В последнее время Anthropic начала рекомендовать компаниям сокращать количество субагентов, вплоть до объединения некоторых специализированных агентов с основным циклом работы.

Опыт нескольких корпоративных проектов показал, что архитектура, состоящая из одного агента и набора скиллов, зачастую оказывается эффективнее сложных мультиагентных систем. Так, у одного из клиентов после перехода на единый цикл работы скорость выполнения задач увеличилась примерно вдвое.

Причины этого нетрудно понять.

При передаче задач от одного агента другому приходится всякий раз передавать и обобщать контекст. В результате часть информации может теряться, задержки увеличиваются, а затраты растут.

Теперь Anthropic рекомендует возлагать планирование и выполнение задач на основного агента, который по мере необходимости будет динамически загружать скиллы и инструменты. При этом бизнес-процессы и знания предметной области предлагается сохранять в виде компонентов, пригодных для многократного использования.

Однако в статье приводится один примечательный случай, заслуживающий особого внимания.

Однажды специалисты Anthropic объединили субагентов в системе обслуживания клиентов. Это действительно позволило сократить задержки, однако задача, прежде выполнявшаяся успешно, неожиданно перестала выполняться. Причина заключалась в том, что основной агент пропустил этап согласования времени доставки со специалистом по логистике.

Именно поэтому автор подчёркивает необходимость проводить сквозное тестирование (end-to-end Eval) после каждого объединения субагентов, особенно внимательно проверяя, какие из прежде успешно выполнявшихся задач начали завершаться ошибками.

Разумеется, субагенты по-прежнему сохраняют свою ценность там, где необходимы параллельные исследования, независимая проверка результатов или изоляция контекста.

Таким образом, при проектировании мультиагентных систем в будущем стоит прежде всего задаться вопросом: действительно ли каждому субагенту необходимы собственный независимый контекст и отдельный цикл выполнения задач?

Кроме того, Anthropic опубликовала в открытом доступе набор инструментов для миграции, позволяющий анализировать существующую архитектуру, постепенно объединять субагентов и сопоставлять качество работы, затраты и задержки до и после внесённых изменений.

Всем, кто занимается разработкой ИИ-агентов, настоятельно рекомендую с ним ознакомиться.

https://claude.com/resources/articles/building-agents-when-to-fold-subagents-into-your-main-agent-loop

#промо

Gemini Pro Argon на 1.5 года по цене кофе?

Gemini Pro на 18 месяцев можно купить за 6$ (480₽ вместо 30.000₽) - последние 2 дня акции от Jio!

> 4.0 Argon топ для вайбкодеров
> Nano Banana 2 PRO (картинки)
> Видео генерация (видео, нарезки, мувики)
> 5 ТБ облака в Google One

Дают бесплатный VPN для всех, пользуйтесь!

Работает акция еще 2 дня по такой цене, дальше будет официальная цена $360 за 18 месяцев

Приобрести можно в Магазине с 20.000+ покупок и 2000+ отзывов (есть возвраты и замены).

Нашёл проект с открытым исходным кодом, объединяющий 74 скиллов для разработки игр с использованием Unity, Godot, Unreal Engine и других игровых движков.

Он охватывает создание графики, анимацию персонажей, оптимизацию производительности, публикацию игр в Steam и многое другое. Кроме того, система умеет автоматически подбирать подходящие скиллы в зависимости от поставленной задачи.

Поддерживаются как Claude Code, так и Codex.

https://github.com/gamedev-skills/awesome-gamedev-agent-skills

Anthropic передала стандарт Agent Skills в Linux Foundation, тот же фонд, которому ранее был передан MCP.

С момента запуска стандарта в октябре прошлого года было опубликовано 1 миллион скиллов, которые установили почти 280 миллионов раз. Сегодня Agent Skills поддерживают более 70 платформ для ИИ-агентов, включая ChatGPT, Cursor, GitHub Copilot и VS Code.

За прошедший год сформировался единый подход к созданию скиллов. Официальное руководство по их разработке также передали фонду.

Шесть самых полезных правил из этого руководства:

1. Сначала выполните задачу вместе с агентом. Только после этого превращайте в скилл успешно сработавшие шаги, внесённые вами исправления, форматы входных и выходных данных, а также дополнительный контекст. Если модель пишет скилл, опираясь лишь на общие знания, результат будет наполнен бесполезными рекомендациями вроде «обрабатывайте ошибки надлежащим образом».

2. Проверяйте каждую строку. Спросите себя, ошибся бы агент без этой инструкции. Если нет, удалите её.

3. Уделяйте особое внимание описанию скилла. При запуске агент читает только название и описание, поэтому именно описание определяет, будет ли скилл вообще использован. Формулируйте его в виде «Используй этот скилл, когда...», делайте достаточно настойчивым, перечисляйте ситуации, которые пользователи могут не указывать напрямую, и укладывайтесь в 1024 символа.

4. Не перегружайте `SKILL.md`. Ограничьте его объём 500 строками и 5000 токенами. Подробности выносите в каталог `references/`, указывая, когда агенту следует читать каждый файл.

5. Разделяйте строгие инструкции и рекомендации. Для действий, в которых особенно легко допустить ошибку, указывайте точные команды. Там, где требуется самостоятельное решение, объясняйте причины выбора. Если задачу можно выполнить несколькими способами, предлагайте один вариант по умолчанию.

6. Составляйте список типичных ошибок (gotchas). Во многих скиллах именно он оказывается самой полезной частью. Каждый раз, когда вам приходится исправлять ошибку агента, добавляйте соответствующее замечание в список.

Сразу после того, как агент завершит задачу, которую вы часто ему поручаете, отправьте следующий промпт в Claude Code в рамках той же сессии, чтобы сохранить успешный подход в виде стандартного скилла.

Промпт для Claude Code:

Следуя руководству https://agentskills.io/skill-creation/best-practices, преврати задачу, которую мы только что выполнили, в скилл.

Используй исключительно те шаги, которые успешно сработали в этой сессии, мои исправления, а также связанные с ними решения из файлов `CLAUDE.md`, `AGENTS.md` и истории Git. Не восполняй пробелы общими знаниями.

Сформулируй описание в формате «Используй этот скилл, когда...». Включи ситуации, которые я не упоминал напрямую, но в которых скилл должен активироваться. Длина описания не должна превышать 1024 символа.

Ограничь размер `SKILL.md` 500 строками. Подробную информацию вынеси в каталог `references/`, указав, в каких случаях агенту следует обращаться к каждому файлу.

Выдели отдельный раздел с типичными ошибками и подводными камнями.

Для названия скилла используй только строчные латинские буквы, цифры и дефисы. Название должно совпадать с именем каталога.

В завершение создай 2–3 реальных тестовых сценария в файле `evals/evals.json`, указав для каждого промпт и ожидаемый результат. Запусти все тесты и покажи их результаты, а также опиши выполненные действия.