Jeden agent AI lepszy niż wiele? Anthropic zmienia zasady

Przez ostatnie miesiące zespoły budujące aplikacje oparte na sztucznej inteligencji chętnie sięgały po architekturę wielu wyspecjalizowanych agentów. Anthropic przekonuje jednak, że w wielu przypadkach lepszym rozwiązaniem jest pojedynczy agent, który dociąga potrzebny kontekst dopiero wtedy, gdy faktycznie go potrzebuje. Firma opiera to zalecenie na własnych wdrożeniach u klientów korporacyjnych i udostępnia narzędzia, które mają pomóc zespołom ocenić, czy warto uprościć obecne rozwiązanie.

Dlaczego pojedynczy agent wypada lepiej niż zespół subagentów

Według Anthropic konsolidacja subagentów w jednego głównego agenta często przynosi lepsze rezultaty niż utrzymywanie całej floty wyspecjalizowanych jednostek. Nowsze modele, począwszy od Opus 4.5, a także Opus 5.5 i Fable 5.1, potrafią samodzielnie zarządzać złożonymi planami w ramach jednej pętli działania. To przekłada się nie tylko na jakość, ale też na niższe koszty i krótszy czas oczekiwania.

W jednym z porównań architektura oparta na pojedynczym agencie działała około dwukrotnie szybciej niż konfiguracja z wieloma subagentami. Wnioski te pochodzą z praktycznych doświadczeń zespołu Applied AI, który wdrażał rozwiązania u różnych przedsiębiorstw. Okazało się, że agent wykorzystujący tzw. umiejętności (skills) regularnie wygrywał zarówno z monolitycznymi promptami, jak i z układami opartymi na subagentach.

Przykład, w którym rozdrobnienie zaszkodziło

Jeden z klientów umieścił w swoim agencie obsługującym klientów kilkanaście wyspecjalizowanych subagentów. Efekt był odwrotny od zamierzonego: trudno było utrzymać spójne doświadczenie marki, a użytkownicy odczuwali wysokie opóźnienia. Podobny problem pojawia się w procesach programistycznych, gdzie kontekst gubi się przy każdym przekazaniu zadania między pisaniem funkcji, tworzeniem testów i przeglądem kodu.

W podejściu z jednym agentem ten sam model pisze zarówno funkcję, jak i testy, ponieważ ma już pełny kontekst. Osobny weryfikator zajmuje się wyłącznie uruchamianiem testów i raportowaniem wyników. To upraszcza przepływ pracy i eliminuje straty informacji na styku kolejnych etapów.

Model przejmuje pracę, którą wcześniej wykonywała architektura

Wiele projektów agentowych powiela ten sam schemat: wykrywanie intencji, sztywny pipeline przetwarzania, segmentacja użytkowników, osobne gałęzie rekomendacji i orkiestrator spinający całość. Anthropic zauważa, że znaczną część tej pracy nowsze modele potrafią wykonać samodzielnie na potrzeby konkretnego zastosowania.

Firma określa mianem „prawa Conwaya” dla agentów zjawisko, w którym architektura systemu staje się kopią struktury organizacyjnej. Każdy zespół dostarcza własnego subagenta, aż w końcu powstają setki nakładających się jednostek bez wspólnych standardów. Konsekwencją bywa „Frankenprompt” – systemowy prompt, do którego każdy dokłada własne reguły, często sprzeczne z pozostałymi.

Mniej znaczy więcej: czysty prompt i kilka narzędzi

Zdaniem Anthropic w wielu zastosowaniach wystarczy przejrzysty prompt systemowy, cztery lub pięć lekkich narzędzi do danych oraz stałe zabezpieczenia formatu odpowiedzi. Firma zmniejszyła prompt systemowy Claude Code dla nowszych modeli o ponad 80 procent, częściowo dlatego, że umiejętności i narzędzia są teraz ładowane tylko wtedy, gdy zachodzi taka potrzeba.

Nowe modele komentują też własne postępy i sprawdzają swoją pracę, co sprawia, że część dodatkowych warstw kontrolnych staje się zbędna. To ważna zmiana dla zespołów, które przez miesiące rozbudowywały mechanizmy nadzoru nad agentami.

Kiedy subagenty wciąż mają sens

Anthropic nie przekreśla całkowicie architektury wieloagentowej. Wskazuje trzy sytuacje, w których podział na subagenty pozostaje uzasadniony:

pojedynczy agent zaczyna wyraźnie tracić na skuteczności z powodu ograniczonego okna kontekstu,
kilka zadań musi działać równolegle, każde z osobnym kontekstem,
jeden agent ma trudności z wyborem właściwego narzędzia.

Nawet w tych przypadkach warto jednak zachować ostrożność. Firma ostrzega przed bezrefleksyjnym łączeniem subagentów. W jednym z testów z agentem wsparcia włączenie subagenta do głównego agenta skróciło czas odpowiedzi, ale zepsuło wcześniej działający proces – główny agent zaczął odpowiadać samodzielnie, zamiast konsultować się z właściwym specjalistą.

Jak przeprowadzić migrację krok po kroku

Anthropic udostępniła na GitHubie zestaw narzędzi migracyjnych, który prowadzi zespoły przez proces rozpoznania istniejących wzorców, oceny alternatyw i weryfikacji najlepszego podejścia. To praktyczne wsparcie dla firm, które chcą sprawdzić, czy konsolidacja przyniesie im korzyści, zanim podejmą decyzję o przebudowie.

Utrzymaj porządek w bibliotekach umiejętności

Zamiast przydzielać każdemu zespołowi własnego agenta, Anthropic proponuje pakowanie przepływów pracy w umiejętności i ładowanie narzędzi na żądanie poprzez wyszukiwanie. Niewielki centralny zespół powinien odpowiadać za prompt systemowy i ogólną jakość.

Firma zauważa też, że skuteczność wyboru narzędzi przez model spada po przekroczeniu około 30-50 definicji. Dlatego wyznaczeni opiekunowie w każdym zespole powinni dbać o biblioteki umiejętności, aby te nie rozrastały się w niekontrolowany sposób.

Materiały referencyjne i pułapka wstrzykiwania kontekstu

W przypadku dokumentów takich jak wytyczne, specyfikacje produktów czy definicje metryk Anthropic zaleca bazy wiedzy, do których agent sięga tylko wtedy, gdy jest to potrzebne, korzystając z narzędzia wyszukiwania. Takie informacje można też osadzić jako pliki referencyjne wewnątrz umiejętności. Firma odradza natomiast pobieranie kontekstu za pomocą kodu i wstrzykiwanie go bezpośrednio do promptów.

Wnioski Anthropic pokrywają się z innymi badaniami. Analiza przeprowadzona przez Vals wykazała, że zespoły agentów bywają szybsze od pojedynczego agenta, ale nie oferują wyższej jakości. Zwiększenie liczby agentów z dziesięciu do trzydziestu czy stu nie przyniosło poprawy jakości, za to znacząco podniosło koszty. Eric Provencher, deweloper z OpenAI, również podważa sens rojów agentów, nazywając je „niemal na pewno” wyrzuconymi pieniędzmi.

Dla zespołów budujących rozwiązania AI to sygnał, by uważnie przyjrzeć się własnym architekturom. Czasem mniej znaczy więcej – a jeden dobrze zaprojektowany agent z dostępem do właściwego kontekstu może okazać się skuteczniejszy niż rozbudowana struktura, która z pozoru wygląda na bardziej zaawansowaną.