Anthropic предлагает разогнать рои суб-агентов ради одной модели

Типичный пайплайн в продакшене последних месяцев выглядел как перегруженная схема в Miro: агент-копирайтер передаёт вводные агенту-промптеру, тот зовёт агента-контролёра, а в конце цепочки сидит агент-ревьюер. На практике эта цифровая гильдия постоянно теряет контекст, съедает бюджет и отвечает с раздражающей задержкой. В Anthropic посмотрели на реальный опыт корпоративных внедрений и предложили развернуть индустрию обратно: один сильный агент с подгрузкой данных по запросу почти всегда справляется лучше сложной толпы помощников.

Команда Applied AI изучила поведение систем на практике и выяснила, что монолитные промпты и запутанные сети специализированных сущностей проигрывают одному ведущему алгоритму по качеству, стоимости и задержкам. В прямом сравнении архитектура с единственным агентом работала примерно в два раза быстрее мультиагентной связки. Главная беда сложных конструкций кроется в передаче эстафеты. Стоит перебросить задачу между этапами — например, от генерации функций к тестам и ревью, — как контекст начинает сыпаться.

Вдобавок разработка наступила на закон Конвея: архитектура софта стала слепо копировать штатное расписание компаний. Разные отделы успели наплодить сотни перекрывающих друг друга суб-агентов без общих правил. В системных промптах начал накапливаться так называемый франкенпромпт — монструозный клубок из десятков противоречащих инструкций от разных команд. Чем длиннее цепочка согласований между агентами, тем выше задержка отклика, пока автор ждёт результат.

Почему один агент стал умнее целой команды

Причина перемен проста: изменились сами базовые модели. Начиная с Opus 4.5, а также в Opus 5.5 и Fable 5.1, нейросети научились напрямую дирижировать сложными планами внутри одного непрерывного цикла. Они самостоятельно оценивают собственный прогресс, проверяют сделанное и отслеживают логику без внешних управляющих костылей.

В Anthropic привели показательный кейс с Claude Code: системный промпт удалось сократить более чем на 80%. Секрет оказался в динамической загрузке: инструменты и навыки не висят в памяти мёртвым грузом, а вызываются ровно в тот момент, когда они нужны задаче.

Чтобы перестроить рабочие процессы, компания выложила на GitHub специальный миграционный комплект — репозиторий anthropics/single-agent-loop-kit. Он помогает протестировать старые цепочки и оценить, стоит ли вообще сливать агентов воедино. При этом инженеры предостерегают от слепого объединения всего подряд:

• В тестах со службой поддержки автоматическое сворачивание суб-агента срезало задержки, но сломало процесс: главный агент стал отвечать на запросы сам, вместо того чтобы передать тикет профильному специалисту.
• Рабочие процессы безопаснее упаковывать в отдельные навыки и вызывать через инструмент поиска (tool search).
• Количество доступных инструментов строго ограничено: когда их список превышает 30–50 определений, выбор модели начинает деградировать. Библиотеки инструментов должны курировать живые специалисты.
• Инструкции, спецификации и метрики надежнее держать в базах знаний, куда агент обращается через поиск, а не вытягивать контекст кодом для прямой вставки в промпт.

Суб-агенты всё ещё имеют право на жизнь, но только в трёх сценариях: когда контекстное окно переполняется и начинает деградировать, когда требуется строго параллельное выполнение независимых задач или если модель спотыкается о выбор инструментов.

Наблюдения авторов совпадают с настроениями по рынку. В исследовании компании Vals выяснилось, что толпы агентов работают шустрее монолитных промптов прошлого поколения, но не дают реального прироста качества: масштабирование системы с 10 до 30 или 100 агентов лишь раздувает счета за вычислительные мощности. Разработчик OpenAI Эрик Провеншер высказался ещё резче, назвав агентские рои расточительным сжиганием токенов без пользы для результата.

Для креаторов и арт-директоров этот разворот означает простую вещь: пора разобрать переусложнённые спагетти-пайплайны. Вместо сборки капризных нейросетевых фабрик из десятка мелких ботов гораздо эффективнее дать одной свежей модели доступ к компактной библиотеке инструментов и хорошей базе знаний. Меньше посредников — чище итоговый кадр.