Anthropic 建议将多个子代理合并为单个代理以提升效率与降低成本

一句话结论

Anthropic 建议企业评估合并子代理为单个按需加载上下文的代理，因为新模型能独立处理复杂任务且通常表现更优。

关键要点

• Anthropic 应用人工智能团队经验显示，单一主代理按需加载上下文在质量、成本和延迟方面常优于多个专业子代理。
• 新模型如 Opus 4.5、Opus 5.5 和 Fable 5.1 能在单一循环中直接管理复杂计划，减少成本与等待时间，实测单一代理速度约为多代理架构的两倍。
• 当单个代理上下文窗口出现可测量的性能下降、需要并行运行独立上下文任务或工具选择困难时，子代理架构仍具价值。
• Anthropic 警告盲目合并子代理可能导致问题，例如在支持代理测试中，合并后主代理自主回答而非咨询专家，破坏了原有正常流程。
• 模型的工具选择能力在超过 30 至 50 个工具定义时倾向于退化，建议团队通过中央管理团队和技能库来防止工具膨胀。

背景与事实

Anthropic 基于其应用人工智能团队在多个企业部署中的实践经验，提出了简化人工智能代理架构的建议。该公司指出，许多代理设计遵循意图检测、固定处理管道、用户细分、独立推荐分支及顶层编排器的熟悉模式，但随着 Opus 4.5 等较新模型的发布，这些编排工作现可由模型在各自用例中自行处理。Anthropic 将代理架构中各团队各自发布子代理导致数百个重叠代理堆积且无共享标准的现象称为代理界的康威定律，由此产生的系统提示词因各团队添加相互矛盾规则而被称为弗兰肯提示词。该公司认为，干净的初始系统提示词、四至五个精简数据工具及固定输出护栏即可覆盖大量用例。

作为具体优化案例，Anthropic 为较新模型将其代码代理（Claude Code）的系统提示词削减了 80% 以上，部分原因在于技能和工具现在仅在需要时加载。此外，较新模型能够自我评论进度并检查自身工作，使得部分额外控制层变得不再必要。Anthropic 在 GitHub 上发布了一套迁移工具包，引导团队通过工作流识别现有模式、评估替代方案并验证最佳方法。该公司强调迁移不应盲目进行，例如在一次支持代理测试中，虽然折叠子代理降低了延迟，但破坏了原本可用的流程，导致主代理不再咨询正确的专家而是自主作答。

对于参考材料如指南、产品规格或指标定义，Anthropic 建议代理通过搜索工具仅在使用时查询知识库，或将这些信息作为参考文件嵌入技能内部。公司同时建议，参考材料不应通过代码获取并直接注入提示词。此外，Anthropic 的研究结论与近期研究保持一致，Vals 的一项研究发现代理团队虽可能比单代理更快，但并未提供更高质量；将代理规模从 10 个扩展到 30 或 100 个时，质量未获提升但成本显著增加。OpenAI 开发者 Eric Provencher 也曾质疑代理群的价值，称其几乎肯定是浪费资金。

影响分析

对中文开发者与从业者而言，该架构演进意味着人工智能应用开发重心将从编排复杂的代理网络转向构建高质量技能库与维护系统提示词。这意味着团队可以减少对多个专用代理的维护成本，降低基础设施开销，并提升用户交互的响应速度，从而提升最终产品的实际可用性。然而，这一转变要求开发团队具备更精细的上下文管理能力和对模型自我监控特性的深入理解，否则在迁移过程中可能如 Anthropic 所述出现流程退化的风险。

适用边界

该结论并不适用于任务必须严格并行执行且依赖独立上下文窗口的场景，或单代理上下文窗口出现可测量性能下降的情况。此外，若团队无法有效维护技能库或工具定义超过 30 至 50 个导致模型工具选择能力退化时，单一代理架构的优势将受限，此时保留特定子代理或部分多代理架构可能更为合理。

孤本观察

代理架构的简化并非单纯的技术迭代，而是对前期因组织部门墙导致的康威定律在人工智能领域的直接纠偏。将控制权交还模型并精简工具，实质上是纠正了当前企业部署中因过度工程化而造成的复杂性与成本失衡。

来源：The Decoder