Puntos clave
- Anthropic recomienda que las empresas evalúen si pueden consolidar los subagentes en un único agente que carga el contexto según sea necesario.
- La experiencia de la empresa muestra que muchos sub-agentes especializados pueden causar mayor latencia, costos más altos y pérdida de información en cada transferencia.
- Anthropic ha publicado un kit de migración en GitHub para ayudar a los equipos a realizar la transición.
Anthropic descubrió que un único agent con contexto bajo demanda suele superar las configuraciones con múltiples agentes en cuanto a calidad, costo y latencia. La empresa está lanzando un kit de migración para ayudar a los equipos a evaluar y realizar la transición.
Anthropic recomienda que las empresas evalúen si pueden consolidar subagentes, ya que un único agente principal que carga el contexto según sea necesario suele obtener mejores resultados que una flota de agentes especializados. Los modelos más nuevos, a partir de Opus 4.5, junto con Opus 5.5 y Fable 5.1, pueden gestionar planes complejos directamente en un único ciclo, lo que también puede reducir costos y tiempos de espera. En una comparación, Anthropic indica que la arquitectura de un solo agente funciona aproximadamente el doble de rápido que el sistema de múltiples agentes.
La recomendación proviene de experiencia práctica en múltiples despliegues empresariales, donde el equipo de AI aplicada de Anthropic descubrió que un único agente que utiliza las llamadas habilidades supera con frecuencia tanto los diseños de prompts monolíticos como las configuraciones de sub-agents en términos de calidad. Por ejemplo, una empresa tenía una docena de sub-agents especializados dentro de su agente orientado a clientes, lo que dificultaba mantener una experiencia de marca consistente y perjudicaba la usabilidad debido a la alta latencia.
El modelo ahora puede hacer por sí mismo gran parte del trabajo de orquestación
Según Anthropic, muchos diseños de agentes siguen un patrón familiar que incluye la detección de intención, una cadena de procesamiento fija, segmentación de usuarios, ramas separadas de recomendaciones y un orquestador en la parte superior. Mucho de ese trabajo puede ahora ser manejado por el modelo por sí mismo para el caso de uso correspondiente.
Anthropic lo llama “Ley de Conway” para los agentes. La arquitectura se convierte en una copia del organigrama, donde cada equipo envía su propio sub-agente, hasta que cientos de agentes superpuestos se acumulan sin estándares comunes. Lo que sigue es lo que Anthropic llama “Frankenprompt”, donde cada equipo añade reglas al prompt del sistema, las cuales terminan en contradicción entre sí. Un prompt limpio, cuatro o cinco herramientas de datos eficientes y barreras de salida establecidas cubren gran parte del caso de uso correspondiente, según la empresa.
Como ejemplo, Anthropic redució el prompt del sistema Claude Code para los modelos más nuevos en más del 80 por ciento, en parte porque las habilidades y herramientas ahora se cargan solo cuando es necesario. Los modelos más nuevos también comentan su propio progreso y revisan su propio trabajo, lo que puede hacer que algunos de los niveles adicionales de control sean innecesarios.
Anthropic dice que los subagentes siguen teniendo sentido cuando la ventana de contexto de un único agente muestra una degradación de rendimiento medible, cuando múltiples tareas necesitan ejecutarse en paralelo con ventanas de contexto separadas, o cuando un único agente tiene dificultades con la selección de herramientas.
Para una migración paso a paso, Anthropic ha publicado un kit de migración en GitHub que guía a los equipos a través de un flujo de trabajo para identificar los patrones existentes, evaluar alternativas y verificar el enfoque más adecuado. Anthropic advierte contra fusionar de forma ciega, ya que en un test con un agente de soporte, la inclusión de un sub-agent redujo la latencia pero rompió un proceso que funcionaba anteriormente. El agente principal comenzó a responder por sí mismo en lugar de consultar al especialista adecuado.
Los equipos deben evitar que las bibliotecas de habilidades se expandan demasiado
En lugar de darle a cada equipo su propio agente, Anthropic recomienda empaquetar los flujos de trabajo en habilidades y cargar herramientas cuando sea necesario a través de un búsqueda de herramientas. Un pequeño equipo central debe ser responsable del prompt del sistema y de la calidad general. Por separado, Anthropic señala que la selección de herramientas por parte del modelo tiende a deteriorarse después de 30 a 50 definiciones de herramientas, por lo que los responsables designados en cada equipo deben mantener las bibliotecas de habilidades para evitar que crezcan excesivamente.
Para material de referencia como directrices, especificaciones de productos o definiciones métricas, Anthropic recomienda bases de conocimiento que el agente consulta únicamente cuando sea necesario a través de una herramienta de búsqueda. Este tipo de información también puede estar incrustada como archivos de referencia dentro de una habilidad. Anthropic recomienda contra obtener el contexto a través del código e inyectarlo directamente en las prompts.
Los hallazgos de Anthropic son consistentes con investigaciones recientes. Un estudio realizado por Vals encontró que los equipos de agentes pueden ser más rápidos que los agentes individuales, pero no logran una calidad mejor. Según el estudio, escalar de diez a 30 o 100 agentes no trajo mejoras en la calidad, sino costos significativamente mayores. El desarrollador de OpenAI, Eric Provencher, también ha cuestionado el valor de los enjambres de agentes: los llama “casi ciertamente” dinero desperdiciado.
Fuente: Anthropic