Anthropic призвала сворачивать сабагентов: один цикл со скиллами обходит оркестры

Команда Applied AI из Anthropic выпустила статью о том, когда сабагентов стоит сворачивать обратно в основной цикл агента. Вывод из реальных корпоративных внедрений неудобный для тех, кто последний год строил оркестраторы: один агент со скиллами часто обходит по качеству и вариант «один промпт на всё», и вариант с россыпью сабагентов. Причем выходит дешевле и быстрее. У одного клиента 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.

Закон Конвея для агентов

Авторы описывают знакомую организационную динамику. Каждая команда делает своего сабагента, сверху платформенная команда ставит оркестратор. В итоге архитектура агента повторяет оргструктуру компании, со всеми её болезнями:

• контекст теряется при передаче между агентами;
• возникают сотни пересекающихся сабагентов без стандартов и владельца;
• появляется «франкенштейн-промпт», куда каждая команда дописала по предложению;
• решения принимаются по локальным evals, которые не отражают качество системы целиком;
• растут задержки, потому что каждый переход между агентами это ещё один вызов модели.

С точки зрения экономики токенов это двойной удар. Каждая передача задачи требует пересказа контекста, а значит лишних входных токенов и риска, что нужная деталь потеряется. Эффект «испорченного телефона» бьёт по качеству, а лишние раунды вызовов по времени ответа.

Один цикл, одно окно, постепенное раскрытие

Альтернатива, которую предлагает Anthropic, выглядит так:

• один цикл и одно контекстное окно, с лимитами по числу ходов и по бюджету;
• постепенное раскрытие (progressive disclosure): модель видит короткие описания скиллов и инструментов и подгружает полные только когда они нужны. Так команда сократила системный промпт Claude Code больше чем на 80%;
• инструменты группируются по намерениям пользователя, а не по API. После 30–50 описаний инструментов выбор начинает деградировать;
• права доступа проверяются внутри инструментов, а модель получает понятный отказ. Тогда один цикл обслуживает пользователей с разным уровнем доступа и не нужны отдельные агенты под каждую роль.

Последний пункт особенно практичен. Вместо размножения агентов под разные группы пользователей авторизация переезжает на уровень инструмента, а агент учится адекватно реагировать на отказ.

Когда сабагенты всё же нужны

Авторы не призывают отказаться от них полностью. Оправданные случаи три:

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

При этом делить их предлагается по контексту, а не по типу задачи. Деление по типу задачи как раз и даёт испорченный телефон.

План миграции

Порядок действий в статье такой:

1. Собрать примеры. Хватит даже 10 штук, они станут основой для сравнения. 2. Слить самых используемых и сильно связанных сабагентов. 3. Оставшихся вызывать как инструменты. 4. По одному превращать их в скиллы и после каждого шага сравнивать результат с эталоном.

Организационно меняется и владение. Команды перестают владеть агентами и начинают владеть скиллами и инструментами. Системным промптом и качеством целиком отвечает одна небольшая центральная команда. Для миграции Anthropic выложила на GitHub skill migration kit.

Что делать прямо сейчас

Если у вас в продакшене мультиагентная схема, начните с аудита: посчитайте число сабагентов, средние задержки на передачах и размер системного промпта. Соберите набор из 10 реальных кейсов и прогоните его на одиночном цикле со скиллами. Если качество не падает, а время и расход токенов снижаются, схему можно упрощать. Отдельно проверьте, не превышает ли набор инструментов 30–50 описаний. Если да, сгруппируйте их по пользовательским намерениям. И заранее назначьте владельца общего промпта и evals, иначе «франкенштейн» вернётся уже в виде скиллов.

По словам автора разбора, подобный вывод в посте о Forward Deployed Engineers сделала и OpenAI. Тренд читается ясно: год назад оркестраторы были витриной зрелости, сейчас они всё чаще выглядят как легаси.