Anthropic consiglia alle aziende di evitare architetture complesse multi-agente e di optare per un singolo agente principale che carica il contesto solo quando necessario. L'azienda ha riscontrato che molti subagenti specializzati portano a latenze più elevate, costi maggiori e perdita di informazioni durante i passaggi.
Vantaggi di un singolo agente
Anthropic ha scoperto che un singolo agente con contesto caricato su richiesta spesso supera le architetture multi-agente in termini di qualità, costi e latenza. Per facilitare la transizione, Anthropic ha reso disponibile un kit di migrazione su GitHub.
I modelli più recenti, come Opus 4.5, Opus 5.5 e Fable 5.1, possono gestire piani complessi direttamente in un loop. Questo approccio riduce i costi e i tempi di attesa. In un caso di studio, il sistema è risultato circa il doppio più veloce.
Esperienze pratiche
L'esperienza del team Applied-AI di Anthropic con diversi deployments enterprise ha dimostrato che un singolo agente con competenze specifiche ha spesso superato sia il design del prompt "tutto-in-uno" che quello dei subagenti in termini di qualità. Un'azienda, ad esempio, aveva un agente client-oriented con un centinaio di subagenti specializzati, il che rendeva difficile mantenere un'esperienza di marca coerente e peggiorava l'esperienza utente a causa di tempi di attesa elevati.
Problemi con i subagenti
Molti design di agenti seguono uno schema noto: riconoscimento delle intenzioni, catena di elaborazione fissa, segmentazione degli utenti, rami di raccomandazione separati e un orchestratore sopra. Molto di questo lavoro può essere gestito direttamente dal modello.
Anthropic parla di "Conway's Law": l'architettura degli agenti tende a replicare l'organigramma. Ogni team fornisce il proprio subagente, portando a centinaia di agenti sovrapposti senza standard unificati. Inoltre, si crea un "Frankenprompt", dove ogni team aggiunge regole al sistema-prompt che si contraddicono a vicenda.
Soluzioni proposte
Anthropic suggerisce di utilizzare un sistema-prompt chiaro, quattro o cinque strumenti dati snelli e confini di output fissi per coprire la maggior parte dei casi d'uso. Il sistema-prompt di Claude Code per i modelli più recenti è stato ridotto di oltre l'80%, poiché le competenze e gli strumenti vengono caricati solo quando necessario.
I modelli più recenti commentano anche il loro progresso e verificano il loro lavoro, rendendo superflue ulteriori strati di controllo.
Quando usare i subagenti
Anthropic riconosce che i subagenti possono essere utili in alcuni casi specifici, come quando la finestra di contesto di un singolo agente è chiaramente sovraccarica, quando più compiti devono essere eseguiti in parallelo con finestre di contesto separate, o quando un singolo agente ha difficoltà nella selezione degli strumenti.
Kit di migrazione
Per facilitare la transizione, Anthropic ha reso disponibile un kit di migrazione su GitHub. Questo kit guida attraverso un flusso di lavoro che identifica i modelli esistenti, valuta le alternative e verifica il miglior approccio. Tuttavia, Anthropic avverte contro la fusione cieca: in un test con un agente di supporto, la fusione di un subagente ha ridotto la latenza ma ha interrotto un processo precedentemente funzionante perché l'agente principale ha risposto autonomamente invece di consultare lo specialista competente.
Gestione delle competenze
Anthropic consiglia di evitare di dare a ogni team il proprio agente. Invece, i flussi di lavoro dovrebbero essere esternalizzati in competenze e gli strumenti dovrebbero essere caricati su richiesta tramite una ricerca degli strumenti. Un piccolo team centrale dovrebbe gestire il sistema-prompt e la qualità complessiva. Con più di 30-50 definizioni di strumenti, la selezione degli strumenti del modello peggiora.
Per mantenere le biblioteche di competenze sotto controllo, i responsabili dovrebbero gestirle nei rispettivi team.
Gestione delle conoscenze
Per il materiale di riferimento come le linee guida, le specifiche dei prodotti o le definizioni delle metriche, Anthropic raccomanda l'uso di basi di conoscenza che l'agente può consultare solo quando necessario tramite uno strumento di ricerca. In alternativa, queste informazioni possono essere incorporate come file di riferimento in una competenza. Anthropic sconsiglia di recuperare tali contesti tramite codice e di inserirli direttamente nei prompt.
Una precedente studio di Vals ha dimostrato che i team di agenti possono essere più veloci di un singolo agente, ma non forniscono una qualità superiore. L'aumento da dieci a trenta o cento agenti non ha portato vantaggi, ma ha aumentato significativamente i costi. L'utente di OpenAI Eric Provencher ha definito gli sciami di agenti come "probabilmente denaro sprecato".