Исследуем, как команда AI-агентов превращает задачу в качественные проектные артефакты.
Multi-Agent - это экспериментальная платформа, где несколько LLM-агентов совместно:
- формируют спецификацию проекта;
- строят use case’ы и user story;
- проходят оценку качества;
- сравниваются между собой в разных режимах работы.
Итог - не просто «ответ модели», а прозрачный конвейер, который удобно анализировать, сравнивать и показывать на постере.
- Научная воспроизводимость: одинаковые пайплайны для честного сравнения режимов.
- Практическая польза: быстрый черновик проектной документации из текстовой постановки задачи.
- Измеримое качество: rule-based метрики + LLM-as-a-judge.
- Наглядные результаты: артефакты, таблицы, графики и агрегированные оценки.
- Генерация спецификаций мультиагентной системой
Автоматическое создание детальных спецификаций в разных экспериментальных режимах. - Автоматическое построение use case’ов и user story
Получение структурированных сценариев использования на основе сгенерированных спецификаций. - Сравнение экспериментальных режимов
Поддержка режимов (например, внешний критик, self-critique) и их количественное сравнение. - Комплексная оценка качества
Комбинация rule-based метрик и LLM-оценивания для анализа полноты, ясности и согласованности. - Воспроизводимый пайплайн экспериментов
Запуск сценариев с сохранением результатов, подсчётом затрат и пакетной обработкой задач.
git clone https://github.com/Tecevik/Multi-Agent
cd Multi-Agent- Сообщить о проблеме: Issues
- Предложить изменения: CONTRIBUTING
Если вы используете проект в исследованиях или учебных работах, пожалуйста, укажите ссылку на репозиторий и авторов.
Tecevik, HammonDDDDD, & Daredevil5223. (2026). Multi-Agent repository [Computer software]. https://github.com/Tecevik/Multi-Agent
@misc{multi-agent-2026,
author = {Tecevik and HammonDDDDD and Daredevil5223},
title = {Multi-Agent repository},
year = {2026},
howpublished = {\url{https://github.com/Tecevik/Multi-Agent}},
url = {https://github.com/Tecevik/Multi-Agent}
}