у своєму worktree. Оціни кожну спробу через evals, обери найкращу та повідом мені результат.
4. Рада моделей. Попросіть кілька моделей запропонувати незалежні рішення, нехай судді проголосують із прихованими назвами моделей, а потім об'єднайте найсильніші ідеї. Використовуйте це, коли немає чіткого тесту чи автоматичної перевірки, наприклад, для архітектури або візуального дизайну.
В одному дослідженні комбінація відповідей кількох моделей отримала вищу оцінку, ніж одна передова модель. В іншому панель із різних моделей точніше відповідала людським оцінкам, ніж один великий суддя.

Наприклад, я розробив цей логотип корабля за допомогою ради моделей. Два раунди перетворили просту першу спробу на фінальну іконку.

Промпт: Попроси Gemini 4 Carbon, Gemini 4 Neon і Claude Opus 5.5 надати по одному незалежному дизайну. Нехай три нові агенти на Gemini 4 Carbon, Gemini 4 Neon і Claude Opus 5.5 оцінять дизайни з прихованими назвами моделей. Об'єднай найкращі ідеї у фінальний варіант-переможець.
5. Команда рев'юерів. Запустіть паралельно кілька рев'юерів у режимі лише для читання, кожному дайте свою зону відповідальності, наприклад UX або безпека.
У класичному дослідженні 1995 року за участю людей-рев'юерів команди, де кожен учасник шукав свій тип помилок, знаходили приблизно на 35% більше помилок, ніж команди, де всі використовували один загальний чеклист типових помилок.
Виявляється, для AI-рев'юерів працює схожий принцип. У дослідженні LLM-суддів команда з різними ролями точніше відповідала людським оцінкам, ніж один суддя, але показувала гірший результат, коли всі мали одну роль.

Промпт: Запусти чотири рев'юери паралельно в режимі лише для читання: для UX, простоти коду, крайових випадків та безпеки. Виправ те, на що вони вкажуть, потім повтори з новими рев'юерами, поки всі четверо не схвалять.
Ці патерни — радше будівельні блоки, ніж суворі правила. Ви можете комбінувати їх як завгодно, але ось проста блок-схема, яка підкаже, коли що використовувати:






