Anthropic
ИИ-чатAnthropicClaudeAI-агентымультиагентные системыOpus 4.5

Anthropic: один агент быстрее армии субагентов в два раза

Сергей Сергеев, редактор gen-hub.ru
Сергей Сергеев
Редактор gen-hub.ru
·4 мин чтения
Anthropic: один агент быстрее армии субагентов в два раза

Когда архитектура агентной системы начинает напоминать организационную схему корпорации - с десятками специализированных субагентов, каждый из которых отвечает за свой крошечный кусок работы, - это верный признак того, что что-то пошло не так. Именно с этой проблемой столкнулась команда Applied AI в Anthropic, работая с реальными корпоративными внедрениями. Вывод оказался неожиданным для многих: меньше агентов - лучше результат.

Откуда растут ноги у "Frankenprompt"

Anthropic называет это "законом Конвея для агентов". Каждая команда внутри компании разрабатывает собственного субагента, архитектура системы постепенно копирует структуру организации, и в итоге накапливаются сотни перекрывающихся агентов без единых стандартов и владельцев. Общий системный промпт превращается в то, что в компании называют "Frankenprompt": каждая команда дописывает туда свои правила, которые в итоге противоречат друг другу.

Один из клиентов Anthropic имел около дюжины специализированных субагентов внутри своего пользовательского агента. Результат - непоследовательный пользовательский опыт и высокая задержка, которая напрямую ухудшала удобство работы. Anthropic перечисляет знакомые каждому, кто запускал мультиагентные системы, симптомы: потеря контекста на каждой передаче задания, разрастание субагентов, спорные инструкции в промпте, локальные тесты только отдельных фрагментов и накапливающиеся задержки.

Что изменилось с новыми моделями

Раньше мультиагентный подход был во многом вынужденным: модели просто не тянули сложные многошаговые задачи в одном контексте. Начиная с Opus 4.5, а также в Opus 5.5 и Fable 5.1 это ограничение существенно ослабло. Модели теперь самостоятельно справляются со сложным планированием в одном цикле, комментируют собственный прогресс и проверяют свою работу - что делает часть дополнительных управляющих слоев попросту ненужной.

Anthropic сократила системный промпт Claude Code для новых моделей более чем на 80%, частично потому что навыки и инструменты теперь загружаются только по запросу. Это хорошая иллюстрация того, насколько изменился подход: то, что раньше нужно было "зашивать" в промпт заранее, теперь подтягивается динамически.

Вдвое быстрее - это не маркетинг

В одном из сравнений архитектур одноагентная схема работала примерно в два раза быстрее мультиагентной. Механика здесь понятна: в мультиагентном рабочем процессе контекст теряется на каждой передаче между написанием кода, написанием тестов и проверкой кода. В одноагентном - один агент пишет и функцию, и тесты, потому что уже владеет нужным контекстом, а отдельный верификатор просто запускает тесты и сообщает результаты.

По данным Anthropic, одиночный агент с навыками (skills) регулярно превосходил как монолитные промпты, так и мультиагентные схемы по качеству - это данные самого вендора из его собственных внедрений, независимой проверки они пока не проходили.

Когда субагенты все же нужны

Anthropic не призывает отказаться от мультиагентных архитектур полностью. По мнению компании, субагенты сохраняют смысл в трех ситуациях: когда переполнение контекста у одного агента дает измеримое ухудшение качества; когда задачи нужно выполнять параллельно с отдельными контекстными окнами; когда агент стабильно не справляется с выбором инструментов.

Есть и техническое ограничение: при 30-50 определениях инструментов качество их выбора моделью начинает деградировать. Поэтому Anthropic рекомендует поиск по инструментам вместо передачи всего списка сразу.

Независимые данные подтверждают лишь частично

Исследование компании Vals, на которое ссылается сам Anthropic, дает более осторожный вывод: команды агентов действительно могут работать быстрее одиночного агента, но не дают более высокого качества. Масштабирование с 10 до 30 или 100 агентов приносило значительно более высокие расходы без улучшения результатов. Это в целом согласуется с рекомендацией Anthropic, хотя и не подтверждает ее в полной мере - все-таки речь идет о данных самого вендора из его собственных внедрений.

Финансовый сектор, кстати, здесь в особом положении: для банков аргумент по стоимости и задержке может перевешивать привычную логику "больше специалистов - лучше контроль".

Как мигрировать - пошагово

Anthropic выпустила migration kit на GitHub (репозиторий single-agent-loop-kit). Набор содержит навыки для построения тестов, проверки промптов на устаревшие инструкции, итеративного улучшения результатов и оптимизации стоимости, а также демоверсию для тренировки перед продакшеном.

Логика миграции - небольшие измеримые шаги, а не переписывание всего с нуля. Сначала нужно построить сквозной набор тестов примерно из 10 эталонных примеров и измерять завершение задачи, а не только точность маршрутизации. Затем вызывать существующих субагентов как инструменты, чтобы главный агент не терял контекст разговора. После этого объединять тесно связанных специалистов - тех, кого вызывают вместе или кто работает с одними данными. И поглощать по одному субагенту за раз, сравнивая метрики после каждого изменения.

Предупреждение от Anthropic тоже стоит принять всерьез: в одном из тестов с агентом поддержки включение субагента действительно снизило задержку, но сломало работавший процесс - основной агент начал отвечать самостоятельно вместо того, чтобы обращаться к нужному специалисту. Слепое объединение опасно.

Если ваша система содержит больше пары субагентов - это сигнал посчитать количество передач, написать десять примеров и проверить, справится ли один цикл с той же задачей с меньшим количеством механики. Упрощение - это результат, который можно измерить.

Все эти инструменты - уже на Genova-ai

Картинки, видео, музыка, голос и ИИ-чат в одном месте. Без VPN и зарубежных карт.

Картинки
Видео
Музыка
Голос
ИИ-чат
Попробовать бесплатно

Похожие новости

OpenAI
ИИ-чат

OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra

OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.

18 ноября3 мин чтения
OpenAI
ИИ-чат

OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента

OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.

17 ноября3 мин чтения
NVIDIA
ИИ-чат

NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300

В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.

17 ноября3 мин чтения