Μια εταιρεία είχε μέσα στον agent που μιλά με τους πελάτες της δώδεκα εξειδικευμένους subagents, δηλαδή μικρότερους βοηθούς AI, καθέναν με το δικό του αντικείμενο. Το αποτέλεσμα, σύμφωνα με την Anthropic, ήταν μια εμπειρία που δεν έμοιαζε ενιαία και μεγάλη καθυστέρηση στις απαντήσεις. Η Anthropic συμβουλεύει πλέον τους πελάτες της να εξετάσουν αν μπορούν να τους αντικαταστήσουν με έναν κύριο agent.
Η σύσταση βασίζεται στην εμπειρία της ομάδας Applied AI σε πολλές εταιρικές εφαρμογές, όπως τη μεταφέρει το The Decoder. Εκεί, ένας μόνος agent που φορτώνει γνώσεις και εργαλεία μόνο όταν τα χρειάζεται, μέσω των λεγόμενων skills (πακέτα οδηγιών για μια συγκεκριμένη εργασία), συχνά είχε καλύτερη ποιότητα από ένα τεράστιο prompt ή από σύστημα με subagents. Σε μία σύγκριση, η αρχιτεκτονική με έναν agent έτρεξε περίπου διπλάσια γρήγορα, λέει η εταιρεία.
Το μοντέλο κάνει μόνο του μέρος της ενορχήστρωσης
Πολλά συστήματα agents ακολουθούν το ίδιο σχέδιο: αναγνώριση πρόθεσης, σταθερή γραμμή επεξεργασίας, κατηγοριοποίηση χρηστών, ξεχωριστοί κλάδοι προτάσεων και από πάνω ένας orchestrator που τα συντονίζει. Η Anthropic υποστηρίζει ότι τα νεότερα μοντέλα, από το Opus 4.5 και μετά, μαζί με το Opus 5.5 και το Fable 5.1, διαχειρίζονται σύνθετα σχέδια μέσα σε έναν βρόχο. Σχολιάζουν και την πρόοδό τους και ελέγχουν τη δουλειά τους, οπότε κάποια επιπλέον στρώματα ελέγχου γίνονται περιττά.
Η εταιρεία το παρομοιάζει με τον «νόμο του Conway» για agents: η αρχιτεκτονική καταλήγει αντίγραφο του οργανογράμματος. Κάθε ομάδα βγάζει τον δικό της subagent, ώσπου να μαζευτούν εκατοντάδες agents που επικαλύπτονται και δεν έχουν κοινά πρότυπα. Ακολουθεί το «Frankenprompt»: κάθε ομάδα προσθέτει κανόνες στο system prompt και στο τέλος αντιφάσκουν. Σύμφωνα με την Anthropic, ένα καθαρό system prompt, τέσσερα ή πέντε λιτά εργαλεία δεδομένων και σταθερά όρια στην έξοδο καλύπτουν μεγάλο μέρος των περιπτώσεων. Η ίδια έκοψε πάνω από 80% του system prompt του Claude Code για τα νεότερα μοντέλα, εν μέρει επειδή skills και εργαλεία φορτώνονται πια μόνο όταν χρειάζονται.
Πότε οι subagents εξακολουθούν να έχουν νόημα
Η Anthropic δεν τους καταργεί. Τους θεωρεί λογικούς όταν το context window ενός agent (η «μνήμη» που κρατά μέσα στη συζήτηση) δείχνει μετρήσιμη πτώση απόδοσης, όταν πολλές εργασίες πρέπει να τρέξουν παράλληλα με χωριστά context windows, ή όταν ο agent δυσκολεύεται να διαλέξει εργαλείο. Η επιλογή εργαλείων τείνει να χειροτερεύει πάνω από 30 με 50 ορισμούς.
Για τη μετάβαση η εταιρεία δημοσίευσε στο GitHub ένα κιτ που οδηγεί τις ομάδες να καταγράψουν τα υπάρχοντα μοτίβα, να αξιολογήσουν εναλλακτικές και να επαληθεύσουν την καλύτερη λύση. Προειδοποιεί να μη γίνεται συγχώνευση στα τυφλά: σε δοκιμή με agent υποστήριξης, η ενσωμάτωση ενός subagent μείωσε την καθυστέρηση αλλά χάλασε μια διαδικασία που δούλευε. Ο κύριος agent άρχισε να απαντά μόνος του αντί να συμβουλεύεται τον σωστό ειδικό.
Η Anthropic προτείνει επίσης μια μικρή κεντρική ομάδα να έχει στην ευθύνη της το system prompt και τη συνολική ποιότητα, και οι βιβλιοθήκες skills να έχουν ορισμένους υπευθύνους ώστε να μην φουσκώνουν. Οδηγίες, προδιαγραφές προϊόντων και ορισμούς μετρικών τούς βάζει σε βάσεις γνώσης που ο agent ρωτά μέσω εργαλείου αναζήτησης. Αποθαρρύνει την άντληση context μέσω κώδικα και την απευθείας έγχυσή του στα prompts.
Τα ευρήματα συμφωνούν με πρόσφατη έρευνα. Μελέτη της Vals έδειξε ότι ομάδες agents μπορεί να είναι ταχύτερες από έναν μόνο agent, αλλά δεν δίνουν υψηλότερη ποιότητα: από 10 σε 30 ή 100 agents δεν υπήρξε κέρδος, μόνο πολύ μεγαλύτερο κόστος. Ο προγραμματιστής της OpenAI Eric Provencher έχει αμφισβητήσει και αυτός τα σμήνη agents και τα έχει χαρακτηρίσει «σχεδόν σίγουρα» χαμένα χρήματα. Σε άλλη μελέτη για coding agents το συμπέρασμα ήταν παρόμοιο.
Πηγή: The Decoder
