The Pulse
Anthropic: i cicli a singolo agente possono superare i sistemi con subagenti
Secondo Anthropic, alcuni agenti aziendali funzionano meglio quando i subagenti specializzati vengono integrati in un unico ciclo con skill e strumenti. Il suo nuovo kit di migrazione invita i team a valutare ogni modifica in base al comple
AI.info Team · Scritto con l’IA · verificato ·
«Man mano che i modelli diventano più capaci e gli agenti operano più a lungo, un numero maggiore dei vostri subagenti può diventare skill e strumenti».
Diane Sarkis, autrice dell’articolo di Anthropic
Anthropic ha pubblicato questa raccomandazione il 22 ottobre, insieme a un kit open source per avvicinare alcuni sistemi multiagente a un ciclo a singolo agente. L’azienda afferma che il suo team Applied AI ha osservato, in diverse implementazioni aziendali, che i singoli agenti dotati di skill ottengono risultati qualitativamente migliori sia rispetto ai prompt molto estesi sia rispetto ai sistemi con subagenti, spesso con costi e latenza inferiori. È un argomento a favore della sperimentazione di soluzioni più semplici, non la dimostrazione che un agente superi sempre un team.
Le ragioni di Anthropic per ridurre i subagenti
Anthropic descrive uno schema comune nelle grandi organizzazioni: i team creano agenti distinti per capacità diverse, poi aggiungono un coordinatore che distribuisce il lavoro tra loro. I sistemi che ne risultano possono perdere informazioni nei passaggi di consegne, accumulare istruzioni sovrapposte e rallentare mentre gli agenti si scambiano riepiloghi. Un cliente ha raccontato ad Anthropic che, nel suo sistema rivolto ai clienti, la presenza di circa una dozzina di agenti specializzati rendeva più difficile mantenere una voce di marca coerente.
Secondo l’azienda, un singolo agente può invece caricare skill e strumenti quando servono, mantenendo il lavoro pertinente in un unico contesto senza inserire contemporaneamente tutte le istruzioni nel prompt. Anthropic afferma inoltre di aver ridotto di oltre l’80% il prompt di sistema di Claude Code per i modelli più avanzati, anche grazie a modifiche legate a questo approccio di caricamento progressivo. Non pubblica conteggi dettagliati dei compiti né tabelle comparative per le implementazioni aziendali descritte nell’articolo.
Il sistema di un cliente era circa due volte più lento
Anthropic presenta un confronto specifico sui tempi di esecuzione: un cliente che ha messo alla prova il proprio sistema multiagente rispetto a un ciclo a singolo agente ha osservato che quest’ultimo era circa due volte più veloce. L’articolo non fornisce una cifra corrispondente sui costi per quel cliente, quindi il risultato sulla velocità non va interpretato come un risparmio quantificato. Più in generale, Anthropic sostiene che la soluzione a singolo agente riduca spesso sia il costo sia la latenza per compito, ma l’articolo non distingue i risultati per singola implementazione.
L’azienda precisa anche i limiti del consiglio. I subagenti, afferma, possono ancora essere utili quando un compito richiede attività indipendenti in parallelo, quando il contesto di un singolo agente cresce al punto da compromettere le prestazioni o quando un modello fatica a scegliere tra gli strumenti o a conciliare istruzioni contrastanti. Tra gli esempi citati per mantenere agenti che lavorano in parallelo c’è il sistema di ricerca multiagente di Anthropic.
Il kit di migrazione impone di verificare ogni modifica
Il single-agent-loop-kit è una skill di Claude Code e un progetto di riferimento, non una soluzione preconfezionata fondata sull’idea che ogni sistema debba essere consolidato. Esamina i subagenti esistenti, consiglia se unirli, incorporarli, mantenerli o richiamarli come strumenti, quindi confronta le modifiche usando lo stesso insieme di valutazioni. I team possono iniziare anche senza una valutazione esistente: il kit aiuta a formulare i compiti di prova, ma chiede a una persona di definire che cosa costituisca un risultato corretto.
La procedura di Anthropic prevede di modificare un elemento alla volta e di chiedere conferma prima di avviare valutazioni a pagamento. Il repository comprende script per confrontare il completamento dei compiti, la latenza, le chiamate al modello, i token e i costi, oltre a un agente di assistenza di esempio che inizialmente ha sei subagenti. La skill afferma esplicitamente che mantenere un subagente è un risultato valido quando le prove lo giustificano.
La demo pubblicata ha una base di test limitata
La descrizione nel repository stesso circoscrive la portata dei test effettuati sul kit: riporta due esecuzioni dell’esempio su un modello reale, condotte da una persona su un solo modello. Le esecuzioni comprendevano una baseline di 12 compiti e una di 17 compiti: nella prima è stato incorporato un subagente, mentre nella seconda un altro è stato richiamato come strumento. Anthropic afferma che le fasi di unione e manutenzione, l’esempio completo a ciclo singolo e l’uso su sistemi diversi da quello di esempio non sono stati testati su un modello reale.
Questa precisazione conta perché la raccomandazione dipende dal lavoro che viene misurato. Un ciclo singolo può evitare i costi di coordinamento, ma incorporarvi un agente specializzato può anche eliminare un comportamento che il sistema esistente gestisce correttamente. Il kit di Anthropic è costruito attorno a questo compromesso: confrontare il sistema modificato su compiti rappresentativi, esaminare quali risultati sono cambiati e rimuovere un subagente solo quando la soluzione sostitutiva si dimostra all’altezza.