Как сообщает The Decoder, Anthropic рекомендует компаниям проверить, можно ли свернуть мультиагентные схемы в одного основного агента, и выпустила для этого миграционный набор на GitHub. По опыту её команды Applied AI на корпоративных внедрениях, один агент, который подгружает контекст по мере необходимости и использует скиллы (переиспользуемые модули навыков), нередко обыгрывал по качеству и монолитные промпты, и связки сабагентов — отдельных специализированных агентов.
Причина — возможности новых моделей: начиная с Opus 4.5, включая Opus 5.5 и Fable 5.1, они справляются со сложными планами в едином цикле, без внешнего оркестратора. Новые модели сами комментируют свой прогресс и проверяют свою работу, из-за чего часть контрольных слоёв становится лишней. В одном из сравнений архитектура с одним агентом оказалась примерно вдвое быстрее мультиагентной.
Типичную ловушку Anthropic называет «законом Конвея» для агентов: архитектура повторяет оргструктуру компании, каждая команда выпускает собственного сабагента, и накапливаются сотни пересекающихся агентов без общих стандартов. У одного из клиентов, например, дюжина сабагентов внутри клиентского агента мешала поддерживать единый стиль бренда и снижала удобство из-за высоких задержек. Системный промпт — базовые инструкции, задающие поведение агента, — при этом превращается в «Франкенпромпт» из противоречащих друг другу правил.
Рецепт от Anthropic: чистый системный промпт, четыре-пять компактных инструментов и жёсткие ограничения на вывод закрывают большую часть задач, а инструменты подгружаются по запросу. Справочные материалы — гайдлайны, спецификации, определения метрик — лучше держать в базах знаний, к которым агент обращается через поиск только при необходимости. Сама Anthropic сократила системный промпт Claude Code для новых моделей более чем на 80%.
Небольшая центральная команда должна владеть системным промптом и отвечать за общее качество, а библиотеки скиллов — курировать назначенные ответственные: выбор инструментов деградирует при более чем 30–50 определениях. Сабагенты при этом остаются оправданными, когда производительность одного агента заметно падает из-за объёма контекстного окна, когда задачи нужно выполнять параллельно в отдельных контекстных окнах или когда агент плохо выбирает инструменты.
Объединять вслепую Anthropic не советует: в тесте с агентом поддержки встраивание сабагента снизило задержку, но сломало работавший процесс — основной агент начал отвечать сам, вместо того чтобы обратиться к нужному специалисту. Выводы согласуются с исследованием Vals: команды агентов быстрее одиночных, но не качественнее, а масштабирование с 10 до 30 или 100 агентов не дало прироста качества при значительно больших расходах. Разработчик OpenAI Эрик Провенше назвал рои агентов «почти наверняка» потраченными впустую деньгами.
