Anthropic empfiehlt Unternehmen, ihre spezialisierten KI-Sub-Agenten zu konsolidieren und stattdessen einen einzigen primären Agenten zu nutzen, der Kontext bei Bedarf lädt. Diese Architektur soll in Qualität, Kosten und Latenz Multi-Agenten-Setups übertreffen. In einem internen Vergleich lief eine solche Einzel-Agenten-Konfiguration etwa doppelt so schnell wie ein System mit mehreren Agenten.
Vorteile der Konsolidierung
Die Empfehlung basiert auf Praxiserfahrungen aus verschiedenen Unternehmensimplementierungen. Das Applied AI-Team von Anthropic stellte fest, dass ein einzelner Agent, der sogenannte Skills (Fähigkeiten) nutzt, sowohl monolithische Prompt-Designs als auch Sub-Agenten-Setups in puncto Qualität oft übertraf. Neuere Modelle, beginnend mit Opus 4.5 sowie Opus 5.5 und Fable 5.1, können komplexe Pläne direkt in einer einzigen Schleife verwalten. Dies kann auch Kosten und Wartezeiten reduzieren.
Herausforderungen bei Multi-Agenten-Systemen
Viele Agenten-Designs folgen einem Muster mit Absichtserkennung, festen Verarbeitungs-Pipelines, Benutzersegmentierung und separaten Empfehlungszweigen, die von einem Orchestrator gesteuert werden. Ein Großteil dieser Aufgaben kann das Modell laut Anthropic nun selbst für den jeweiligen Anwendungsfall übernehmen. Anthropic bezeichnet die Entstehung von Architekturen, die Organisationsstrukturen widerspiegeln – mit Hunderten überlappender Agenten ohne gemeinsame Standards – als Conway’s Law für Agenten. Dies führt oft zu sogenannten Frankenprompts, bei denen sich Regeln im System-Prompt widersprechen. Bei einem Unternehmen führten beispielsweise ein Dutzend spezialisierter Sub-Agenten innerhalb eines kundenorientierten Haupt-Agenten zu inkonsistenten Markenerlebnissen und hoher Latenz.
Anthropic konnte den System-Prompt für neuere Claude Code-Modelle um über 80 Prozent kürzen. Ein Grund hierfür ist, dass Fähigkeiten und Tools nur bei Bedarf geladen werden. Neuere Modelle können zudem ihren Fortschritt kommentieren und ihre Arbeit selbst überprüfen, wodurch einige zusätzliche Kontrollschichten überflüssig werden.
Wann Sub-Agenten weiterhin sinnvoll sind
Sub-Agenten behalten ihre Berechtigung, wenn das Kontextfenster eines einzelnen Agenten messbare Leistungseinbußen zeigt, mehrere Aufgaben parallel mit separaten Kontextfenstern ausgeführt werden müssen oder ein einzelner Agent Schwierigkeiten bei der Werkzeugauswahl hat.
Migrationshilfe und Best Practices
Für eine schrittweise Migration hat Anthropic ein Migrations-Kit auf GitHub veröffentlicht. Es führt Teams durch einen Workflow zur Identifizierung bestehender Muster, Bewertung von Alternativen und Verifizierung des besten Ansatzes. Anthropic warnt jedoch vor blindem Zusammenführen, da in einem Test die Integration eines Sub-Agenten zwar die Latenz reduzierte, aber einen funktionierenden Prozess störte, indem der primäre Agent selbst antwortete statt den Spezialisten zu konsultieren.
Statt jedem Team einen eigenen Agenten zuzuweisen, empfiehlt Anthropic, Workflows in Skills zu bündeln und Tools bei Bedarf über eine Tool-Suche zu laden. Ein kleines zentrales Team sollte den System-Prompt und die Gesamtqualität verantworten. Die Werkzeugauswahl des Modells neigt dazu, sich jenseits von 30 bis 50 Tool-Definitionen zu verschlechtern. Daher sollten benannte Verantwortliche in jedem Team die Skill-Bibliotheken pflegen, um deren Ausuferung zu verhindern. Für Referenzmaterial wie Richtlinien oder Produktspezifikationen empfiehlt Anthropic Wissensbasen, die der Agent bei Bedarf über ein Suchwerkzeug abfragt.
Externe Bestätigung
Die Erkenntnisse von Anthropic decken sich mit aktuellen Forschungsergebnissen. Eine Studie von Vals ergab, dass Agenten-Teams zwar schneller sein können als einzelne Agenten, jedoch keine höhere Qualität liefern. Eine Skalierung von zehn auf 30 oder 100 Agenten brachte demnach keine Qualitätsgewinne, aber deutlich höhere Kosten. Auch OpenAI-Entwickler Eric Provencher hat den Wert von Agenten-Schwärmen hinterfragt und sie als fast sicher verschwendetes Geld bezeichnet.
Thema: Anthropic. Quelle/Inspiration: The Decoder.