Anthropic: Ένας agent ξεπερνά πολλούς υπο-πράκτορες σε ποιότητα, κόστος και χρόνο

Ένας μοναδικός agent με on‑demand context αποδίδει συχνά καλύτερα από multi‑agent αρχιτεκτονικές σε ποιότητα, κόστος και καθυστέρηση, αναφέρει η Anthropic, η οποία διαθέτει migration kit για να βοηθήσει ομάδες να αξιολογήσουν και να περάσουν στο νέο μοντέλο.

Η εταιρεία προτείνει στις επιχειρήσεις να εξετάσουν τη συγχώνευση υπο‑πρακτόρων, καθώς ένας κύριος agent που φορτώνει context όταν χρειάζεται δίνει συχνά καλύτερα αποτελέσματα από έναν «στόλο» εξειδικευμένων agents. Τα νεότερα μοντέλα, ξεκινώντας από τα Opus 4.5, Opus 5.5 και Fable 5.1, μπορούν να διαχειριστούν σύνθετα πλάνα σε έναν και μόνο κύκλο, μειώνοντας παράλληλα κόστος και αναμονή. Σε μία σύγκριση, η single‑agent αρχιτεκτονική ήταν περίπου διπλάσια σε ταχύτητα σε σχέση με multi‑agent στήσιμο.

Η σύσταση βασίζεται σε εμπειρία από πολλαπλές επιχειρησιακές υλοποιήσεις, όπου η Applied AI ομάδα της Anthropic διαπίστωσε ότι ένας agent με «skills» υπερίσχυε συχνά τόσο των μονολιθικών prompts όσο και των sub‑agent σχεδίων ως προς την ποιότητα. Σε μία περίπτωση, μια εταιρεία είχε δώδεκα εξειδικευμένους υπο‑πράκτορες μέσα στον agent που μιλούσε με πελάτες, κάτι που δυσκόλευε τη συνοχή του brand και επιβάρυνε τη χρήση με υψηλή καθυστέρηση.

Κατά την Anthropic, πολλά σχέδια agents ακολουθούν το ίδιο μοτίβο: ανίχνευση πρόθεσης, σταθερό processing pipeline, τμηματοποίηση χρηστών, ξεχωριστά κλαδιά συστάσεων και ένας orchestrator από πάνω. Πλέον, μεγάλο μέρος αυτής της ορχήστρωσης μπορεί να το αναλάβει το ίδιο το μοντέλο, ανάλογα με την περίπτωση χρήσης.

Η Anthropic μιλά για το «Conway’s Law» των agents: η αρχιτεκτονική γίνεται αντανάκλαση του οργανωτικού διαγράμματος, με κάθε ομάδα να φτιάχνει τον δικό της υπο‑πράκτορα, μέχρι να συσσωρευτούν εκατοντάδες επικαλύψεις χωρίς κοινά πρότυπα. Το αποτέλεσμα είναι ένα «Frankenprompt», όπου κάθε ομάδα προσθέτει κανόνες στο system prompt που τελικά αλληλοσυγκρούονται. Η εταιρεία αντιπροτείνει καθαρό system prompt, τέσσερα ή πέντε «λιτά» data tools και σταθερά guardrails εξόδου, που καλύπτουν μεγάλο μέρος των αναγκών.

Ενδεικτικά, η Anthropic μείωσε το system prompt του Claude Code για τα νεότερα μοντέλα πάνω από 80%, εν μέρει επειδή skills και εργαλεία φορτώνονται μόνο όταν χρειάζονται. Τα νεότερα μοντέλα σχολιάζουν την πρόοδό τους και ελέγχουν τη δουλειά τους, καθιστώντας ορισμένα πρόσθετα επίπεδα ελέγχου λιγότερο απαραίτητα.

Η εταιρεία διευκρινίζει ότι οι sub‑agents εξακολουθούν να έχουν νόημα όταν το context window ενός και μόνο agent δείχνει μετρήσιμη υποβάθμιση απόδοσης, όταν πρέπει να τρέξουν πολλαπλές εργασίες παράλληλα με ξεχωριστά context windows ή όταν ένας agent δυσκολεύεται στην επιλογή εργαλείων.

Για τη μετάβαση βήμα‑βήμα, η Anthropic δημοσίευσε migration kit στο GitHub, που καθοδηγεί τις ομάδες να χαρτογραφήσουν τρέχοντα μοτίβα, να αξιολογήσουν εναλλακτικές και να επιβεβαιώσουν την καλύτερη προσέγγιση. Προειδοποιεί όμως κατά των «τυφλών» συγχωνεύσεων: σε δοκιμή με support agent, η ενσωμάτωση υπο‑πράκτορα μείωσε την καθυστέρηση αλλά χάλασε μια διαδικασία που λειτουργούσε, καθώς ο κύριος agent άρχισε να απαντά μόνος αντί να συμβουλεύεται τον κατάλληλο ειδικό.

Αντί να έχει κάθε ομάδα τον δικό της agent, η Anthropic εισηγείται πακετάρισμα ροών εργασίας σε skills και φόρτωση εργαλείων on demand μέσω tool search. Μια μικρή κεντρική ομάδα θα πρέπει να έχει την ευθύνη του system prompt και της συνολικής ποιότητας. Επιπλέον, η επιλογή εργαλείων από το μοντέλο τείνει να υποβαθμίζεται πέρα από 30–50 ορισμούς εργαλείων, οπότε ορισμένοι υπεύθυνοι ανά ομάδα πρέπει να συντηρούν τις βιβλιοθήκες skills για να μην εκτροχιάζονται.

Για υλικό αναφοράς όπως οδηγίες, προδιαγραφές προϊόντων ή ορισμούς μετρικών, η Anthropic προτείνει knowledge bases που ο agent ερωτά μόνο όταν χρειάζεται, μέσω εργαλείου αναζήτησης. Τέτοια πληροφορία μπορεί επίσης να ενσωματώνεται ως αρχεία αναφοράς μέσα σε ένα skill. Η εταιρεία αποτρέπει την ανάκτηση context μέσω κώδικα και την απευθείας έγχυσή του στα prompts.

Τα ευρήματα ευθυγραμμίζονται με πρόσφατη έρευνα. Μελέτη της Vals διαπίστωσε ότι ομάδες agents μπορεί να είναι ταχύτερες από έναν μόνο agent, χωρίς όμως καλύτερη ποιότητα. Η κλιμάκωση από δέκα σε 30 ή 100 agents δεν έφερε κέρδη ποιότητας αλλά αύξησε σημαντικά το κόστος. Ο προγραμματιστής της OpenAI Eric Provencher έχει επίσης αμφισβητήσει την αξία των «agent swarms», χαρακτηρίζοντάς τα «almost certainly» πεταμένα λεφτά.