Anthropic 称单智能体在质量、成本和延迟上常优于多子智能体

Anthropic 发现，一个按需加载上下文的单一智能体在质量、成本和延迟方面往往优于多智能体配置。该公司正在发布一套迁移工具包，帮助团队评估并完成切换。

Anthropic 建议企业评估是否可以合并子智能体，因为一个按需加载上下文的单一主智能体往往比一组专业化智能体带来更好的结果。从 Opus 4.5 开始的新模型，以及 Opus 5.5 和 Fable 5.1，可以在单个循环中直接管理复杂计划，这也能降低成本并减少等待时间。在一次对比中，Anthropic 表示单智能体架构的运行速度约为多智能体配置的两倍。

这一建议来自多个企业部署中的实践经验，Anthropic 的应用 AI 团队发现，一个使用所谓技能的单一智能体在质量上经常同时胜过单体提示设计和子智能体配置。例如，一家公司在面向客户的智能体中内置了十几个专业化子智能体，这导致难以保持一致的品牌体验，并因高延迟而损害了可用性。

模型现在可以自行完成大部分编排工作

据 Anthropic 称，许多智能体设计遵循一种熟悉的模式：意图检测、固定处理流水线、用户细分、独立的推荐分支，以及位于顶层的编排器。其中大部分工作，模型现在可以针对各自的用例自行处理。

Anthropic 称之为智能体的“康威定律”。架构变成了组织架构图的复制品，每个团队交付自己的子智能体，直到数百个重叠的智能体堆积起来，却没有共享标准。随之而来的是 Anthropic 所称的“Frankenprompt”，即每个团队都向系统提示中添加规则，最终相互矛盾。据该公司称，一个干净的系统提示、四五个精简的数据工具以及固定的输出护栏，就能覆盖相应用例的大部分需求。

例如，Anthropic 将新模型的 Claude Code 系统提示削减了 80% 以上，部分原因是技能和工具现在只在需要时加载。新模型还会评论自己的进展并检查自己的工作，这可以使一些额外的控制层变得不必要。

Anthropic 表示，当单个智能体的上下文窗口出现可测量的性能下降时，当多个任务需要在具有独立上下文窗口的情况下并行运行时，或者当单个智能体难以进行工具选择时，子智能体仍然有意义。

对于分步迁移，Anthropic 在 GitHub 上发布了一套迁移工具包，引导团队完成一个工作流，以识别现有模式、评估替代方案并验证最佳方法。Anthropic 警告不要盲目合并，因为在一次支持智能体的测试中，并入一个子智能体确实降低了延迟，但破坏了原本正常工作的流程。主智能体开始自行回答，而不是咨询正确的专家。

团队应避免技能库无序扩张

Anthropic 不建议为每个团队配备各自的 agent，而是建议将工作流打包为技能，并通过工具搜索按需加载工具。应由一个小型中央团队负责系统提示词和整体质量。另外，Anthropic 指出，当工具定义超过 30 到 50 个时，模型的工具选择能力往往会下降，因此各团队应指定负责人维护技能库，防止其不断膨胀。

对于指南、产品规格或指标定义等参考材料，Anthropic 建议使用知识库，让 agent 仅在需要时通过搜索工具查询。这类信息也可以作为参考文件嵌入技能中。Anthropic 不建议通过代码获取上下文并直接注入提示词。

Anthropic 的发现与近期研究一致。Vals 的一项研究发现，agent 团队可能比单个 agent 更快，但并不能带来更高质量。该研究显示，从 10 个扩展到 30 或 100 个 agent 并未带来质量提升，成本却显著增加。OpenAI 开发者 Eric Provencher 也对 agent 集群的价值提出质疑，称其“几乎肯定”是在浪费钱。

没有炒作的 AI 新闻——由人类精选

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻简报、每年六期独家“AI Radar”前沿报告、完整档案访问权限以及评论区访问权限。