В статье Building agents: When to fold subagents into your main agent loop, опубликованной 22 октября 2026 года, Diane Sarkis из Anthropic описала случаи, в которых замена множества ИИ-агентов на одного агента с навыками и инструментами приводила к значительному повышению качества работы, снижению стоимости и времени выполнения запросов.
Это выглядит так, как будто создать множество узкоспециализированных ИИ-агентов — во многих случаях не очень хорошая идея.
Когда передача сообщений становится отдельной работой. Реальная фотография: телефонистки Signal Corps у коммутатора, Франция, 14 января 1919 года. Фото: Lt. Fox / U.S. Army Signal Corps. Источник и сведения о правах — Wikimedia Commons, общественное достояние в США.
Мне кажется, здесь интересен сам инженерный вопрос: какую полезную работу выполняет каждый дополнительный агент — и сколько работы создаёт его присутствие?
Это вопрос об оптимизации, когда выгодно создавать новых агентов, а когда нет.
Сначала стоит договориться о терминах.
Агент — это языковая модель, которая получает задачу, выбирает инструменты, анализирует результаты и решает, что делать дальше. Несколько агентов могут использовать одну и ту же модель, но работать с разными инструкциями и историями взаимодействия. Такое понимание агентского цикла описано в Building effective agents.
Поэтому назначение ролей «архитектор», «разработчик» и «критик» само по себе ещё не создаёт команду экспертов. Оно создаёт несколько отдельных процессов для работы с LLM-моделью. Пользу же этого разделения еще предстоит доказать.
Полезно спросить: зачем вообще нужны отдельные исполнители?
Оригинальная схема Anthropic: сверху — последовательная передача работы между разработчиком, автором тестов и ревьюером; снизу — объединение связанной работы и отдельный запуск проверки. Источник. Схема иллюстрирует предлагаемый подход.
Можно использовать только одного агента, но при этом специализации можно сохранить.
Например, оформить то, что делал другой агент, как отдельный навык одного агента, подключаемый по требованию. Для запуска тестов и измерений предоставить инструменты.
В формате Agent Skills навык представляет собой папку с инструкцией SKILL.md и, при необходимости, скриптами и справочными материалами.
Агент сначала видит краткое описание навыка, а подробные инструкции загружает потом.
Это позволяет держать набор специализированных процедур, не загружая каждую из них заранее. Знания о тестировании, работе с документами или анализе данных остаются отдельными модулями.
Однако идея «теперь всё поручим одному агенту» тоже легко превращается в догму.
Представим себе такую задачу: надо изучить окументацию двадцати независимых библиотек и сравнить поддержку нужной функции. В этом случае преимущество нескольких исполнителей в том, что они могут работать одновременно и независимо.
Именно такие задачи с независимыми направлениями поиска Anthropic описывала в материале о своей мультиагентной исследовательской системе.
Я бы сформулировал практический ориентир так: чем меньше в какой части работы нужно знать об остальной работе, тем выгоднее поручить эту часть отдельному агенту.
Для оценки конкретного разделения можно задать четыре вопроса:
-
Может ли исполнитель закончить свою часть без постоянных уточнений у соседей?
-
Можно ли проверить его результат по исходным данным, тестам или ссылкам?
-
Даёт ли отдельный контекст полезную изоляцию?
-
Сохраняется ли выигрыш после учёта времени и стоимости координации?
Упрощение системы тоже требует осторожности. Anthropic предлагает переносить функции субагентов постепенно и сравнивать выполнение задач до и после изменения.
При этом стоит смотреть на конкретные отдельные параметры: улучшившийся средний результат способен скрыть сценарий, который перестал работать. Описание подхода.
Три варианта изменения архитектуры: объединить связанных субагентов, вызывать их как инструменты или перенести их инструкции и операции в навыки и инструменты основного агента. Оригинальная анимация Anthropic. Источник.
Как сравнить, что лучше — один агент или рой?
Предлагаю следующий подход. Заранее зафиксировать:
-
задачи
-
критерии приемки
-
модель ИИ и ее настройки
Измерять
-
долю успешно решенных задач
-
потраченное время, в том числе случаи, когда прогон застрял
-
расход токенов
-
количество вмешательств человека
Этот текст — разбор инженерных идей на основе перечисленных источников.
Автор: master_program
