
Anthropic:将子代理并入主循环可提升Claude代理质量并降低成本
来源标题:Building agents: When to fold subagents into your main agent loop
Anthropic 应用 AI 团队发现,在 Claude Platform 上构建代理时减少子代理数量、改用渐进披露的上下文和工具,可在提升质量的同时降低成本和延迟。团队建议将部分子代理并入主代理循环,并提供迁移工具包,可先识别现有模式、评估替代方案,再在模拟系统上验证。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
Building agents: When to fold subagents into your main agent loop
在 Claude Platform 中构建 agent 时,减少 subagent 的使用、转而采用渐进式披露的上下文和工具,可以在提升质量的同时降低成本和延迟。以下是何时以及如何迁移的说明。
类别:最佳实践、观点 产品:Claude Platform 作者:Diane Sarkis 日期:2026 年 10 月 22 日 阅读时间:18 分钟 分享复制链接
目录
如果你在 Claude Platform 中构建的 agent 包含多个 subagent,可以看看哪些适合用我们的迁移工具包折叠进主 agent 循环。它会运行一个引导式工作流,帮你识别现有模式、评估替代方案,并验证最佳做法。其中还包含一个 demo,你可以先在模拟系统上试用,再应用到自己的 agent 上。
Subagent——拥有独立上下文窗口、工具和指令、由协调器编排的 agent——是 agent 设计的核心组成部分。它们在验证、并行工作和模块化权限管理方面很有效。我们在自己用 Claude Platform 构建的许多 agent 中都使用了它们,例如我们的多 agent 研究系统。
不过,最近 Applied AI 团队发现了一类企业 agent 部署模式,它们从把 router、planner 和领域 subagent 折叠进主 agent 循环中获益。在我们对多个企业部署的对比中,一个具备 skills 的单一 agent 在质量上经常优于“所有事情一个 prompt”的设计和 subagent 设计,而且每个任务的成本和延迟往往更低。
例如,一家公司发现,其面向客户的 agent 中的十几个专家 subagent 使得维持一致的品牌体验变得困难,并且增加了延迟,损害了用户体验。
我们还经常看到一些提议的 agent 设计遵循相似的演进路径:一个意图分类器、一个固定的多步推理流水线、用户分群桶、独立的推荐分支,以及最上层的一个多 agent 编排器。
在这些案例中,反馈往往是:这套结构的大部分工作,模型已经不再需要被这样安排去完成了,而一个清晰的 system prompt、4-5 个轻量数据工具和严格的输出护栏就能覆盖大部分用例。
需要说明的是,subagent 仍然有其用武之地,包括在研究前沿领域。在以下情况使用它们:
但我们也经常看到企业为每个团队或每种问题类型各设一个 subagent,导致 agent 架构变成组织架构图的翻版(康威定律在起作用)。
本文说明何时应考虑把 subagent 折叠进主 agent 循环,并分享我们从大型组织中构建 agent 学到的的最佳实践。
公司常常希望构建一个 agent,把多个产品和能力统一到单一客户界面中。
通常,每项能力由不同的团队负责,因此公司一开始会让各个团队构建自己的 agent,然后由一个中央平台团队在其上构建编排器。这可能呈现多种结构,包括 orchestrator-subagent,或一个单一 agent 把特定 agent 作为 MCP 工具暴露出来。
这看起来是最简单的方案,但会立刻引入以下方面的复杂性:
上述 orchestrator-subagent 设计是协调跨团队构建的专家能力的一种合理方式,但通常更有效的做法是通过 skills 渐进式披露上下文、通过 tool search 渐进式披露工具。换句话说,agent 只看到 skills 和工具的简短描述,仅在需要时才完整加载。
这种做法合理的原因有三:
单一 agent 循环设计要求有纪律性:精心管理的 system prompt、在恰当时机触发的 skill 和工具描述,以及对上下文窗口、记忆和笔记的审慎处理。本文将在后续章节深入讨论迁移和设计考量。
应由一个中央团队端到端地负责质量和 system prompt,在每个新工具和 eval 上线前进行审核。保持这个中央团队规模较小有助于快速迭代,并降低大型组织中的协调成本。
如果你选择多 agent 路线,从能奏效的最简单模式开始(generator-verifier、orchestrator-subagent 或其他)。按上下文来划分边界,从而有效地分解:给每个 subagent 分配一项几乎不需要系统其他部分参与的工作,并让它交回一个紧凑的结果(合适的候选包括独立的研究路径、接口清晰的独立组件,或黑盒验证)。当 agent 按问题类型拆分时,它们会陷入“传话游戏”,信息来回传递,每次交接都会降低保真度。
许多团队已经在生产环境中拥有一个编排器和一组专家 agent。以下是我们建议朝着迈进的单一循环设计:
这种单一循环设计也有助于实现许多团队正在努力达成的最终状态(一个理解用户高层次目标并代表用户行动的 agent),因为它把 agent 学到的一切都保留在同一个上下文中。
以下建议说明了一个团队如何分阶段从多 agent 系统过渡到单一 agent 循环,以及多个团队如何在此过程中持续为该 agent 做出贡献。
第一步是创建一个 eval 集,帮助你判断是否应该把某个 subagent 折叠进主 agent 循环。我们见过的有效 eval 结构是:一个由中央团队负责的共享端到端 eval 集,加上由各 skill 所属团队随每个 skill 交付的较小 eval 集。即使只有 10 个黄金示例,也足以起步。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。