Anthropic 建議從多代理人集群轉向單一代理人架構

Anthropic 正在建議軟體團隊與企業開發者重新考慮複雜的多代理人（multi-agent）框架。根據這家人工智慧公司的應用 AI 團隊表示，將專業化的子代理人整合進單一主代理人，並根據需求檢索上下文，通常能在輸出品質、營運成本與延遲方面提供更優異的結果。

這一轉變是由現代模型擴展後的推理能力所驅動，包括 Opus 4.5、Opus 5.5 以及 Fable 5.1。這些系統能夠在單一迴圈內執行並追蹤複雜的執行計畫，消除了對僵化多層編排管線的需求。在 Anthropic 強調的一項基準測試中，單一代理人配置的執行速度大約是同等規模多代理人架構的兩倍。

多代理人交接的代價

近年來，許多企業構建了模仿其組織架構的代理人系統——Anthropic 將這種動態描述為應用於 AI 的「康威定律」（Conway's Law）。在這些設定中，不同的內部部門會建立擁有專屬提示詞（prompt）與處理分支的子代理人。

然而，實際的企業部署顯示這種方法存在顯著的摩擦。在一個案例中，某組織在單一面向客戶的助理後方部署了十幾個子代理人，導致高延遲且品牌語調不一致。

Anthropic 指出，多代理人管線在代理人之間的每次交接中，經常會遭遇上下文降級（context degradation）的問題，例如將指令從功能編寫代理人轉移到測試編寫代理人，再轉移到審查代理人。相比之下，單一代理人模型可以直接編寫功能及其對應的單元測試，因為它保留了完整的上下文，僅需一個輕量級的驗證器來執行測試並記錄結果。

此外，多代理人的擴張通常會產生 Anthropic 所謂的「科學怪人提示詞」（Frankenprompts）——即充斥著相互衝突的部門規則、龐大且雜亂的系統提示詞。藉由精簡架構並動態載入技能，Anthropic 在較新的模型上將 Claude Code 的系統提示詞縮減了 80% 以上。

管理技能與工具庫

Anthropic 建議將工作流程模組化為「技能」，讓主代理人透過工具搜尋機制按需載入，而非為個別任務分配獨立的代理人。

該公司強調了幾項維持穩定性的最佳實踐：

• 集中化的提示詞所有權： 應由一個小型核心團隊管理系統提示詞、輸出護欄（guardrails）以及整體的品質標準。

• 工具數量限制： 當工具庫超過 30 到 50 個活動定義時，模型的工具選擇準確度往往會下降。指定的團隊負責人應精選技能庫以防止冗餘。

• 動態檢索： 背景文件、產品規格和內部指標應存放在知識庫中，並根據需求進行查詢，而非硬編碼或直接注入系統提示詞中。

何時仍需要子代理人

Anthropic 警告團隊在沒有仔細評估的情況下不要合併架構。在一項客戶支援測試中，將子代理人併入主代理人雖然縮短了回應時間，卻導致系統直接回答查詢，而非將其導向指定的專員。

為了協助開發者評估其系統，Anthropic 在 GitHub 上發布了一套遷移工具包，概述了逐步評估的工作流程。根據該公司的說法，多代理人配置在特定條件下仍具備效用：

• 當單一代理人因上下文視窗（context window）過載而出現可衡量的效能下降時。

• 當獨立任務需要在隔離的上下文視窗中同時執行時。

• 當代理人難以從過於龐大的操作集中選擇正確的工具時。

Anthropic 的結論與外部對代理人效能的研究一致。評估平台 Vals 最近的一項研究顯示，雖然代理人團隊在特定場景下可以提高吞吐量，但從 10 個擴展到 30 個或 100 個代理人會導致成本急劇增加，卻無法提升輸出品質。OpenAI 開發者 Eric Provencher 對多代理人群集（swarms）也抱持類似的懷疑態度，將其描述為「幾乎可以肯定」是對資源的低效利用。