Почему один вызов LLM не решает задачу

Разбор входящего документа — это не одна операция, а цепочка: определить тип, распознать, извлечь поля, проверить, сверить со справочником, записать в учётную систему. Если поручить всё одной модели, ошибки накапливаются: неверная классификация ломает извлечение, а галлюцинация в сумме НДС не отлавливается. Мультиагентный пайплайн разбивает процесс на узкие роли, и каждый агент возвращает структурированный результат плюс оценку уверенности. Это делает сбой локализуемым — видно, на каком именно шаге потерялись данные.

Роли агентов в конвейере

Роутер. Классифицирует поток: УПД, ТОРГ-12, акт, счёт, договор, паспорт, банковская выписка. Работает по первым страницам и метаданным, отсекает дубликаты и мусор до дорогого распознавания.

Vision/OCR-агент. Извлекает текст, таблицы, печати, подписи, рукописные пометки. Для сложных макетов подключается модель с визуальным входом, для «ровных» PDF достаточно текстового слоя.

Экстрактор. Достаёт поля по жёсткой схеме (JSON Schema): ИНН, КПП, номер и дата, суммы, ставка НДС, номенклатура. Схема привязана к типу документа, поэтому модель не добавляет лишних полей «от себя».

Валидатор. Проверяет арифметику, контрольную сумму ИНН, соответствие справочнику контрагентов, сроки и лимиты. Расхождения не исправляются молча — формируется список замечаний.

Агент разрешения конфликтов. Если данные расходятся между версиями документа или с учётной системой, он ищет причину и предлагает решение. При низкой уверенности задача уходит оператору с уже подготовленным контекстом.

Агент-интегратор. Записывает результат в 1С, CRM или СЭД через API, создаёт проводки и вложения. Работает идемпотентно, чтобы повторный запуск не порождал дубли.

Оркестрация, состояние и идемпотентность

Агенты не переписываются «в чате» — ими управляет оркестратор: очередь задач, конечный автомат статусов, журнал каждого шага с версией промпта и модели. Состояние документа хранится отдельно от контекста модели, поэтому процесс перезапускается с любого шага без потери истории.

Для российских внедрений критична работа в закрытом контуре: приватные LLM разворачиваются на собственных GPU, данные не покидают периметр. Это снимает вопросы по 152-ФЗ и коммерческой тайне — особенно когда речь о договорах и персональных данных сотрудников.

Метрики и контроль качества

Пайплайн оценивают не по «красивым ответам», а по цифрам: field-level accuracy, доля автопроводок без правок, стоимость обработки одного документа, время до записи в учётную систему. Отдельно считают false positive — случаи, когда неверные данные прошли валидацию и попали в учёт.

Настройка идёт по размеченному корпусу из 300–500 реальных документов заказчика. Сначала добиваются точности на самых частых типах, затем расширяют покрытие и только потом снижают участие человека.

Практические шаги внедрения

1. Соберите корпус реальных документов и разметьте целевые поля.
2. Зафиксируйте схемы извлечения и правила валидации по каждому типу.
3. Соберите минимальный конвейер: роутер, OCR, экстрактор, валидатор.
4. Заведите журналирование и метрики до запуска в продуктив.
5. Подключите запись в 1С/CRM и режим human-in-the-loop для спорных случаев.
6. Расширяйте типы документов итерациями, не переписывая ядро.

Как мы можем помочь

Проектируем и внедряем мультиагентные пайплайны разбора документов под ключ: от разметки корпуса и выбора приватной LLM до интеграции с 1С и CRM. Обсудить проект