Anthropic советует выкинуть половину сабагентов: один цикл оказался вдвое быстрее

Anthropic выпустила статью о том, когда сабагентов стоит сворачивать обратно в основной цикл агента. Авторы — команда Applied AI, которая видит корпоративные внедрения изнутри. Вывод провокационный: один агент со скиллами часто обходит по качеству и вариант «один промпт на всё», и архитектуру с кучей сабагентов. Выходит это дешевле и быстрее. У одного из клиентов одиночный цикл отработал примерно в 2 раза быстрее мультиагентной обвязки. У другого дюжина сабагентов-специалистов в клиентском агенте ломала единый тон бренда и добавляла задержку.

Почему сабагенты копируют оргструктуру

Главное наблюдение звучит почти как закон Конвея: архитектура агента повторяет структуру компании. Каждая команда пилит своего сабагента, а сверху платформенная команда ставит оркестратор. Дальше накапливается набор предсказуемых болячек:

• контекст теряется при передаче между агентами;
• появляются сотни пересекающихся сабагентов без стандартов и владельца;
• системный промпт превращается в «франкенштейн-промпт», куда каждая команда дописала по предложению;
• локальные evals каждой команды становятся основой для решений руководства, хотя системное качество они не показывают;
• растут задержки, потому что каждый хоп между агентами — отдельный вызов модели.

С точки зрения экономики токенов картина простая. Каждая передача управления означает пересказ контекста, дублирование инструкций и лишний раунд инференса. Платите вы за всё это дважды: деньгами и временем ответа.

Один цикл вместо оркестра

Рекомендованная схема выглядит скромно. Один цикл, одно контекстное окно, жёсткие лимиты по числу ходов и по бюджету. Дальше четыре инженерных приёма:

• Постепенное раскрытие. Модель видит только короткие описания скиллов и инструментов, а полные тексты подгружает по необходимости. Так Anthropic сократила системный промпт Claude Code больше чем на 80%.
• Группировка инструментов по намерениям пользователя, а не по API. После 30–50 описаний инструментов выбор начинает деградировать, поэтому три десятка тонких обёрток над REST-методами хуже десятка инструментов, соответствующих реальным задачам.
• Проверка прав внутри инструментов. Если доступа нет, инструмент возвращает модели понятный отказ. Тогда один цикл обслуживает пользователей с разными уровнями доступа, и отдельные агенты под каждую роль не нужны.
• Центральное владение качеством. Системным промптом и итоговым качеством целиком занимается одна небольшая команда. Остальные команды владеют скиллами и инструментами, а не агентами.

Сабагенты при этом не объявлены вне закона. Anthropic называет три случая, когда они оправданы:

• есть измеримая деградация от раздутого контекста;
• нужны параллельные задачи со свежим контекстом;
• агент путается в инструментах и противоречивых инструкциях.

Условие одно: делить сабагентов нужно по контексту, а не по типу задачи. Деление по типу задачи даёт «испорченный телефон», в котором каждое звено слегка искажает исходный запрос.

Миграция: от примеров к скиллам

Порядок действий в статье описан довольно конкретно:

• Сначала собрать примеры. Хватит даже 10 штук, это будущий набор для сравнения до и после.
• Слить самых используемых и сильно связанных сабагентов.
• Вызывать оставшихся как инструменты, а не как самостоятельных агентов.
• По одному превращать их в скиллы и после каждого шага сравнивать результат с эталонными примерами.

Для этого Anthropic выложила на GitHub migration kit со скиллом, который помогает пройти процесс.

Если у вас в продакшене живёт оркестратор с десятком специалистов, начните с замера: время ответа, число вызовов модели и стоимость на типовой запрос, а затем сравните с одиночным циклом на тех же 10 примерах. Отдельно проверьте, не раздуты ли описания инструментов: если их больше 30–50, группировка по намерениям даст выигрыш ещё до любых архитектурных перестроек. Оргвывод такой же жёсткий, как и технический: команды перестают быть владельцами агентов и становятся владельцами скиллов и инструментов.

История при этом показательная для всей индустрии. В прошлом году оркестраторы и мультиагентные системы были главным трендом, а сейчас их пересобирают как легаси. Автор пересказа в Telegram отмечает, что к похожим выводам пришла и OpenAI в посте про своих Forward Deployed Engineers.