Points clés
- Anthropic recommande aux entreprises d’évaluer si elles peuvent regrouper les sous-agents en un seul agent qui charge le contexte au besoin.
- L’expérience de l’entreprise montre que de nombreux sous-agent spécialisés peuvent entraîner une latence plus élevée, des coûts accrus et une perte d’informations à chaque transfert de données.
- Anthropic a publié un kit de migration sur GitHub afin d’aider les équipes à effectuer la transition.
Anthropic a constaté qu’un seul agent avec un contexte demandé peut souvent surpasser les configurations multi-agents en termes de qualité, de coût et de latence. L’entreprise met à disposition un kit de migration afin d’aider les équipes à évaluer et à passer à cette nouvelle configuration.
Anthropic recommande aux entreprises d’évaluer si elles peuvent regrouper les sous-agents, car un seul agent principal qui charge le contexte selon les besoins offre souvent de meilleurs résultats que une flotte de agents spécialisés. Les modèles plus récents, à partir de Opus 4.5, ainsi que Opus 5.5 et Fable 5.1, peuvent gérer des plans complexes directement dans un seul cycle, ce qui peut également réduire les coûts et les temps d’attente. Selon une comparaison, Anthropic indique que l’architecture avec un seul agent fonctionne environ deux fois plus rapidement que la configuration multi-agents.
La recommandation provient d’une expérience pratique dans plusieurs déploiements d’entreprise. L’équipe de l’Applied AI d’Anthropic a constaté que seul un agent unique, utilisant des compétences spécifiques, surpassait souvent à la fois les designs de prompts monolithiques et les configurations de sous-agents, en termes de qualité. Par exemple, une entreprise disposait de une douzaine de sous-agents spécialisés au sein de son agent destiné aux clients, ce qui rendait difficile l’offre d’une expérience de marque cohérente et nuirait à l’utilisabilité en raison d’une latence élevée.
Le modèle peut maintenant effectuer lui-même une grande partie du travail d’orchestration
Selon Anthropic, de nombreuses conceptions d’agents suivent un schéma bien connu : détection d’intention, pipeline de traitement fixe, segmentation des utilisateurs, branches de recommandation distinctes, et un orchestrateur en tête. Une grande partie de ces tâches peut désormais être gérée par le modèle lui-même pour les cas d’utilisation correspondants.
Anthropic l’appelle « loi de Conway » pour les agents. L’architecture devient une copie du organigramme, chaque équipe produisant son propre sous-agent jusqu’à ce que des centaines d’agents superposés s’accumulent sans normes communes. Ce qui suit est ce qu’Anthropic appelle un « Frankenprompt », où chaque équipe ajoute des règles au prompt du système, lesquelles finissent par se contredire mutuellement. Un prompt clair, quatre ou cinq outils de données efficaces, et des limites d’affichage fixes couvrent une grande partie des cas d’usage respectifs, selon l’entreprise.
Par exemple, Anthropic a réduit le prompt du système Claude Code pour les modèles plus récents de plus de 80 %, en partie parce que les compétences et les outils ne s’activent plus que lorsque nécessaire. Les modèles plus récents commentent également leur propre progression et vérifient leur propre travail, ce qui peut rendre certaines couches de contrôle supplémentaires inutiles.
Anthropic indique que les sous-agentes restent pertinentes lorsque la fenêtre de contexte d’un seul agent entraîne une dégradation mesurable des performances, lorsque plusieurs tâches doivent s’exécuter en parallèle avec des fenêtres de contexte distinctes, ou lorsque un seul agent a du mal à choisir les outils.
Pour une migration étape par étape, Anthropic a publié un kit de migration sur GitHub qui guide les équipes dans un processus pour identifier les schémas existants, évaluer les alternatives et vérifier la meilleure approche. Anthropic met en garde contre la fusion aveugle, car lors d’un test avec un agent de support, l’intégration d’un sous-agent a réduit la latence mais a endommagé un processus qui fonctionnait auparavant. L’agent principal a commencé à répondre seul plutôt que de consulter le spécialiste approprié.
Les équipes devraient éviter que les bibliothèques de compétences ne deviennent trop étendues
Au lieu de donner à chaque équipe son propre agent, Anthropic recommande d’emballer les workflows en skills et de charger les outils en demande via une recherche d’outils. Un petit groupe central devrait être responsable du prompt système et de la qualité globale. En outre, Anthropic souligne que la sélection des outils par le modèle tend à se dégrader après 30 à 50 définitions d’outils ; ainsi, les responsables désignés dans chaque équipe doivent maintenir les bibliothèques de skills afin d’éviter leur augmentation excessive.
Pour des documents de référence tels que des directives, des spécifications de produits ou des définitions métriques, Anthropic recommande des bases de connaissances que l’agent ne consulte qu’en cas nécessaire via un outil de recherche. Ce genre d’informations peut également être intégré en tant que fichiers de référence au sein d’une compétence. Anthropic précise de ne pas récupérer le contexte à travers le code et de l’injecter directement dans les prompts.
Les résultats de Anthropic sont en accord avec les recherches récentes. A étude par Vals Il a été constaté que les équipes d’agents peuvent être plus rapides que des agents individuels, mais ne fournissent pas une qualité supérieure. Selon l’étude, passer de dix à 30 ou 100 agents n’a pas apporté de meilleure qualité, mais entraîne des coûts beaucoup plus élevés. Eric Provencher, développeur chez OpenAI, a également remis en question la valeur des nuages d’agents. les appeler « presque certainement » est une perte de temps.
Source : Anthropic