Компании, масштабирующие внедрение искусственного интеллекта, сталкиваются с суровой архитектурной реальностью на фоне роста операционных расходов. По заявлению Anthropic, организациям стоит оценить возможность объединения субагентов в единого агента, который подгружает контекст по мере необходимости. Опыт компании показывает, что обилие специализированных субагентов ведет к росту задержек, увеличению затрат и потере информации на каждом этапе передачи данных.
Организации регулярно переносят корпоративную иерархию в программный код, выстраивая многоуровневые флотилии узких субагентов, которые со временем начинают зеркально отражать организационную структуру. Как отмечает Anthropic, подобное структурное дублирование порождает закон Конвея для агентов: каждое внутреннее подразделение выпускает собственный субагенты, пока в системе не накапливаются сотни пересекающихся модулей без единых стандартов.
Возникающие операционные трения проявляются в раздутых системных промптах и серьезном падении производительности. В результате появляется то, что в Anthropic называют Frankenprompt (франкенпромпт): каждое подразделение добавляет в системный промпт правила, которые в итоге начинают противоречить друг другу. Исследование компании Vals показало, что команды агентов могут работать быстрее одиночных агентов, но не обеспечивают более высокого качества, тогда как масштабирование с десяти до 30 или 100 агентов не приносит прироста качества при значительно возросших затратах.
Как отмечал разработчик из OpenAI Эрик Провенчер в отношении роев агентов, подобные конфигурации практически гарантированно являются выброшенными деньгами. Под поверхностью таких мультиагентных архитектур скрывается прямая финансовая брешь в корпоративных бюджетах, поскольку избыточные циклы обработки потребляют вычислительные ресурсы без соразмерной отдачи по ценности результатов.
Монолитная эффективность и контекст по запросу
Для сдерживания растущих инфраструктурных расходов участники рынка переходят на централизованные архитектуры на базе передовых базовых моделей. Новейшие модели, начиная с Opus 4.5, а также Opus 5.5 и Fable 5.1, способны управлять сложными планами напрямую в рамках единого цикла. В одном из сравнений специалисты Anthropic отмечают, что одноагентная архитектура работала примерно в два раза быстрее мультиагентной.
За счет сохранения выполнения в пределах одного цикла и использования динамического извлечения инструментов приложения устраняют промежуточные коммуникационные слои, которые ранее увеличивали время ожидания вычислений. Как подчеркивают в Anthropic, компания сократила системный промпт Claude Code для новых моделей более чем на 80 процентов, в том числе потому, что навыки и инструменты теперь загружаются только при необходимости.
Anthropic сократила системный промпт Claude Code для новых моделей более чем на 80 процентов, в том числе потому, что навыки и инструменты теперь загружаются только при необходимости.
Это сокращение накладных расходов на промпты напрямую транслируется в снижение затрат на инференс и ускорение ответа для конечных пользователей в корпоративном секторе. Вместо того чтобы извлекать контекст через код и внедрять его напрямую в промпты, системы теперь полагаются на базы знаний, к которым агент обращается исключительно по мере необходимости через поисковый инструмент.
В Anthropic отмечают, что точность выбора инструментов у модели имеет свойство деградировать при превышении порога в 30–50 определений, что делает жесткое управление библиотеками навыков обязательным условием. Небольшая центральная команда должна отвечать за системный промпт и общее качество, в то время как назначенные владельцы в каждом подразделении поддерживают актуальность библиотек навыков, не позволяя им разрастаться до критических масштабов.
Путь миграции и прагматичные защитные механизмы
Отказ от распределенных роев агентов требует систематического архитектурного аудита вместо бездумной консолидации. Anthropic опубликовала на GitHub комплект для миграции, призванный помочь командам осуществить этот переход. Тем не менее разработчики предостерегают от слепого объединения: так, в ходе тестирования службы поддержки слияние с субагентом действительно снизило задержки, но сломало ранее работавший процесс, поскольку основной агент стал отвечать самостоятельно вместо обращения к профильному специалисту.
Субагенты сохраняют оправданное инженерное назначение лишь при конкретных операционных ограничениях. Как поясняют в Anthropic, субагенты по-прежнему имеют смысл, если контекстное окно отдельного агента демонстрирует измеримое падение производительности, когда требуется параллельный запуск нескольких задач с изолированными контекстными окнами или когда одиночный агент испытывает трудности с выбором инструментов.
Анализ редакции
Мы уже писали об этом: 27 марта — Anthropic против Пентагона; 26 апреля — ИИ-агенты Anthropic. Anthropic предлагает компаниям заменить сложные цепочки субагентов одним монолитным агентом, который подтягивает контекст динамически по мере надобности. Опыт разработчиков показал: модная мультиагентная архитектура на практике оборачивается постоянными задержками, раздутыми расходами и потерей данных при передаче между звеньями. Сколько корпоративных бюджетов уже ушло на переусложненные мультиагентные пайплайны до этих рекомендаций вендора?
Мы писали об этом: 27 марта, 26 апреля