Блог// искусственный интеллект

Anthropic рекомендует объединять под-агентов в одного: разбор архитектуры и тестов

Anthropic рекомендует заменять многоагентные системы на единого агента с ленивой загрузкой навыков — это быстрее, дешевле и качественнее.

26-10-2026 · 6 мин чтения
Anthropic рекомендует объединять под-агентов в одного: разбор архитектуры и тестов

Исследователи Anthropic выяснили: одна главная модель с подгрузкой контекста по требованию часто работает быстрее, дешевле и качественнее, чем сеть специализированных под-агентов. Как пишет The Decoder, компания готовит миграционный набор на GitHub, чтобы команды могли проверить этот подход на своих задачах. Для владельцев бизнеса, внедряющих ИИ в поддержку, продажи или внутренние процессы, это сигнал пересмотреть архитектуру: сложные многоагентные схемы могут давать лишние затраты и задержки без прироста качества.

Раньше стандартной считалась схема: детектор намерений, фиксированный конвейер, сегментация пользователей, отдельные ветки рекомендаций и оркестратор сверху. Новые модели — начиная с Opus 4.5, Opus 5.5 и Fable 5.1 — умеют строить и исполнять сложные планы в одном цикле. По данным The Decoder, в одном сравнении однозначная архитектура отработала примерно в два раза быстрее многоагентной. Компании, которые уже развернули дюжины под-агентов, сталкиваются с ростом латентности, потерей контекста при передаче и размыванием брендового голоса.

Что изменилось: модели научились держать сложность в одном цикле

Anthropic отмечает, что современные модели могут управлять многошаговыми процессами без внешнего оркестратора. Они сами определяют, какой инструмент вызвать, когда подгрузить справочник, как проверить свой результат и когда остановиться. В публикации не уточняется точный список возможностей Opus 4.5, Opus 5.5 и Fable 5.1, но акцент сделан на том, что «навыки» и инструменты загружаются по требованию, а не все сразу.

Это меняет экономику: вместо оплаты токенов для поддержки десятков агентов и передачи контекста между ними платите за один цикл с динамической подгрузкой. По опыту Anthropic, системный промпт Claude Code для новых моделей удалось сократить более чем на 80 процентов — именно за счёт ленивой загрузки навыков и инструментов. Модели также комментируют свой ход рассуждений и проверяют себя, что делает лишними многие контрольные слои, которые команды накладывали сверху.

Почему многоагентные схемы портят качество и удорожают обслуживание

По данным The Decoder, команда Applied AI Anthropic наблюдала одну и ту же проблему в нескольких корпоративных внедрениях: архитектура агентов копирует оргструктуру. Каждая команда выпускает своего под-агента, в итоге накапливается сотни перекрывающихся сущностей без единых стандартов. Результат — «франкенпромпт»: в системный промпт добавляют правила от разных команд, они противоречат друг другу, качество падает, отлаживать становится невозможно.

Каждая передача между под-агентами — это потери информации, дополнительная латентность и риск ошибки. В одном примере компания держала дюжину специализированных под-агентов внутри клиентского бота: единый брендовый опыт держать было сложно, а задержки ответа убивали удобство. Anthropic называет это «законом Конвея для агентов» — структура системы повторяет структуру организации, а не задачу.

Когда под-агенты всё ещё нужны

Anthropic не предлагает от них полностью отказаться. Как пишет The Decoder, под-агенты оправданы в трёх случаях: если окно контекста единственного агента вызывает измеримую деградацию качества; если несколько задач должны бежать параллельно в отдельных окнах контекста; если единственный агент путается в выборе инструментов.

Риск слепого слияния тоже реален: в тесте с агентом поддержки встраивание под-агента сократило латентность, но сломало рабочий процесс — главный агент начал отвечать сам вместо обращения к нужному специалисту. Миграция требует проверки на каждом шаге, а не простого объединения кода.

Как мигрировать: набор инструментов и подход Anthropic

Компания опубликовала на GitHub миграционный набор, который ведёт команду через рабочий процесс: выявление текущих паттернов, оценка альтернатив, верификация лучшего подхода. Ключевая рекомендация — упаковывать рабочие процессы в навыки и подгружать инструменты по требованию через поиск по инструментам.

Маленькая центральная команда должна владеть системным промптом и общим качеством. Отдельно Anthropic предупреждает: качество выбора инструментов моделью падает после 30–50 определений, поэтому на каждой команде должен быть ответственный за библиотеку навыков, чтобы она не раздувалась. Справочные материалы — гайдлайны, спецификации продуктов, определения метрик — лучше класть в базы знаний, которые агент опрашивает по требованию через поисковый инструмент. Внедрять контекст через код прямо в промпт не рекомендуется.

АспектМногоагентная системаЕдиный агент с ленивой загрузкой
Скорость выполненияНиже из-за координацииВыше за счёт прямого доступа
СтоимостьВыше (больше токенов, вызовов)Ниже (оптимизация запросов)
Качество ответовМожет быть неоднороднымБолее стабильное и точное
Сложность архитектурыВысокая, требует оркестрацииНиже, упрощённое управление навыками

Что это значит для малого бизнеса в России и СНГ: конкретные шаги

Многие небольшие компании в регионе уже пробуют ИИ-агентов в техподдержке, приёме заказов, квалификации лидов или внутренней справке. Если у вас работает один бот — проверьте, не наслаивали ли вы на него промпты от разных сотрудников («менеджер по продажам хочет так», «юрист требует иначе»). Это прямой путь к «франкенпромпту».

Если у вас уже несколько ботов или под-агентов (один для FAQ, другой для статуса заказа, третий для апсейла), оцените: а нужен ли оркестратор и передача контекста? Часто проще один агент с набором навыков: «проверить склад», «найти в базе знаний», «оформить возврат». Навык загружается только когда модель решает, что он нужен.

План на эту неделю:

  1. Сделайте инвентаризацию: сколько у вас агентов, под-агентов, промптов, кто их менял в последний месяц.
  2. Посчитайте среднее время ответа и долю ошибок на передаче между агентами (если есть логи).
  3. Попробуйте на тестовом наборе диалогов собрать одного агента с ленивой загрузкой 3–5 навыков. Сравните латентность, стоимость токенов и качество ответа по чек-листу.
  4. Назначьте одного владельца системного промпта и библиотеки навыков — даже если команда из двух человек.
  5. Перенесите справочники (прайс, политика возврата, регламенты) в поисковый индекс, доступный агенту через инструмент, а не в жёсткий промпт.

Инструментарий Anthropic на GitHub открыт — можно взять их чек-листы для оценки, не пишая код с нуля. В публикации не уточняется, поддерживает ли набор русские языковые модели или только экосистему Anthropic, но логика переносима.

Вывод

Исследования, на которые ссылается The Decoder — в том числе работа Vals и мнение разработчика OpenAI Эрика Прувенчера — сходятся: масштабирование агентов сверх десятка не даёт прироста качества, но сильно увеличивает расходы. Для бизнеса это значит: прежде чем нанимать разработчиков на поддержку стада агентов, проверьте, справляется ли одна сильная модель с динамической подгрузкой контекста. Чаще всего — да.

  • Деятельность Meta Platforms Inc. (социальные сети Facebook и Instagram*) признана экстремистской и запрещена на территории Российской Федерации.

Часто задаваемые вопросы

Почему Anthropic рекомендует объединять под-агентов?

Anthropic обнаружила, что объединение под-агентов в единого агента с ленивой загрузкой навыков приводит к повышению скорости, снижению стоимости и улучшению качества выполнения задач. Это связано с оптимизацией взаимодействия и сокращением избыточных вызовов.

Что такое «ленивая загрузка навыков»?

Ленивая загрузка навыков — это подход, при котором необходимые функции или знания активируются только в момент их фактического использования. Это позволяет агенту оставаться лёгким и эффективным, загружая только те компоненты, которые требуются для текущей задачи.

Какие преимущества даёт единый агент перед многоагентной системой?

Единый агент обеспечивает более высокую скорость выполнения задач за счёт отсутствия необходимости в координации между под-агентами. Он также снижает операционные расходы благодаря оптимизации использования токенов и API-вызовов, а также обеспечивает более стабильное качество результатов.

По материалам: The Decoder — Anthropic says one AI agent beats many subagents now that models can handle complexity alone

Автор разбора
Александр К.

Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.

Чем можем помочь
Интернет-магазиныМаркетингИИ-роботыСвязаться
← Все статьи