De nieuwste richtlijnen van Anthropic: Het stroomlijnen van enterprise AI-agentontwerp

Als je diep in het bouwen van AI-agenten op het Claude Platform zit, heeft het Applied AI-team van Anthropic een frisse set aanbevelingen die je wilt overwegen. De kern: voor veel organisaties, in plaats van specialistische subagenten door je stack te verspreiden, krijg je waarschijnlijk meer rendement door ze te consolideren in één hoofdagentloop. Hun gegevens, afkomstig van recente enterprise-implementaties, wijzen op een eenvoudige waarheid—een verenigde agent levert meestal betere resultaten, snijdt kosten en versnelt reacties in vergelijking met het beheren van een menigte subagenten.

Wat is nieuw: Het heroverwegen van de multi-agentbenadering

Het team van Anthropic heeft uit de eerste hand gezien dat hoewel subagenten nog steeds nuttig zijn voor bepaalde complexe of parallelle taken, de meeste enterprisebehoeften vragen om het terugdringen van architectonische verspreiding. Om hierbij te helpen, hebben ze een migratiekit uitgebracht die je team begeleidt bij het beslissen of en wanneer subagenten in de hoofdloop moeten worden samengevoegd. De kit legt een stapsgewijze aanpak uit: spot je bestaande agentpatronen, weeg je opties af en experimenteer in een veilige, gesimuleerde omgeving voordat je de knoop doorhakt voor productie wijzigingen.

Historisch gezien zijn subagenten—elk met hun eigen context, tools en instructies—een go-to geweest voor zaken als verificatie, parallelle workflows of het splitsen van rechten. De eigen onderzoekssystemen van Anthropic op het Claude Platform gebruiken dit patroon. Maar na praktische vergelijkingen over verschillende real-world enterprise setups, kwam er een duidelijke trend naar voren: een enkele agentopstelling met de juiste vaardigheden presteerde vaak beter dan zowel het “gigantische één-prompt” model als het subagent-zware ontwerp.

Dit ging niet alleen om kwaliteit—de enkele agent leverde ook op kosten en latentie.

Anthropic wijst hier op een bekende valkuil—de wet van Conway. Agentontwerpen neigen ernaar het organigram van het bedrijf te weerspiegelen, waarbij elk team zijn eigen subagent opzet. Dat leidt tot:

  • Contextbeheer hoofdpijn: Overdrachten tussen agenten betekenen dat details verloren gaan, waardoor het moeilijk is om dingen nauwkeurig en verbonden te houden.
  • Subagentverspreiding: Teams lanceren overlappende subagenten, en plotseling verdrink je in componenten met vage eigendomsrechten en weinig standaardisatie.
  • ‘Frankenprompt’ syndroom: De systeemprompt wordt een samengevoegd rommeltje, vol met tegenstrijdige regels terwijl elk team eisen toevoegt.
  • Ongecontroleerde, te lokaal gemaakte evaluaties: Teams optimaliseren voor smalle taken, maar het leiderschap stuurt uiteindelijk het schip met verdunde of niet-representatieve metrics.
  • Latentie: Het orkestreren van multi-agent systemen kan je responstijd verdubbelen. In één geval halveerde de overstap naar een enkele agentloop de runtijden.

Uit de recente implementaties van Anthropic komt een patroon naar voren: als je een enkele agent uitrust met een duidelijke prompt, een handvol gerichte datatools (4-5), en sterke richtlijnen, presteert deze doorgaans beter dan zowel one-size-fits-all als multi-agentbenaderingen. Diezelfde onderneming met een dozijn subagenten zag zowel het merk als de snelheid verbeteren na de overstap naar een enkele loop.

Waarom dit belangrijk is voor jouw bedrijf

Als jouw doel is om meerdere producten of workflows te verenigen met behulp van AI, zijn de bevindingen van Anthropic bijzonder relevant. Het typische handboek—elk team bouwt een specialistische agent, en dan gooi je er een orkestrator bovenop—lijkt misschien redelijk, maar voegt meestal complexiteit toe, vertraagt de zaken en fragmentatie van je kwaliteitscontrole.

De “progressieve openbaarmaking” methode van Anthropic—waarbij de agent vaardigheden en tools alleen laadt wanneer nodig—houdt de context slank en maakt beter gebruik van modellen zoals Claude Opus 4.5 en hoger. Door deze aanpak te gebruiken, meldt Anthropic dat ze de systeemprompt van Claude Code voor nieuwe modellen met meer dan 80% hebben verminderd, waardoor de agent efficiënter en gemakkelijker up-to-date te houden is. Dit betekent ook dat je niet vastzit aan rigide architecturen die toekomstige upgrades tot een probleem maken.

Stel je een ondersteuningsoperatie voor: in plaats van een gebruikersvraag door een lopende band van subagenten (besteloverzicht, verzending, retouren) te schuiven, kan een enkele goed uitgeruste agent alles in één keer afhandelen. Je vermindert overdrachten, verkort vertragingen en biedt zowel gebruikers als ondersteunend personeel een consistentere ervaring. Bovendien kan de agent de verbanden tussen stappen leggen, waardoor rijkere inzichten worden geboden dan silo-subagenten ooit konden.

Dat gezegd hebbende, wijst Anthropic op enkele gevallen waarin subagenten nuttig blijven—namelijk wanneer:

  • De hoofdloop vastloopt door te veel context.
  • Taken echt parallelle behandeling vereisen, met frisse, wegwerpcontextvensters.
  • Één agent kan niet betrouwbaar de juiste tool kiezen, of de promptinstructies beginnen elkaar tegen te spreken.

Voor de meeste bedrijfsworkflows krijg je echter de beste mix van prestaties, onderhoudbaarheid en gebruikerservaring door bij één agentloop, progressieve openbaarmaking en gedisciplineerd beheer van tools en vaardigheden te blijven.

Praktische stappen: Hoe je je agentarchitectuur kunt vereenvoudigen

  • Beoordeel je huidige setup: Begin met de migratiekit van Anthropic—het helpt je om je bestaande agentstructuur in kaart te brengen en te zien waar consolidatie zinvol is. De begeleide workflow laat je team huidige subagentpatronen vergelijken, alternatieven testen en de productie beveiligen door eerst wijzigingen te previewen.
  • Bouw gedeelde evaluaties: Gebruik een gecentraliseerde evaluatieset om de end-to-end kwaliteit te meten, niet alleen subtaakoverwinningen. Anthropic raadt aan te beginnen met 10 gouden voorbeelden, waarbij de uiteindelijke output van de agent wordt beoordeeld met een rubric. Volg de routingnauwkeurigheid terwijl je migreert (heeft de orkestrator de juiste subagent gekozen?) en, na consolidatie, of de agent de juiste vaardigheid of tool heeft gekozen.
  • Merge op context: Focus op het integreren van subagenten die vaak interactie hebben of gegevens delen. Combineer specialisten die afhankelijk zijn van elkaars output, dezelfde gegevens gebruiken of meestal samen worden aangeroepen. Als verkeer regelmatig van de ene specialist naar de andere stroomt, is dat een consolidatiekans.
  • Verander subagenten in tools en vaardigheden: Zet subagentlogica om in tools (voor acties of gegevens) en vaardigheden (voor proceskennis). Prompts van subagenten worden vaardigheden, API-aanroepen worden tools. Dit stelt de hoofdagent in staat om context te behouden en tools alleen aan te roepen wanneer nodig, waardoor verliesgevende overdrachten worden geminimaliseerd.
  • Beperk toolverspreiding: Organiseer tools op basis van gebruikersintentie, en vermijd het overschrijden van 30-50 tools in de systeemprompt—daarboven lijdt de toolselectie. Gebruik toolzoekfuncties en uitgestelde laadtijden, en verwerk voorwaarden in de tools zelf.
  • Centraliseer kwaliteitscontrole: Stel een klein centraal team aan om de systeemprompt te beheren, nieuwe vaardigheden/tools te controleren en de evaluatierubric te onderhouden. Zorg ervoor dat ze elke toevoeging vóór de lancering beoordelen om de kwaliteit en consistentie van je agent intact te houden.
  • Monitor en iterate: Na elke ronde van consolidatie, gebruik je gedeelde evaluatieset om prestaties te vergelijken. Kijk niet alleen naar de totale scores; duik in welke taken beter of slechter zijn geworden. Anthropic ontdekte dat het integreren van subagenten soms dingen kan breken die eerder werkten, dus zorg ervoor dat je evaluatie elke kritieke workflow en regel dekt. Herhaal taken meerdere keren om intermitterende problemen op te vangen.
  • Maak gebruik van migratietools: De migratiekit van Anthropic biedt API-vaardigheden zoals /claude-api build-eval (voor evaluatiesets), /claude-api prompt-audit (om verouderde prompts op te sporen), en /claude-api hillclimb (voor iteratieve verbeteringen). Deze nemen het handmatige werk uit het verfijnen van je architectuur.

Van multi-agent naar enkele loop: Implementatieoverwegingen

Overstappen naar een enkele agentloop is meer dan alleen code aan elkaar plakken. Anthropic’s advies:

  • Voer één model en één contextvenster uit in een toolloop, met kosten- en interactiegrenzen in plaats.
  • Laat het model batches van toolaanroepen verzenden om parallel te draaien, en beslis dan over de volgende stap—een andere batch, een vraag, of een definitief antwoord—op basis van de resultaten.
  • Laat het model zijn eigen plan in context schrijven en herzien, zodat je geen orkestratorcode nodig hebt om plannen tussen agenten te verschuiven.
  • Verplaats bestellingen en domeinlogica naar vaardigheden, en stop validatie of goedkeuring in tools.
  • Gebruik code alleen voor de goedkope, mechanische zaken (zoals entiteitsresolutie of payloads bouwen).

Dit ontwerp houdt alles relevant in de context van de agent, waardoor het gemakkelijker wordt om zich aan te passen en te leren over taken. Het stroomlijnt ook upgrades naar nieuwere modellen, aangezien je niet verstrikt zit in orkestratielogica.

Hoe teams kunnen bijdragen aan een verenigde agent

Met een enkele loop verschuiven teams van het bezitten van subagenten naar het cureren van vaardigheden en tools. Een strak centraal team beheert de systeemprompt en de algehele kwaliteit, waarbij elke nieuwe toevoeging wordt beoordeeld voordat deze wordt toegevoegd. Vaardigheden codificeren je proces—stappen, regels, beslissingen—terwijl tools daadwerkelijke acties, gegevens en rechten afhandelen.

Anthropic biedt hulpmiddelen zoals /skill-creator (om vaardigheden te bouwen en te controleren) en /skill-doctor (om gebruik te analyseren en ongebruikte vermeldingen te verwijderen), waarmee je vaardigheidsoverlast kunt vermijden en je bibliotheek scherp kunt houden.

Kennisbanken hebben nog steeds een rol, vooral voor referentiemateriaal dat slechts af en toe nodig is. Gebruik zoek- of opzoektools om feiten, beleid of specificaties op aanvraag op te halen, in plaats van elke prompt ermee vol te stoppen. Anthropic raadt aan om dergelijke referenties niet hard te coderen, wat alleen maar onnodig contextgewicht toevoegt.

Mijn mening: Eenvoud loont—maar discipline is essentieel

De aanbevelingen van Anthropic snijden door de ruis voor iedereen die worstelt met agentverspreiding. Het is verleidelijk om je organigram in je agentarchitectuur te reproduceren, maar dat leidt zelden tot goede resultaten. Naar mijn mening vragen de meeste bedrijfsbehoeften om een gedisciplineerde, centraal beheerde agent die flexibel alleen de benodigde vaardigheden en tools laadt, in plaats van een doolhof van subagenten.

Toch is het maken van deze overgang geen wandeling in het park. Overstappen van een multi-agentbenadering naar een enkele loop vereist solide planning, sterke evaluatie en ijzersterke centrale controle. Als je subagenten te snel integreert, kunnen workflows breken.

En voor gebruiksgevallen waar taken echt onafhankelijk zijn—denk aan onderzoek of zeer gespecialiseerde domeinen—blijven subagenten een geldige rol spelen.

Een onopgelost probleem: hoe snel kunnen organisaties hun interne culturen aanpassen om een centraal agentteam te ondersteunen, vooral als teambezit en prikkels diep geworteld zijn in silo's? Technisch gezien kan de migratie het gemakkelijke deel zijn.

De conclusie

De richtlijnen van Anthropic zijn eenvoudig: voor de meeste enterprise AI-projecten verslaat een enkele, goed beheerde agentloop een verspreide subagentarchitectuur op elke praktische maatstaf. De sleutel is discipline—centraliseer kwaliteit, beheer je tools en vaardigheden nauwkeurig, en houd dingen zo eenvoudig als je behoeften toelaten.