Anthropic: один ИИ-агент теперь справляется лучше нескольких подагентов — модели сами осиливают сложные задачи

Рекомендация основана на опыте команды Applied AI Anthropic с несколькими корпоративными внедрениями. Агент с навыками нередко превосходил по качеству и монолитные промты, и схемы с подагентами. В одном случае в клиентский агент встроили дюжину специализированных подагентов. Из-за высокой задержки пользоваться им стало сложнее, а поддерживать единый стиль общения с брендом — труднее.

Модели берут координацию на себя

По словам Anthropic, многие системы агентов устроены по знакомой схеме: определяют намерение пользователя, проходят фиксированный пайплайн обработки, делят пользователей на сегменты, направляют их по разным веткам рекомендаций и передают управление оркестратору. Теперь значительную часть этой работы модель может выполнить сама — в рамках конкретной задачи.

Anthropic называет эту тенденцию «законом Конвея» для агентов. Архитектура системы начинает повторять организационную структуру: каждая команда выпускает собственного подагента, и со временем их набираются сотни. Они пересекаются по функциям, но работают без общих стандартов. Затем появляется то, что компания называет «промтом Франкенштейна»: команды добавляют в системный промт правила, которые противоречат друг другу. По оценке Anthropic, для многих задач достаточно чистого системного промта, четырёх-пяти простых инструментов для работы с данными и фиксированных ограничений на формат ответа.

В рабочем процессе с несколькими агентами контекст теряется при каждой передаче задачи между написанием функциональности, написанием тестов и проверкой кода. В рабочем процессе с одним агентом один агент пишет и функциональность, и тесты, поскольку уже знает контекст, а отдельный проверяющий лишь запускает тесты и сообщает результаты

Источник: the-decoder.com

Например, для новых моделей Anthropic сократила системный промт Claude Code более чем на 80%. Отчасти это стало возможно благодаря тому, что навыки и инструменты загружаются только при необходимости. Новые модели также сообщают о ходе своей работы и проверяют результат, поэтому некоторые дополнительные уровни контроля могут быть лишними.

Подагенты по-прежнему нужны, если измерения показывают, что качество работы одиночного агента ухудшается из-за ограничений контекстного окна; если несколько задач необходимо выполнять параллельно в отдельных контекстных окнах; или если агенту трудно выбирать инструменты.

Для пошагового перехода Anthropic опубликовала на GitHub набор инструментов миграции. Он помогает выявить существующие схемы работы, сравнить альтернативы и проверить наиболее подходящий вариант. Компания предостерегает от объединения подагентов без проверки: в одном тесте с агентом поддержки слияние действительно уменьшило задержку, но нарушило работавший процесс. Основной агент стал отвечать самостоятельно, вместо того чтобы обращаться к нужному специалисту.

Навыки не должны разрастаться

Вместо отдельных агентов для каждой команды Anthropic советует упаковывать рабочие процессы в навыки, а инструменты загружать по запросу через поиск. За системный промт и общее качество должна отвечать небольшая центральная команда. При этом, отмечает компания, способность модели выбирать инструменты обычно ухудшается, когда их описаний становится больше 30–50. Поэтому ответственные в командах должны следить, чтобы библиотеки навыков не разрастались.

Справочные материалы — например, рекомендации, спецификации продуктов и определения метрик — Anthropic предлагает хранить в базах знаний. Агент сможет обращаться к ним через инструмент поиска, когда возникнет необходимость. Такие материалы также можно добавлять в навыки как справочные файлы. Компания не советует получать контекст с помощью кода и напрямую вставлять его в промты.

Выводы Anthropic согласуются с недавними исследованиями. В исследовании Vals команды агентов работали быстрее одиночных агентов, но не обеспечивали более высокого качества. Увеличение числа агентов с 10 до 30 или 100 не улучшило результат, зато заметно повысило расходы. Разработчик OpenAI Эрик Провеншер также усомнился в пользе роёв агентов, отметив, что они «почти наверняка» приводят к лишним затратам.