Anthropic empfiehlt weniger Subagenten in KI-Systemen
Anthropic empfiehlt weniger Subagenten in KI-Systemen
Anthropic rät Unternehmen, Multi-Agent-Architekturen zu überdenken: Ein einzelner Hauptagent mit dynamisch geladenen Skills und Tools kann schneller und günstiger sein als komplexe Sub-Agent-Netzwerke.
In letzter Zeit hat Anthropic begonnen, Unternehmen zu empfehlen, die Anzahl von Subagenten zu reduzieren, bis hin zur Zusammenführung spezialisierter Agenten mit dem Haupt-Work-Loop.
Die Erfahrung mehrerer Unternehmensprojekte hat gezeigt, dass eine Architektur aus einem einzelnen Agenten und einer Reihe von Skills oft effektiver ist als komplexe Multi-Agent-Systeme. Bei einem Kunden stieg die Ausführungsgeschwindigkeit von Aufgaben nach der Umstellung auf einen einzelnen Loop etwa um das Doppelte.
Die Gründe sind leicht nachvollziehbar. Wenn Aufgaben von einem Agenten an einen anderen übergeben werden, muss jedes Mal Kontext übertragen und zusammengefasst werden. Dadurch können Informationen verloren gehen, Latenzen steigen und Kosten wachsen.
Anthropic empfiehlt nun, Planung und Ausführung von Aufgaben dem Hauptagenten zu übertragen, der bei Bedarf Skills und Tools dynamisch lädt. Geschäftsprozesse und Domänenwissen sollen als wiederverwendbare Komponenten erhalten bleiben.
Der Artikel enthält jedoch einen bemerkenswerten Fall, der besondere Aufmerksamkeit verdient.
Einmal führten Anthropic-Spezialisten Subagenten in einem Kundenservice-System zusammen. Das reduzierte zwar die Latenz, aber eine zuvor erfolgreich ausgeführte Aufgabe funktionierte plötzlich nicht mehr. Der Grund war, dass der Hauptagent den Schritt zur Abstimmung der Lieferzeit mit einem Logistikspezialisten ausließ.
Deshalb betont der Autor, dass nach jeder Zusammenführung von Subagenten End-to-End-Tests (end-to-end Eval) durchgeführt werden müssen, wobei besonders zu prüfen ist, welche zuvor erfolgreichen Aufgaben nun Fehler produzieren.
Natürlich behalten Subagenten weiterhin ihren Wert dort, wo parallele Recherchen, unabhängige Überprüfung von Ergebnissen oder Kontextisolierung erforderlich sind.
Beim Design zukünftiger Multi-Agent-Systeme sollte man sich daher zuerst fragen: Braucht jeder Subagent wirklich einen eigenen unabhängigen Kontext und eine eigene Ausführungsschleife?
Außerdem hat Anthropic ein Migrations-Toolkit im Open Source veröffentlicht. Es ermöglicht Teams, bestehende Architekturen zu analysieren, Subagenten schrittweise zusammenzuführen und Qualität, Kosten und Latenz vor und nach Änderungen zu vergleichen.
Entwickler von KI-Agenten sollten das Toolkit und den Artikel von Anthropic prüfen.
Warum das wichtig ist
AnalyseDie Empfehlung stellt die Annahme infrage, dass mehr Agenten automatisch bessere Systeme bedeuten, und hilft Teams, Architektur nach Latenz, Kosten und Zuverlässigkeit zu optimieren.
In der Community diskutieren
Teile deine Fragen und Erkenntnisse mit Entwicklern
Verwandt im Ökosystem
Praktische Leitfäden, Terminologie und Agenten-Skills
Subagents (Subagenten und Delegation)
Architekturmuster zum Starten von einmaligen, isolierten Unter-Agenten für die parallele Ausführung ressourcenintensiver Teilaufgaben, ohne den Kontextfenster des übergeordneten Prozesses zu belasten.
Anthropic zeigt eine Vorschau von Claude Duet: proaktiver Agent auf Basis von Opus 5.5
Claude Duet ermöglicht es, Aufgaben an einen autonomen Agenten zu übergeben, der in einer virtuellen Maschine weiterarbeitet, während Nutzer abwesend sind.
Claude Code Projects: Wie ein KI-Agent ein Team autonomer Agenten koordiniert
Eine tiefgehende Analyse von Claude Code Projects: die Architektur von Coordinator und Threads, parallele Branches, gemeinsamer Speicher MEMORY.md sowie das Management von Cloud-Agenten.
Claude nutzt Auto Mode standardmäßig für Berechtigungen in Pro, Max und Team
Anthropic teilte mit, dass Claude ab nächster Woche Auto Mode standardmäßig zur Verwaltung von Berechtigungen in den Tarifen Pro, Max und Team nutzen wird.
Subagenten und parallele Arbeit in Claude Code: So führen Sie mehrere Aufgaben gleichzeitig aus
Umfassender Leitfaden zur Parallelisierung von Aufgaben in Claude Code: Subagent-Architektur, gemeinsamer und isolierter Kontext, Fan-Out- und Swarm-Muster, CLI-Nutzung mit dem Flag -p sowie Token-Optimierung.
Claude Haiku (Anthropics schnelle, kompakte Modelle)
Das kompakteste und schnellste Modell in der Anthropic-Produktlinie. Entwickelt für blitzschnelle Antworten, massive Textklassifizierung, Datenextraktion und agentische Routing-Prozesse zu minimalen Kosten.