Anthropic советует заменить множество субагентов одним ИИ-агентом и выпустила набор для миграции

Anthropic рекомендует компаниям оценить, можно ли объединить специализированные субагенты в одного основного агента, который подгружает контекст по требованию. По словам компании, такой агент часто превосходит многоагентные схемы по качеству, стоимости и задержке. Об этом сообщает издание The Decoder. Причина в том, что новые модели, начиная с Opus 4.5, а также Opus 5.5 и Fable 5.1, способны вести сложные планы прямо в одном цикле, что может снизить и затраты, и время ожидания. В одном из сравнений, по словам Anthropic, одноагентная архитектура работала примерно вдвое быстрее многоагентной.

Рекомендация основана на практическом опыте нескольких корпоративных внедрений: команда Applied AI компании обнаружила, что один агент, использующий так называемые навыки (skills), нередко обгоняет по качеству и монолитные промпты, и схемы с субагентами. Пример: в одной компании внутри клиентского агента работало около дюжины специализированных субагентов, из-за чего было трудно держать единый фирменный стиль общения, а высокая задержка вредила удобству.

По описанию Anthropic, типичная архитектура агента включает определение намерения, фиксированный конвейер обработки, сегментацию пользователей, отдельные ветки рекомендаций и надстроенный над всем оркестратор. Значительную часть этой работы модель теперь может выполнять сама. Anthropic называет проблему «законом Конвея» для агентов: архитектура превращается в копию оргструктуры, каждая команда выпускает своего субагента, и в итоге накапливаются сотни пересекающихся агентов без общих стандартов. Следом возникает то, что компания называет «Frankenprompt»: каждая команда дописывает в системный промпт правила, которые в итоге противоречат друг другу. По мнению компании, чистый системный промпт, четыре-пять лаконичных инструментов для работы с данными и фиксированные ограничители вывода покрывают значительную часть сценария.

Как пример, Anthropic сократила системный промпт Claude Code для новых моделей более чем на 80 процентов, отчасти потому, что навыки и инструменты теперь подгружаются только при необходимости. Новые модели также комментируют собственный прогресс и проверяют свою работу, из-за чего часть дополнительных контрольных слоёв может стать лишней.

Субагенты, по словам Anthropic, по-прежнему оправданны в трёх случаях: когда у контекстного окна одного агента заметно падает качество работы; когда несколько задач нужно выполнять параллельно в отдельных контекстных окнах; когда одному агенту трудно выбирать инструменты. Для пошаговой миграции Anthropic выложила на GitHub набор, который проводит команды через рабочий процесс: выявить существующие шаблоны, оценить альтернативы и проверить лучший подход. Компания предупреждает: объединять вслепую опасно. В одном тесте с агентом поддержки встраивание субагента снизило задержку, но сломало ранее работавший процесс: основной агент начал отвечать сам, вместо того чтобы обращаться к нужному специалисту.

Вместо отдельного агента для каждой команды Anthropic советует упаковывать рабочие процессы в навыки и подгружать инструменты по требованию через поиск инструментов. Системный промпт и общее качество должна вести небольшая центральная команда. Отдельно компания отмечает, что выбор инструментов у модели обычно ухудшается при более чем 30-50 определениях инструментов, поэтому в каждой команде нужны ответственные за библиотеки навыков, чтобы те не разрастались. Справочные материалы (руководства, спецификации продуктов, определения метрик) лучше держать в базах знаний, к которым агент обращается через инструмент поиска, либо в виде справочных файлов внутри навыка. Anthropic не советует получать контекст кодом и вставлять его прямо в промпты.

Находки Anthropic, пишет The Decoder, согласуются с недавними исследованиями. Исследование Vals показало, что команды агентов могут работать быстрее одиночных, но не дают более высокого качества; рост числа агентов с десяти до 30 или 100 не улучшил качество, но заметно удорожил работу. Разработчик OpenAI Эрик Провенчер (Eric Provencher) тоже ставит под сомнение пользу роев агентов и называет их «почти наверняка» выброшенными деньгами.

Ключевые факты

Anthropic рекомендует оценить, можно ли свести субагенты к одному основному агенту с подгрузкой контекста по требованию: по её опыту, это часто выигрывает по качеству, стоимости и задержке.
Многие узкие субагенты, по словам компании, дают рост задержки, удорожание и потерю информации на каждой передаче; в одном сравнении одноагентная схема была примерно вдвое быстрее.
Субагенты остаются оправданными в трёх случаях: падение качества на длинном контексте, параллельные задачи с отдельными окнами, трудности с выбором инструментов.
Anthropic выложила на GitHub набор для миграции, но предупреждает о слепом объединении: в тесте с агентом поддержки встраивание субагента сломало работавший процесс.
Системный промпт Claude Code для новых моделей сокращён более чем на 80 процентов; выбор инструментов ухудшается при более чем 30-50 определениях.

Почему это важно

Мода на многоагентные системы с оркестраторами и десятками специализированных субагентов пришла в корпоративные внедрения быстро. Теперь один из ведущих разработчиков моделей говорит, что часть такой архитектуры стала избыточной: новые модели, начиная с Opus 4.5, а также Opus 5.5 и Fable 5.1, сами справляются с планами, которые раньше приходилось раскладывать по субагентам. Это сдвигает практику проектирования от «каждой задаче свой агент» к одному агенту с навыками и подгрузкой контекста. Выводы согласуются с исследованием Vals: рост числа агентов до 30 или 100 не улучшил качество, но заметно увеличил затраты.

Кому это важно

Командам, которые строят или поддерживают корпоративных агентов, особенно клиентских, где единый тон общения и малая задержка критичны. Также руководителям платформ, где каждая команда выпускает своего субагента и накапливаются пересекающиеся агенты без общих стандартов, и тем, кто владеет системными промптами и библиотеками инструментов.

Как это применить

Anthropic предлагает пройти по рабочему процессу из набора для миграции на GitHub: выявить существующие шаблоны, оценить альтернативы и проверить лучший подход. По рекомендациям компании: упаковывать рабочие процессы в навыки; подгружать инструменты по требованию через поиск инструментов; закрепить системный промпт и общее качество за небольшой центральной командой; назначить в каждой команде ответственных за библиотеки навыков. Справочные материалы держать в базах знаний с поиском или в виде справочных файлов внутри навыка, а не вставлять в промпты кодом. Прежде чем объединять, проверьте три случая, где субагенты всё ещё нужны: заметное падение качества на длинном контексте, параллельные задачи с отдельными окнами и трудности с выбором инструментов.

Можно ли доверять

Это пересказ вторичного издания The Decoder: самого документа Anthropic и его авторов в тексте не названо. Рекомендация подаётся как вывод из опыта нескольких корпоративных внедрений команды Applied AI, но сколько их было, не сказано. Цифры скромны и без контекста: «примерно вдвое быстрее» относится к одному сравнению, без указания схемы, модели и задачи; данных по стоимости и качеству не приведено. Компании в примерах не названы. Рекомендация исходит от самой Anthropic, так что выводы стоит проверять на собственных задачах. Подтверждение со стороны Vals и разработчика OpenAI Эрика Провенчера приведено без подробностей методологии исследования.

Риски и подводные камни

Слепое объединение опасно: в тесте с агентом поддержки встраивание субагента снизило задержку, но сломало ранее работавший процесс, потому что основной агент стал отвечать сам, не обращаясь к нужному специалисту. Если не следить за библиотеками навыков, они разрастаются, а выбор инструментов у модели обычно ухудшается при более чем 30-50 определениях. Сохраняются случаи, где субагенты по-прежнему оправданны: деградация качества на длинном контексте, параллельные задачи и сложности с выбором инструментов. Итоговая картина зависит от конкретных моделей и задач, а в источнике нет данных, которые позволили бы оценить выигрыш для вашего случая.