Anthropic призывает отказываться от множества ИИ-агентов в пользу систем с одним звеном
Разработчики систем искусственного интеллекта столкнулись с парадоксом: усложнение архитектуры больше не гарантирует рост качества. Как сообщает издание The Decoder, компания Anthropic рекомендует бизнесу пересмотреть подход к созданию множества специализированных субагентов. Практика показала, что современные модели, такие как Fable 5.1, способны самостоятельно справляться с комплексным планированием, тогда как дробление задач на мелкие звенья лишь увеличивает задержки и общую стоимость эксплуатации.
Переход к архитектуре с одним основным агентом, который подгружает нужный контекст по требованию, стал возможен благодаря возросшим способностям моделей к рассуждению. В ходе тестов Anthropic выяснилось, что единая система работает почти в два раза быстрее многоагентных связок. Это ставит под сомнение популярную концепцию «роя агентов», которая долгое время считалась золотым стандартом для решения сложных корпоративных задач.
Проблема избыточной сложности и закон Конвея
Многие компании невольно воссоздают свою организационную структуру в программном коде — явление, известное как закон Конвея. В контексте ИИ это приводит к тому, что каждый отдел внедряет собственного субагента, в результате чего система превращается в нагромождение противоречивых инструкций, или «Франкенпромпт». При передаче данных от одного узла к другому неизбежно теряется часть контекста, что негативно сказывается на финальном результате, будь то написание кода или поддержка клиентов.
Для упрощения миграции на более эффективные рельсы Anthropic опубликовала на GitHub специальный набор инструментов для перехода. Этот комплект помогает командам проанализировать текущие рабочие процессы и определить, какие элементы можно объединить. Инженеры компании подчеркивают, что вместо создания новых агентов лучше упаковывать функциональность в «навыки» (skills) и использовать поиск инструментов, ограничивая библиотеку 30–50 определениями для сохранения точности выбора.
Эволюция архитектур от многоагентных систем к консолидированным решениям выглядит логичным шагом на фоне роста контекстных окон, однако за этим скрывается попытка вендоров упростить управление качеством, с которым они сами перестают справляться. Перенос сложности с уровня оркестрации на уровень модели экономит токены сегодня, но создает опасную зависимость от проприетарной логики одного «черного ящика». Блестящая эффективность единого агента в лабораторных условиях часто разбивается о реальность, где отсутствие модульности превращает любую ошибку в системный коллапс, который невозможно локализовать.
Когда разделение всё же оправдано
Несмотря на явный тренд к упрощению, Anthropic выделяет несколько сценариев, когда использование субагентов остается целесообразным. Это касается случаев, когда задачи должны выполняться строго параллельно в изолированных средах или когда объем необходимых данных настолько велик, что вызывает деградацию производительности даже у самых мощных моделей. Если агент начинает путаться в инструментах или «галлюцинировать» при выборе функций, разделение ответственности все еще остается рабочим инструментом.
Интересно, что выводы Anthropic перекликаются с исследованиями других игроков рынка. Эксперты из OpenAI и аналитики Vals ранее также отмечали, что масштабирование количества агентов с 10 до 100 не дает линейного прироста качества, но кратно увеличивает расходы. Похоже, индустрия постепенно переходит от эпохи «количественного накопления» ИИ-помощников к этапу качественной оптимизации и архитектурной гигиены, где меньше — это действительно больше.
