Anthropic recomenda descartar metade dos subagentes: um único loop foi duas vezes mais rápido

A Anthropic publicou um artigo sobre quando vale a pena recolher os subagentes de volta para o loop principal do agente. Os autores são da equipe de Applied AI, que acompanha implantações corporativas por dentro. A conclusão é provocativa: um único agente com skills costuma superar em qualidade tanto o esquema de «um prompt para tudo» quanto uma arquitetura com uma pilha de subagentes. Além disso, sai mais barato e mais rápido. Em um dos clientes, o loop único foi cerca de 2 vezes mais rápido que a estrutura multiagente. Em outro, uma dúzia de subagentes especialistas no agente de atendimento ao cliente quebrava o tom de voz único da marca e adicionava latência.

Por que os subagentes copiam o organograma

A principal observação soa quase como a lei de Conway: a arquitetura do agente repete a estrutura da empresa. Cada equipe constrói o seu subagente, e por cima a equipe de plataforma coloca um orquestrador. Daí surge um conjunto de problemas previsíveis:

• o contexto se perde na passagem entre agentes;
• surgem centenas de subagentes que se sobrepõem, sem padrões e sem dono;
• o prompt de sistema vira um «prompt Frankenstein», ao qual cada equipe acrescentou uma frase;
• os evals locais de cada equipe passam a embasar decisões da diretoria, embora não mostrem a qualidade do sistema como um todo;
• a latência aumenta, porque cada salto entre agentes é uma chamada separada ao modelo.

Do ponto de vista da economia de tokens, a conta é simples. Cada transferência de controle significa recontar o contexto, duplicar instruções e fazer uma rodada extra de inferência. Você paga por tudo isso duas vezes: em dinheiro e em tempo de resposta.

Um loop no lugar da orquestra

O esquema recomendado parece modesto. Um loop, uma janela de contexto, limites rígidos de número de turnos e de orçamento. Depois, quatro práticas de engenharia:

• Revelação progressiva. O modelo vê apenas descrições curtas de skills e ferramentas e carrega os textos completos conforme a necessidade. Foi assim que a Anthropic reduziu o prompt de sistema do Claude Code em mais de 80%.
• Agrupamento de ferramentas por intenção do usuário, e não por API. Depois de 30–50 descrições de ferramentas, a escolha começa a se degradar. Por isso, três dezenas de wrappers finos sobre métodos REST funcionam pior que uma dezena de ferramentas alinhadas a tarefas reais.
• Verificação de permissões dentro das ferramentas. Se não há acesso, a ferramenta devolve ao modelo uma recusa clara. Assim, um único loop atende usuários com diferentes níveis de acesso, e não são necessários agentes separados para cada perfil.
• Propriedade central da qualidade. Uma única equipe pequena cuida por inteiro do prompt de sistema e da qualidade final. As demais equipes são donas de skills e ferramentas, não de agentes.

Os subagentes, porém, não foram banidos. A Anthropic cita três casos em que eles se justificam:

• há degradação mensurável causada por contexto inchado;
• são necessárias tarefas paralelas com contexto limpo;
• o agente se confunde com ferramentas e instruções contraditórias.

Há uma condição: os subagentes devem ser divididos por contexto, e não por tipo de tarefa. A divisão por tipo de tarefa gera um «telefone sem fio», em que cada elo distorce um pouco a solicitação original.

Migração: de exemplos a skills

O artigo descreve o passo a passo de forma bem concreta:

• Primeiro, reunir exemplos. Bastam até 10, que formarão o conjunto de comparação de antes e depois.
• Fundir os subagentes mais usados e mais acoplados.
• Chamar os que sobrarem como ferramentas, e não como agentes independentes.
• Transformá-los em skills um por um e, a cada etapa, comparar o resultado com os exemplos de referência.

Para isso, a Anthropic publicou no GitHub um migration kit com uma skill que ajuda a percorrer o processo.

Se você tem em produção um orquestrador com uma dezena de especialistas, comece medindo: tempo de resposta, número de chamadas ao modelo e custo por requisição típica, e depois compare com um loop único nos mesmos 10 exemplos. Verifique também se as descrições das ferramentas não estão inchadas: se passam de 30–50, o agrupamento por intenção traz ganho antes mesmo de qualquer reformulação da arquitetura. A conclusão organizacional é tão dura quanto a técnica: as equipes deixam de ser donas de agentes e passam a ser donas de skills e ferramentas.

A história, aliás, é reveladora para toda a indústria. No ano passado, orquestradores e sistemas multiagente eram a principal tendência; agora estão sendo refeitos como legado. O autor do resumo no Telegram observa que a OpenAI chegou a conclusões parecidas em um post sobre seus Forward Deployed Engineers.