Wann man Subagenten in Ihren Haupt-AI-Agentenloop integrieren sollte: Praktische Anleitung von Anthropic

Die neuesten Empfehlungen von Anthropic: Optimierung des Designs von Unternehmens-AI-Agenten

Wenn Sie gerade dabei sind, AI-Agenten auf der Claude-Plattform zu entwickeln, hat das Applied AI-Team von Anthropic eine frische Reihe von Empfehlungen, die Sie in Betracht ziehen sollten. Der Kernpunkt: Für viele Organisationen ist es wahrscheinlich sinnvoller, spezialisierte Subagenten nicht über Ihren Stack zu verteilen, sondern sie in einen Hauptagentenloop zu konsolidieren. Ihre Daten, die aus aktuellen Unternehmensimplementierungen stammen, weisen auf eine einfache Wahrheit hin – ein einheitlicher Agent liefert in der Regel bessere Ergebnisse, senkt die Kosten und beschleunigt die Antworten im Vergleich zur Verwaltung einer Vielzahl von Subagenten.

Was ist neu: Überdenken des Multi-Agenten-Ansatzes

Das Team von Anthropic hat aus erster Hand gesehen, dass Subagenten zwar für bestimmte komplexe oder parallele Aufgaben nützlich sind, die meisten Unternehmensbedürfnisse jedoch eine Reduzierung der architektonischen Ausdehnung erfordern. Um dabei zu helfen, haben sie ein Migrationskit veröffentlicht, das Ihr Team durch die Entscheidung führt, ob und wann Subagenten in den Hauptloop zusammengeführt werden sollen. Das Kit legt einen schrittweisen Ansatz dar: Erkennen Sie Ihre bestehenden Agentenmuster, wägen Sie Ihre Optionen ab und experimentieren Sie in einer sicheren, simulierten Umgebung, bevor Sie Änderungen in der Produktion vornehmen.

Historisch gesehen waren Subagenten – jeder mit seinem eigenen Kontext, seinen eigenen Werkzeugen und Anweisungen – eine häufige Wahl für Dinge wie Verifizierung, parallele Arbeitsabläufe oder die Aufteilung von Berechtigungen. Die eigenen Forschungssysteme von Anthropic auf der Claude-Plattform verwenden dieses Muster. Aber nach praktischen Vergleichen über mehrere reale Unternehmenskonfigurationen hinweg zeigte sich ein klarer Trend: Eine einzelne Agenten-Konfiguration mit den richtigen Fähigkeiten übertraf oft sowohl das „große Ein-Prompt“-Modell als auch das subagentenlastige Design.

Es ging hierbei nicht nur um Qualität – der einzelne Agent lieferte auch in Bezug auf Kosten und Latenz.

Nehmen Sie ein Unternehmen als Beispiel. Ihr kundenorientierter Agent hing von einem Dutzend Subagenten ab, was zu einer unübersichtlichen Markenstimme und langsamen Antworten führte – Schmerzpunkte, die den Nutzern auffielen. Nachdem diese Subagenten in einen Hauptloop integriert wurden, erzielte das Unternehmen ein reibungsloseres, konsistenteres Erlebnis und viel schnellere Antworten.

Anthropic weist hier auf eine bekannte Falle hin – Conways Gesetz. Agentendesigns neigen dazu, das Unternehmensorganigramm widerzuspiegeln, wobei jedes Team seinen eigenen Subagenten erstellt. Das führt zu:

• Kontextmanagement-Problemen: Übergaben zwischen Agenten bedeuten, dass Details verloren gehen, was es schwierig macht, die Dinge genau und verbunden zu halten.
• Subagenten-Ausbreitung: Teams starten sich überschneidende Subagenten, und plötzlich ertrinken Sie in Komponenten mit unklarer Zuständigkeit und wenig Standardisierung.
• ‘Frankenprompt’-Syndrom: Der Systemprompt wird zu einem zusammengewürfelten Durcheinander, überladen mit widersprüchlichen Regeln, da jedes Team Anforderungen hinzufügt.
• Ungeprüfte, übermäßig lokalisierte Bewertungen: Teams optimieren für enge Aufgaben, aber die Führungskräfte steuern das Schiff mit verwässerten oder nicht repräsentativen Metriken.
• Latenz: Die Orchestrierung von Multi-Agenten-Systemen kann Ihre Antwortzeit verdoppeln. In einem Fall reduzierte der Wechsel zu einem einzelnen Agentenloop die Laufzeiten um die Hälfte.

Aus den jüngsten Implementierungen von Anthropic sticht ein Muster hervor: Wenn Sie einen einzelnen Agenten mit einem klaren Prompt, einer Handvoll fokussierter Datentools (4-5) und starken Leitplanken ausstatten, übertrifft er in der Regel sowohl Einheitslösungen als auch Multi-Agenten-Ansätze. Das gleiche Unternehmen mit einem Dutzend Subagenten sah, dass sich sowohl seine Marke als auch die Geschwindigkeit verbesserten, nachdem es zu einem einzelnen Loop gewechselt war.

Warum das für Ihr Unternehmen wichtig ist

Wenn Ihr Ziel darin besteht, mehrere Produkte oder Arbeitsabläufe mithilfe von AI zu vereinheitlichen, sind die Erkenntnisse von Anthropic besonders relevant. Das typische Vorgehen – jedes Team baut einen spezialisierten Agenten, und dann setzen Sie einen Orchestrator oben drauf – mag vernünftig erscheinen, führt jedoch in der Regel zu mehr Komplexität, verlangsamt die Abläufe und fragmentiert Ihre Qualitätskontrolle.

Die „progressive Offenlegung“-Methode von Anthropic – bei der der Agent Fähigkeiten und Werkzeuge nur nach Bedarf lädt – hält den Kontext schlank und nutzt Modelle wie Claude Opus 4.5 und höher besser. Durch die Anwendung dieses Ansatzes berichtet Anthropic, dass sie den Systemprompt von Claude Code für neue Modelle um über 80 % reduziert haben, was den Agenten effizienter und einfacher aktuell zu halten macht. Das bedeutet auch, dass Sie nicht an starre Architekturen gebunden sind, die zukünftige Upgrades erschweren.

Stellen Sie sich einen Supportbetrieb vor: Anstatt eine Benutzeranfrage durch ein Fließband von Subagenten (Bestellabfrage, Versand, Rücksendungen) zu schleusen, kann ein einzelner gut ausgestatteter Agent alles in einem Durchgang erledigen. Sie reduzieren Übergaben, verringern Verzögerungen und bieten sowohl Nutzern als auch Supportmitarbeitern ein konsistenteres Erlebnis. Außerdem kann der Agent die Verbindungen zwischen den Schritten herstellen und reichhaltigere Einblicke bieten, als es isolierte Subagenten jemals könnten.

Das gesagt, weist Anthropic auf einige Fälle hin, in denen Subagenten weiterhin nützlich sind – nämlich, wenn:

• Der Hauptloop durch zu viel Kontext ins Stocken gerät.
• Aufgaben tatsächlich parallele Bearbeitung erfordern, mit frischen, wegwerfbaren Kontextfenstern.
• Ein Agent nicht zuverlässig das richtige Werkzeug auswählen kann oder die Anweisungen zu widersprechen beginnen.

Für die meisten Geschäftsabläufe erhalten Sie jedoch die beste Mischung aus Leistung, Wartbarkeit und Benutzererfahrung, indem Sie bei einem Agentenloop, progressiver Offenlegung und diszipliniertem Management von Werkzeugen und Fähigkeiten bleiben.

Praktische Schritte: So vereinfachen Sie Ihre Agentenarchitektur

• Bewerten Sie Ihre aktuelle Einrichtung: Beginnen Sie mit dem Migrationskit von Anthropic – es hilft Ihnen, Ihre bestehende Agentenstruktur zu kartieren und herauszufinden, wo eine Konsolidierung sinnvoll ist. Der geführte Workflow ermöglicht es Ihrem Team, aktuelle Subagentenmuster zu vergleichen, Alternativen zu testen und die Produktion abzusichern, indem Änderungen zuerst in einer Vorschau angezeigt werden.
• Erstellen Sie gemeinsame Bewertungen: Verwenden Sie ein zentrales Bewertungset, um die End-to-End-Qualität zu messen, nicht nur die Erfolge bei Teilaufgaben. Anthropic empfiehlt, mit 10 goldenen Beispielen zu beginnen und die endgültige Ausgabe des Agenten mit einem Bewertungsraster zu bewerten. Verfolgen Sie die Routing-Genauigkeit während der Migration (hat der Orchestrator den richtigen Subagenten ausgewählt?) und nach der Konsolidierung, ob der Agent die richtige Fähigkeit oder das richtige Werkzeug gewählt hat.
• Zusammenführen nach Kontext: Konzentrieren Sie sich darauf, Subagenten zusammenzuführen, die häufig interagieren oder Daten teilen. Führen Sie Spezialisten zusammen, die auf die Ausgaben des jeweils anderen angewiesen sind, dieselben Daten verwenden oder normalerweise gemeinsam aufgerufen werden. Wenn der Verkehr regelmäßig von einem Spezialisten zu einem anderen fließt, ist das eine Konsolidierungsmöglichkeit.
• Verwandeln Sie Subagenten in Werkzeuge und Fähigkeiten: Wandeln Sie die Logik von Subagenten in Werkzeuge (für Aktionen oder Daten) und Fähigkeiten (für Prozesswissen) um. Prompts von Subagenten werden zu Fähigkeiten, API-Aufrufe werden zu Werkzeugen. Dies ermöglicht es dem Hauptagenten, den Kontext beizubehalten und Werkzeuge nur bei Bedarf zu aktivieren, wodurch verlustbehaftete Übergaben minimiert werden.
• Begrenzen Sie die Werkzeugausbreitung: Organisieren Sie Werkzeuge nach Benutzerabsicht und vermeiden Sie es, mehr als 30-50 Werkzeuge im Systemprompt zu haben – darüber hinaus leidet die Werkzeugauswahl. Verwenden Sie die Werkzeugsuche und verzögertes Laden und integrieren Sie Vorbedingungen in die Werkzeuge selbst.
• Zentralisieren Sie die Qualitätskontrolle: Ernennen Sie ein kleines zentrales Team, das für den Systemprompt verantwortlich ist, neue Fähigkeiten/Werkzeuge prüft und das Bewertungsraster pflegt. Stellen Sie sicher, dass sie jede Ergänzung vor dem Start überprüfen, um die Qualität und Konsistenz Ihres Agenten zu gewährleisten.
• Überwachen und iterieren: Verwenden Sie nach jeder Konsolidierungsrunde Ihr gemeinsames Bewertungset, um die Leistung zu vergleichen. Schauen Sie sich nicht nur die Gesamtergebnisse an; analysieren Sie, welche Aufgaben besser oder schlechter geworden sind. Anthropic stellte fest, dass das Zusammenführen von Subagenten manchmal Dinge kaputt machen kann, die zuvor funktioniert haben, also stellen Sie sicher, dass Ihre Bewertung jeden kritischen Arbeitsablauf und jede Regel abdeckt. Wiederholen Sie Aufgaben mehrmals, um intermittierende Probleme zu erfassen.
• Nutzen Sie Migrationstools: Das Migrationskit von Anthropic bietet API-Fähigkeiten wie /claude-api build-eval (für Bewertungssätze), /claude-api prompt-audit (um veraltete Prompts zu erkennen) und /claude-api hillclimb (für iterative Verbesserungen). Diese nehmen die manuelle Arbeit aus der Verfeinerung Ihrer Architektur.

Vom Multi-Agenten- zum Einzel-Loop: Implementierungsüberlegungen

Zu einem einzelnen Agentenloop zu gelangen, ist mehr als nur Code zusammenzukleben. Die Ratschläge von Anthropic:

• Führen Sie ein Modell und ein Kontextfenster in einem Werkzeugloop aus, mit Kosten- und Interaktionsgrenzen.
• Erlauben Sie dem Modell, Batches von Werkzeugaufrufen parallel auszuführen, und entscheiden Sie dann über den nächsten Schritt – ein weiteres Batch, eine Frage oder eine endgültige Antwort – basierend auf den Ergebnissen.
• Lassen Sie das Modell seinen eigenen Plan im Kontext schreiben und überarbeiten, sodass Sie keinen Orchestrator-Code benötigen, um Pläne zwischen Agenten zu verschieben.
• Bewegen Sie Bestellungen und Domänenlogik in Fähigkeiten und integrieren Sie Validierungen oder Genehmigungen in Werkzeuge.
• Verwenden Sie Code nur für die kostengünstigen, mechanischen Dinge (wie Entitätsauflösung oder Erstellen von Payloads).

Dieses Design hält alles im Kontext des Agenten relevant, was es einfacher macht, sich an Aufgaben anzupassen und zu lernen. Es vereinfacht auch Upgrades auf neuere Modelle, da Sie nicht in Orchestrierungslogik verstrickt sind.

Wie Teams zu einem einheitlichen Agenten beitragen können

Mit einem einzelnen Loop wechseln Teams von der Verantwortung für Subagenten zur Kuratierung von Fähigkeiten und Werkzeugen. Ein kleines zentrales Team verwaltet den Systemprompt und die Gesamtqualität und überprüft jedes neue Element, bevor es hinzugefügt wird. Fähigkeiten kodifizieren Ihren Prozess – Schritte, Regeln, Entscheidungen – während Werkzeuge tatsächliche Aktionen, Daten und Berechtigungen behandeln.

Anthropic bietet Hilfsprogramme wie /skill-creator (zum Erstellen und Prüfen von Fähigkeiten) und /skill-doctor (zum Analysieren der Nutzung und Aussortieren ungenutzter Einträge), um Ihnen zu helfen, eine Überladung von Fähigkeiten zu vermeiden und Ihre Bibliothek scharf zu halten.

Wissensdatenbanken haben nach wie vor eine Rolle, insbesondere für Referenzmaterial, das nur manchmal benötigt wird. Verwenden Sie Such- oder Nachschlagewerkzeuge, um Fakten, Richtlinien oder Spezifikationen auf Anfrage abzurufen, anstatt jeden Prompt damit zu überladen. Anthropic empfiehlt, solche Referenzen nicht fest einzuprogrammiert zu verwenden, da dies nur unnötiges Kontextgewicht hinzufügt.

Mein Fazit: Einfachheit zahlt sich aus – aber Disziplin ist entscheidend

Die Empfehlungen von Anthropic durchdringen das Rauschen für jeden, der mit der Ausbreitung von Agenten kämpft. Es ist verlockend, Ihr Organigramm in Ihrer Agentenarchitektur zu reproduzieren, aber das führt selten zu guten Ergebnissen. Meiner Meinung nach erfordern die meisten Geschäftsbedürfnisse einen disziplinierten, zentral verwalteten Agenten, der flexibel nur die benötigten Fähigkeiten und Werkzeuge lädt, anstatt ein Labyrinth von Subagenten.

Dennoch ist dieser Übergang kein Spaziergang im Park. Der Wechsel von einem Multi-Agenten-Ansatz zu einem einzelnen Loop erfordert solide Planung, starke Bewertung und strenge zentrale Aufsicht. Wenn Sie Subagenten zu schnell integrieren, können Arbeitsabläufe brechen.

Und für Anwendungsfälle, in denen Aufgaben wirklich unabhängig sind – denken Sie an Forschung oder hochspezialisierte Bereiche – haben Subagenten nach wie vor eine gültige Rolle.

Eine ungelöste Herausforderung: Wie schnell können Organisationen ihre internen Kulturen anpassen, um ein zentrales Agententeam zu unterstützen, insbesondere wenn Teamverantwortung und Anreize tief in Silos verwurzelt sind? Technisch gesehen könnte die Migration der einfache Teil sein.

Das Fazit

Die Anleitung von Anthropic ist klar: Für die meisten Unternehmens-AI-Projekte übertrifft ein einzelner, gut verwalteter Agentenloop eine ausufernde Subagentenarchitektur in jeder praktischen Hinsicht. Der Schlüssel ist Disziplin – zentralisieren Sie die Qualität, verwalten Sie Ihre Werkzeuge und Fähigkeiten eng und halten Sie die Dinge so einfach, wie es Ihre Bedürfnisse erlauben.