Pipeline:
последовательная обработка через агентов

Конвейер: выход → вход

Pipeline — это цепочка: агенты выстроены в линию, и результат каждого передаётся следующему как вход. Никакого центра, никакого «решения на ходу» — порядок известен заранее и зашит в структуру. Каждый агент делает свой узкий этап и отдаёт эстафету дальше.

Метафора — заводская сборочная линия: деталь движется от станка к станку, каждый выполняет одну операцию. Или Unix-пайп cat file | grep x | sort | uniq: вывод одной команды — ввод следующей. Pipeline переносит эту проверенную идею на агентов.

Pipeline против Supervisor

Оба организуют команду, но принципиально по-разному — это ключевое различие двух паттернов.

Один паттерн — разные реализации

Pipeline ты уже собирал, просто не называл паттерном. Вот он в знакомых инструментах:

# --- CrewAI: sequential process ---
Crew(agents=[loader, analyst, writer],
     tasks=[load, analyze, write],          # выполнятся по порядку
     process=Process.sequential)            # выход → вход через context

# --- LangGraph: линейный граф ---
builder.add_edge(START, "loader")
builder.add_edge("loader", "analyst")       # цепочка рёбер
builder.add_edge("analyst", "writer")
builder.add_edge("writer", END)

# --- Голый Python: просто вызовы по очереди ---
data = loader(input)
analysis = analyst(data)                    # выход одного = вход следующего
result = writer(analysis)

# ВО ВСЕХ ТРЁХ: фиксированная цепочка, выход N → вход N+1, без координатора

Обрати внимание на третий вариант: Pipeline настолько прост, что для него не нужен фреймворк вовсе — хватит последовательных вызовов. Это лишний аргумент в его пользу: самая простая координация, какая бывает.

Плюсы, минусы и подводные камни

Контракты между этапами

Pipeline держится на чётких интерфейсах между агентами: выход этапа N должен точно соответствовать тому, что ожидает этап N+1. Это прямое применение «контрактов» из урока про разделение ответственности: расплывчатый выход одного звена ломает следующее.

Поэтому в Pipeline особенно важны явные expected_output (CrewAI), структурированные данные между шагами и, для длинных цепочек, проверки на стыках. Хороший приём — добавить в конвейер этап-валидатор: loader → validate → analyst, который не пускает мусор дальше. Это уже намёк на гибридные схемы.

Когда брать Pipeline

• Порядок этапов известен и фиксирован: загрузка → обработка → вывод, без вариантов.
• Каждый этап зависит от предыдущего: линейная цепочка зависимостей (A→B→C).
• Важны простота, цена и предсказуемость: нет нужды платить за координатора.
• Контент- и data-пайплайны: ETL, генерация отчётов, обработка документов — классика Pipeline.

А не бери Pipeline, если маршрут зависит от результата (нужно ветвление → Supervisor или Flow) или если этапы независимы и могут идти параллельно (→ параллелизм/fan-out). Pipeline — про строгую линейную последовательность.

Типичные ошибки

Шпаргалка

ПАТТЕРН: цепочка агентов, выход N → вход N+1, порядок ФИКСИРОВАН
  топология «линия» · НЕТ координатора · координация зашита в структуру

PIPELINE vs SUPERVISOR:
  Pipeline   — линия, порядок известен, дёшево, предсказуемо, БЕЗ центра
  Supervisor — звезда, порядок в рантайме, гибко, дороже, С центром

РЕАЛИЗАЦИИ:
  CrewAI    — process=Process.sequential (+ context)
  LangGraph — линейный граф (цепочка add_edge)
  Python    — просто вызовы по очереди (фреймворк не нужен!)

✅ просто · дёшево · предсказуемо · легко тестировать поэтапно
❌ нет ветвлений · ошибки ТЕКУТ по цепочке · надёжности перемножаются

КЛЮЧ — КОНТРАКТЫ: выход N == ожидаемый вход N+1
  длинная цепочка → проверки на стыках (этап-валидатор)

КОГДА: порядок известен/фиксирован · линейные зависимости · ETL/контент
НЕ НАДО: маршрут зависит от результата → Supervisor/Flow;
         этапы независимы → параллелизм

ПАТТЕРНЫ КОМБИНИРУЮТСЯ: прямые участки — Pipeline, развилки — Supervisor

Практическое задание

Собери и испытай конвейер:

Что дальше

Pipeline и Supervisor — это централизованная координация: либо структура, либо дирижёр задают порядок. Но есть и децентрализованный подход, где агенты сами передают управление друг другу по контексту. Это паттерн Swarm — следующий урок.