Anthropic radzi: zamiast floty subagentów lepiej postawić na jednego agenta z kontekstem na żądanie

Anthropic zmienia rekomendacje dla firm budujących agentów AI. Jak opisuje The Decoder, firma radzi, by przed rozbudową kolejnych subagentów sprawdzić, czy nie da się ich skonsolidować w jednego agenta nadrzędnego. Miałby on ładować kontekst dopiero wtedy, gdy jest potrzebny. Wnioski pochodzą z pracy zespołu Applied AI Anthropic przy wdrożeniach u klientów korporacyjnych.

Według Anthropic pojedynczy agent korzystający z tzw. skills często wygrywał zarówno z monolitycznymi promptami, jak i z układami opartymi na subagentach. Chodziło o jakość, koszt i opóźnienia. W jednym z porównań architektura z jednym agentem działała mniej więcej dwa razy szybciej niż wieloagentowa. Firma tłumaczy to tym, że nowsze modele potrafią same prowadzić złożony plan w jednej pętli. The Decoder wymienia tu modele od Opus 4.5 wzwyż, a także Opus 5.5 i Fable 5.1.

Utrata kontekstu i „Frankenprompt”

Jeden z klientów miał w agencie obsługującym użytkowników kilkanaście wyspecjalizowanych subagentów. Trudno było zachować spójne doświadczenie marki, a wysokie opóźnienia psuły użyteczność. W przykładzie z programowaniem problemem była utrata kontekstu przy każdym przekazaniu pracy między pisaniem funkcji, testów i code review. W wariancie z jednym agentem ten sam agent pisze funkcję i testy, bo ma już cały kontekst. Osobny weryfikator tylko uruchamia testy i raportuje wyniki.

Anthropic opisuje też mechanizm organizacyjny, który nazywa „prawem Conwaya” dla agentów. Architektura staje się kopią schematu organizacyjnego: każdy zespół dostarcza własnego subagenta, aż powstają setki nakładających się agentów bez wspólnych standardów. Efektem bywa „Frankenprompt”, czyli system prompt, do którego każdy dopisuje reguły, a te w końcu sobie przeczą. Typowy układ z wykrywaniem intencji, stałym pipeline’em, segmentacją użytkowników i orkiestratorem na szczycie to według firmy w dużej mierze praca, którą model wykona sam.

Zamiast tego Anthropic proponuje czysty system prompt, cztery–pięć lekkich narzędzi do danych i stałe zabezpieczenia na wyjściu. Jako przykład podaje własny Claude Code: system prompt dla nowszych modeli skrócono o ponad 80 procent, częściowo dlatego, że skills i narzędzia ładują się teraz dopiero na żądanie.

Kiedy subagenci nadal mają sens

Firma nie twierdzi, że subagenci są zbędni. Wskazuje trzy sytuacje, w których nadal się sprawdzają:

• gdy okno kontekstowe pojedynczego agenta wykazuje mierzalny spadek wydajności,
• gdy kilka zadań trzeba wykonywać równolegle w osobnych oknach kontekstu,
• gdy jeden agent słabo radzi sobie z wyborem narzędzi.

Anthropic ostrzega też przed ślepym łączeniem. W teście z agentem wsparcia wchłonięcie subagenta skróciło opóźnienia, ale zepsuło wcześniej działający proces: agent nadrzędny zaczął odpowiadać sam, zamiast konsultować się z właściwym specjalistą. Dlatego firma udostępniła na GitHubie zestaw migracyjny. Prowadzi on zespoły przez identyfikację istniejących wzorców, ocenę alternatyw i weryfikację najlepszego podejścia.

Zalecenia dotyczą też porządku po migracji. Workflow warto pakować w skills i ładować narzędzia na żądanie przez wyszukiwarkę narzędzi. Za system prompt i ogólną jakość powinien odpowiadać mały centralny zespół. Skoro wybór narzędzi przez model zaczyna się pogarszać powyżej 30–50 definicji, biblioteki skills powinni pilnować wyznaczeni właściciele w każdym zespole. Materiały referencyjne, takie jak wytyczne, specyfikacje produktów czy definicje metryk, Anthropic radzi trzymać w bazach wiedzy przeszukiwanych przez agenta albo jako pliki wewnątrz skilla. Odradza pobieranie kontekstu kodem i wstrzykiwanie go bezpośrednio do promptów.

Spójne z innymi danymi, ale nie z ostatnimi zapowiedziami

The Decoder zauważa, że wnioski Anthropic pasują do wcześniejszych badań. Według omówienia badania Vals zespoły agentów mogą być szybsze od pojedynczych, ale nie dają wyższej jakości. Skalowanie z dziesięciu do 30 czy 100 agentów nie poprawiło wyników, a wyraźnie podniosło koszty. O kosztach zespołów (od 1,8 do 5,1 raza więcej niż pojedynczy agent) pisaliśmy w październiku w tekście o granicach systemów wieloagentowych. Krytycznie o rojach agentów wypowiadał się także Eric Provencher z OpenAI Codex. Według wcześniejszej relacji The Decodera uważa on, że więcej niż dwóch równoległych subagentów „prawie zawsze” spala tokeny bez poprawy jakości, a problemem jest „podatek od koordynacji”. W The Decoderze streszczono jego opinię o rojach jako „prawie na pewno” zmarnowanych pieniądzach. Koniec mody na roje agentów AI? Inżynier OpenAI ostrzega przed „podatkiem od koordynacji”

Rekomendację warto zestawić z naszym październikowym tekstem o Claude Managed Agents. Anthropic nadal dopuszcza równoległe działanie subagentów, ale przesuwa domyślny wybór: najpierw jeden agent, a podział na subagentów dopiero tam, gdzie uzasadnia go konkretny problem.