Anthropic рекомендує скорочувати субагентів у системах ШІ
Anthropic рекомендує скорочувати субагентів у системах ШІ
Anthropic радить компаніям переглянути мультиагентні архітектури: іноді один основний агент із динамічно завантажуваними навичками та інструментами працює швидше й дешевше за складну мережу субагентів.
Останнім часом Anthropic почала рекомендувати компаніям скорочувати кількість субагентів — аж до об’єднання деяких спеціалізованих агентів з основним циклом роботи.
Досвід кількох корпоративних проєктів показав, що архітектура з одного агента та набору навичок часто виявляється ефективнішою за складні мультиагентні системи. Наприклад, в одного з клієнтів після переходу на єдиний цикл роботи швидкість виконання задач зросла приблизно вдвічі.
Причини цього зрозумілі: під час передачі задачі від одного агента іншому контекст щоразу треба передавати й узагальнювати. Через це частина інформації втрачається, зростають затримки та витрати.
Тепер Anthropic рекомендує покладати планування та виконання задач на основного агента, який за потреби динамічно завантажує навички й інструменти. Бізнес-процеси та знання предметної області пропонується зберігати у вигляді багаторазових компонентів.
Водночас у статті наводять примітний випадок, який варто врахувати. Фахівці Anthropic одного разу об’єднали субагентів у системі обслуговування клієнтів. Це справді зменшило затримки, але задача, яка раніше виконувалася успішно, несподівано перестала виконуватися. Причина виявилася в тому, що основний агент пропустив етап погодження часу доставки зі спеціалістом із логістики.
Тому автор підкреслює необхідність проводити скрізне тестування (end-to-end Eval) після кожного об’єднання субагентів, особливо уважно перевіряючи, які з раніше успішних задач почали завершуватися помилками.
Звісно, субагенти досі цінні там, де потрібні паралельні дослідження, незалежна перевірка результатів або ізоляція контексту.
Отже, проєктуючи мультиагентні системи надалі, варто передусім запитати: чи дійсно кожному субагенту потрібні власний незалежний контекст і окремий цикл виконання задач?
Крім того, Anthropic опублікувала у відкритому доступі набір інструментів для міграції. Він дозволяє аналізувати наявну архітектуру, поступово об’єднувати субагентів і порівнювати якість роботи, витрати та затримки до й після змін.
Розробникам ШІ-агентів варто ознайомитися з цим інструментом і статтею Anthropic.
Чому це важливо
АналітикаРекомендація ставить під сумнів автоматичну перевагу мультиагентних архітектур і допомагає командам обирати між ізоляцією контексту та ефективністю основного циклу.
Обговорити новину у спільноті
Діліться своїм досвідом та думками з ШІ-розробниками
Пов'язані матеріали екосистеми
Практичні гайди, термінологія та агентські скіли
Anthropic представила превʼю Claude Duet — проактивного агента на базі Opus 5.5
Новий агентний застосунок Anthropic дозволяє делегувати тривалі задачі моделі Opus 5.5, яка працює у власному віртуальному середовищі й продовжує виконувати їх без постійного контролю користувача.
Claude Code Projects: як один ШІ координує команду автономних агентів
Глибокий аналіз Claude Code Projects: архітектура Coordinator та Threads, паралельні гілки, спільна пам'ять MEMORY.md та управління хмарними агентами.
Subagents (Субагенти та делегування)
Архітектурний патерн запуску одноразових ізольованих дочірніх агентів для паралельного виконання ресурсомістких підзадач без засмічення контекстного вікна батьківського процесу.
Claude почне за замовчуванням використовувати Auto Mode на тарифах Pro, Max і Team
Anthropic оголосила, що з наступного тижня Claude почне автоматично використовувати Auto Mode для управління дозволами у тарифах Pro, Max і Team.
Claude Haiku (Швидкісні компактні моделі Anthropic)
Найкомпактніша та найшвидша модель у лінійці Anthropic. Створена для блискавичних відповідей, масової класифікації текстів, витягування даних та агентської маршрутизації за мінімальну вартість.
Jev та System One AI: повний практичний гайд по моделі рішень від TypeSafe
Глибокий інженерний розбір флагманської моделі Jev: архітектура System One проти LLM, примітиви Choice/Score/Noul, паралелізм запитів, математика впевненості, відео-кейси, код та огляд локальних open-weight альтернатив (Laya, GLiNER2.5, CLM-8B).