Anthropic recomenda enxugar subagentes: um único loop com skills supera orquestras

A equipe de Applied AI da Anthropic publicou um artigo sobre quando vale a pena trazer os subagentes de volta para o loop principal do agente. A conclusão, tirada de implantações corporativas reais, é incômoda para quem passou o último ano montando orquestradores: um único agente com skills costuma superar em qualidade tanto a opção de "um prompt para tudo" quanto a de vários subagentes espalhados. Além disso, sai mais barato e mais rápido. Em um cliente, o loop único funcionou cerca de 2 vezes mais rápido que a estrutura multiagente. Em outro, uma dúzia de subagentes especialistas no agente voltado ao cliente quebrava o tom de voz único da marca e aumentava a latência.

A lei de Conway para agentes

Os autores descrevem uma dinâmica organizacional conhecida. Cada equipe cria o seu subagente, e a equipe de plataforma coloca um orquestrador por cima. O resultado é que a arquitetura do agente repete a estrutura organizacional da empresa, com todos os seus problemas:

• o contexto se perde na passagem entre agentes;
• surgem centenas de subagentes sobrepostos, sem padrões nem responsável;
• aparece um "prompt Frankenstein", ao qual cada equipe acrescentou uma frase;
• as decisões são tomadas com base em evals locais, que não refletem a qualidade do sistema como um todo;
• a latência cresce, porque cada transição entre agentes é mais uma chamada ao modelo.

Do ponto de vista da economia de tokens, é um golpe duplo. Cada transferência de tarefa exige recontar o contexto, o que significa tokens de entrada extras e o risco de perder algum detalhe importante. O efeito de "telefone sem fio" prejudica a qualidade, e as rodadas extras de chamadas prejudicam o tempo de resposta.

Um loop, uma janela, divulgação progressiva

A alternativa proposta pela Anthropic é esta:

• um loop e uma janela de contexto, com limites de número de turnos e de orçamento;
• divulgação progressiva (progressive disclosure): o modelo vê descrições curtas de skills e ferramentas e só carrega as completas quando precisa delas. Foi assim que a equipe reduziu o prompt de sistema do Claude Code em mais de 80%;
• as ferramentas são agrupadas pelas intenções do usuário, e não por API. Depois de 30–50 descrições de ferramentas, a escolha começa a se degradar;
• as permissões de acesso são verificadas dentro das ferramentas, e o modelo recebe uma recusa clara. Assim, um único loop atende usuários com diferentes níveis de acesso, sem a necessidade de agentes separados para cada papel.

O último ponto é especialmente prático. Em vez de multiplicar agentes para diferentes grupos de usuários, a autorização passa para o nível da ferramenta, e o agente aprende a reagir de forma adequada à recusa.

Quando os subagentes ainda são necessários

Os autores não defendem abandoná-los por completo. Os casos justificados são três:

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

Nesses casos, a recomendação é dividir os subagentes por contexto, e não por tipo de tarefa. É justamente a divisão por tipo de tarefa que gera o telefone sem fio.

Plano de migração

A ordem de ações no artigo é esta:

1. Reunir exemplos. Até 10 já bastam, e eles servirão de base de comparação. 2. Fundir os subagentes mais usados e fortemente acoplados. 3. Chamar os demais como ferramentas. 4. Transformá-los em skills um a um, comparando o resultado com a referência após cada etapa.

A propriedade também muda do ponto de vista organizacional. As equipes deixam de ser donas de agentes e passam a ser donas de skills e ferramentas. O prompt de sistema e a qualidade geral ficam sob responsabilidade de uma pequena equipe central. Para a migração, a Anthropic publicou no GitHub um skill migration kit.

O que fazer agora

Se você tem um esquema multiagente em produção, comece por uma auditoria: conte o número de subagentes, a latência média nas transferências e o tamanho do prompt de sistema. Monte um conjunto de 10 casos reais e rode-o em um loop único com skills. Se a qualidade não cair e o tempo e o consumo de tokens diminuírem, o esquema pode ser simplificado. Verifique também, separadamente, se o conjunto de ferramentas não passa de 30–50 descrições. Se passar, agrupe-as por intenções do usuário. E defina de antemão um responsável pelo prompt comum e pelos evals, caso contrário o "Frankenstein" volta, agora na forma de skills.

Segundo o autor da análise, a OpenAI chegou a uma conclusão semelhante em um post sobre Forward Deployed Engineers. A tendência é clara: há um ano, orquestradores eram vitrine de maturidade; hoje, cada vez mais parecem código legado.