Anthropic запускает несколько агентов Claude для инструмента "Исследования" — утверждает, что кодирование сложнее распараллелить.

В апреле компания Anthropic представила новую функцию искусственного интеллекта: несколько агентов Claude объединяются для реализации функции "Research", которая может "осуществлять поиск как во внутреннем рабочем контексте, так и в интернете" (а также в Google Workspace "и любых интеграциях...").

В недавнем посте в блоге Anthropic отмечается, что эта функция "включает в себя агента, который планирует процесс исследования на основе запросов пользователя, а затем использует инструменты для создания параллельных агентов, которые одновременно ищут информацию". Это влечет за собой проблемы "в координации агентов, оценке и надежности... Модель должна работать автономно в течение многих ходов, принимая решения о том, какие направления преследовать, основываясь на промежуточных результатах".

Многоагентные системы работают главным образом потому, что они помогают потратить достаточное количество токенов для решения проблемы. Этот вывод подтверждает нашу архитектуру, которая распределяет работу между агентами с отдельными окнами контекста, чтобы добавить больше возможностей для параллельного рассуждения. Последние модели Claude действуют как значительные мультипликаторы эффективности использования токенов, поскольку обновление до Claude Sonnet 4 дает больший прирост производительности, чем удвоение бюджета токенов на Claude Sonnet 3.7. Многоагентные архитектуры эффективно масштабируют использование токенов для задач, которые превышают лимиты отдельных агентов.

Однако есть и обратная сторона: на практике эти архитектуры быстро расходуют токены. По нашим данным, агенты обычно используют примерно в 4 раза больше токенов, чем в чат-взаимодействиях, а многоагентные системы используют примерно в 15 раз больше токенов, чем чаты. Для экономической целесообразности многоагентные системы требуют задач, в которых ценность задачи достаточно высока, чтобы оплатить повышенную производительность. Кроме того, некоторые области, требующие, чтобы все агенты разделяли один и тот же контекст или включали множество зависимостей между агентами, не подходят для многоагентных систем на сегодняшний день.

Например, большинство задач кодирования включают меньше действительно параллелизуемых задач, чем исследования, и LLM-агенты еще не очень хорошо умеют координировать и делегировать другим агентам в реальном времени. Мы обнаружили, что многоагентные системы превосходно справляются с ценными задачами, которые включают в себя интенсивную параллелизацию, информацию, превышающую отдельные окна контекста, и взаимодействие со множеством сложных инструментов.