Anthropic: один ИИ-агент теперь превосходит множество субагентов, поскольку модели могут самостоятельно справляться со сложностью

Anthropic выяснила, что один агент с контекстом по требованию часто превосходит мультиагентные системы по качеству, стоимости и задержке. Компания выпускает набор инструментов для миграции, чтобы помочь командам оценить такую возможность и перейти на новую архитектуру.

Anthropic рекомендует компаниям оценить, могут ли они объединить субагентов, поскольку один основной агент, загружающий контекст по мере необходимости, часто дает лучшие результаты, чем множество специализированных агентов. Более новые модели, начиная с Opus 4.5, а также Opus 5.5 и Fable 5.1, могут напрямую управлять сложными планами в рамках одного цикла, что также позволяет сократить затраты и время ожидания. В одном сравнении Anthropic заявляет, что одноагентная архитектура работала примерно вдвое быстрее мультиагентной.

Эта рекомендация основана на практическом опыте нескольких корпоративных внедрений, где команда Anthropic Applied AI обнаружила, что один агент, использующий так называемые навыки, часто превосходил по качеству как монолитные конструкции промптов, так и системы с субагентами. Например, одна компания использовала дюжину специализированных субагентов внутри агента, взаимодействующего с клиентами. Это усложняло поддержание единого восприятия бренда и ухудшало удобство использования из-за высокой задержки.

Теперь модель может самостоятельно выполнять значительную часть работы по оркестрации

По данным Anthropic, многие конструкции агентов следуют знакомой схеме, включающей определение намерения, фиксированный конвейер обработки, сегментацию пользователей, отдельные ветви рекомендаций и расположенного поверх них оркестратора. Значительную часть этой работы модель теперь может выполнять самостоятельно в рамках соответствующего сценария использования.

Anthropic называет это «законом Конвея» для агентов. Архитектура становится копией организационной структуры: каждая команда выпускает собственного субагента, пока сотни пересекающихся агентов не накапливаются без общих стандартов. В результате, по выражению Anthropic, возникает «Франкенпромпт», в котором каждая команда добавляет правила в системный промпт, и эти правила начинают противоречить друг другу. По мнению компании, для большинства соответствующих сценариев достаточно четкого системного промпта, четырех или пяти лаконичных инструментов работы с данными и фиксированных ограничений на формат вывода.

Например, Anthropic сократила системный промпт Claude Code для новых моделей более чем на 80 процентов, отчасти потому, что навыки и инструменты теперь загружаются только при необходимости. Более новые модели также комментируют собственный прогресс и проверяют свою работу, благодаря чему некоторые дополнительные уровни контроля могут оказаться ненужными.

Anthropic заявляет, что субагенты по-прежнему оправданы, когда в контекстном окне одного агента наблюдается измеримое снижение производительности, когда несколько задач необходимо выполнять параллельно в отдельных контекстных окнах или когда один агент испытывает трудности с выбором инструментов.

Для поэтапной миграции Anthropic опубликовала на GitHub набор инструментов для миграции, который проводит команды через рабочий процесс выявления существующих шаблонов, оценки альтернатив и проверки лучшего подхода. Anthropic предупреждает, что не следует объединять агентов вслепую: в одном тесте с агентом поддержки включение субагента действительно снизило задержку, но нарушило ранее работавший процесс. Основной агент начал отвечать самостоятельно вместо того, чтобы обратиться к нужному специалисту.

Командам следует не допускать чрезмерного разрастания библиотек навыков

Вместо того чтобы предоставлять каждой команде собственного агента, Anthropic рекомендует упаковывать рабочие процессы в навыки и загружать инструменты по требованию через поиск инструментов. Небольшая центральная команда должна отвечать за системный промпт и общее качество. Кроме того, Anthropic отмечает, что выбор инструментов моделью обычно ухудшается при наличии более 30–50 определений инструментов, поэтому назначенные ответственные в каждой команде должны поддерживать библиотеки навыков, не позволяя им разрастаться.

Для справочных материалов, таких как руководства, спецификации продуктов или определения метрик, Anthropic рекомендует базы знаний, к которым агент обращается только при необходимости с помощью инструмента поиска. Такую информацию также можно встраивать в навык в виде справочных файлов. Anthropic не рекомендует получать контекст с помощью кода и напрямую добавлять его в промпты.

Выводы Anthropic согласуются с недавними исследованиями. В исследовании Vals выяснилось, что команды агентов могут работать быстрее одиночных агентов, но не обеспечивают более высокого качества. Согласно исследованию, увеличение числа агентов с десяти до 30 или 100 не принесло улучшения качества, но значительно повысило затраты. Разработчик OpenAI Эрик Провенчер также усомнился в ценности роев агентов, назвав их «почти наверняка» пустой тратой денег.

Новости ИИ без шумихи — отобраны людьми

Подпишитесь на THE DECODER, чтобы читать материалы без рекламы, получать еженедельную рассылку об ИИ, эксклюзивный отчет о передовых разработках «AI Radar» шесть раз в год, полный доступ к архиву и доступ к разделу комментариев.