Мультиагентные системы без Python: TypeScript-фреймворк с 3 зависимостями

# Мультиагентные системы без Python: TypeScript-фреймворк с 3 зависимостями

Что такое мультиагентная система

Представьте, что вместо одного ИИ-помощника у вас целая команда. Один ищет информацию, другой анализирует, третий пишет отчёт. Каждый «агент» — отдельная программа с доступом к языковой модели. Вместе они решают задачу быстрее и качественнее, чем один.

До сих пор такие системы строились почти исключительно на Python. Появился проект, который делает это на TypeScript — языке, на котором работает большая часть веб-разработки.

Open-multi-agent: что это

Это фреймворк для создания команд ИИ-агентов. Его особенности:

- **Всего 3 внешних библиотеки.** Для сравнения — популярные Python-аналоги тянут за собой 40–100 библиотек - **Работает на Node.js** — стандартной платформе для JavaScript и TypeScript - **Использует Ollama** — программу для запуска языковых моделей прямо на вашем компьютере, без облачных сервисов

Как это работает

Вы описываете задачу обычным текстом. Например: «Сравни пять сервисов для хранения фотографий по цене и функциям».

Дальше фреймворк сам:

1. Разбивает задачу на части — по одной на каждый сервис 2. Создаёт отдельного агента для каждой части 3. Запускает всех агентов одновременно 4. Собирает результаты и проверяет их полноту

Всё это делает одна функция — `runTeam()`.

Зачем отказываться от Python

Для разработчика, который пишет на TypeScript, поддерживать отдельный Python-проект — это двойная работа. Два языка, два набора инструментов, две системы обновлений.

Open-multi-agent позволяет оставаться в одном стеке.

Чем отличается от LangGraph и CrewAI

**LangGraph** — мощный инструмент от создателей LangChain. Позволяет строить сложные графы с ветвлениями и условиями. Но требует Python и десятков библиотек.

**CrewAI** — тоже Python, тоже «команда агентов». Удобнее LangGraph, но 40+ зависимостей.

**Open-multi-agent** проще обоих: описали цель → получили результат. Без настройки графов, без десятков конфигурационных файлов.

Локальные модели — почему это важно

Ollama позволяет запускать языковые модели на своём компьютере. Это значит:

- Данные не уходят в облако - Не нужен платный API-ключ - Работает без интернета - Вы контролируете, какая модель используется

Для компаний с требованиями к безопасности данных — принципиальный момент.

Кому подойдёт

- Разработчикам на TypeScript, которые хотят добавить ИИ-агентов в проект - Тем, кто предпочитает простые инструменты сложным фреймворкам - Энтузиастам self-hosting — людям, которые запускают сервисы на своём оборудовании - Командам, которым важна безопасность данных и локальные модели

Ограничения

Проект молодой. У него нет такой документации и сообщества, как у LangGraph. Если нужны сложные сценарии с ветвлениями и ручным контролем на каждом этапе — Python-инструменты пока справляются лучше.

Но для задач типа «разбей большую цель на части и выполни параллельно» — open-multi-agent делает ровно то, что нужно, с минимумом настроек.