Anthropic hat festgestellt, dass ein einzelner Agent mit bedarfsweise geladenem Kontext Multi-Agent-Architekturen bei Qualität, Kosten und Latenz oft übertrifft. Für den Umbau stellt Anthropic ein Migrations-Kit bereit.
Anthropic empfiehlt Unternehmen, weniger Subagenten zu nutzen. Ein einzelner Hauptagent mit nach Bedarf geladenem Kontext erziele oft bessere Ergebnisse als viele spezialisierte Unteragenten. Neuere Modelle ab Opus 4.5 sowie Opus 5.5 und Fable 5.1 könnten komplexe Pläne direkt in einer Schleife verwalten. Zudem sänken dadurch Kosten und Wartezeiten. In einem Kundenfall lief das System laut Anthropic etwa doppelt so schnell.
Die Empfehlung basiert auf Erfahrungen des Applied-AI-Teams mit mehreren Enterprise-Deployments. Dort habe ein einzelner Agent mit sogenannten Skills sowohl das Alles-in-einem-Prompt-Design als auch das Subagenten-Design bei der Qualität häufig übertroffen. Ein Unternehmen etwa hatte ein Dutzend Spezialisten-Subagenten in seinem kundenorientierten Agenten, was eine konsistente Markenerfahrung erschwert und die Nutzererfahrung durch hohe Wartezeiten beeinträchtigt habe.
Bei mehreren spezialisierten Agenten geht bei jeder Übergabe Kontext verloren. Ein einzelner Agent, der Feature und Tests selbst schreibt, behält den vollen Überblick. Der abschließende Verifier benötigt keinen Implementierungskontext. | Bild: AnthropicViele Agentendesigns folgten laut Anthropic einem bekannten Muster: Absichtserkennung, feste Verarbeitungskette, Nutzersegmentierung, separate Empfehlungszweige und ein Orchestrator darüber. Das meiste davon erledige Arbeit, die das Modell inzwischen selbst bewältigen könne.
Anthropic spricht von "Conway's Law": Die Agentenarchitektur werde zur Kopie des Organigramms. Jedes Team liefere seinen eigenen Subagenten, bis sich Hunderte überlappender Agenten ohne einheitliche Standards ansammelten. Hinzu komme ein "Frankenprompt", bei dem jedes Team Regeln zum System-Prompt hinzufüge, die sich gegenseitig widersprächen. Ein klarer System-Prompt, vier bis fünf schlanke Daten-Tools und feste Output-Leitplanken würden die meisten Anwendungsfälle abdecken.
Ein Grund für den Erfolg des Ansatzes: Anthropic habe den System-Prompt von Claude Code für neuere Modelle um über 80 Prozent gekürzt, unter anderem weil Skills und Tools nur noch bei Bedarf geladen werden. Neuere Modelle kommentierten zudem ihren Fortschritt und prüften ihre Arbeit selbst, was zusätzliche Steuerungsschichten überflüssig mache.
Subagenten blieben laut Anthropic sinnvoll, wenn das Kontextfenster eines einzelnen Agenten messbar überlastet sei, wenn mehrere Aufgaben parallel mit getrennten Kontextfenstern laufen müssten oder wenn ein einzelner Agent Schwierigkeiten bei der Werkzeugauswahl habe.
Für den schrittweisen Umbau stellt Anthropic auf GitHub ein Migrations-Kit bereit. Es führt durch einen Workflow, der bestehende Muster identifiziert, Alternativen bewertet und den besten Ansatz verifiziert. Anthropic warnt allerdings vor blindem Zusammenführen: Bei einem Test mit einem Support-Agenten habe das Einfalten eines Subagenten zwar die Latenz gesenkt, aber einen zuvor funktionierenden Prozess gebrochen, weil der Hauptagent eigenständig antwortete, statt den zuständigen Spezialisten zu befragen.
Team-Verantwortliche sollen Skill-Wildwuchs unterbinden
Statt jedem Team einen eigenen Agenten zu geben, rät Anthropic dazu, Abläufe in Skills auszulagern und Werkzeuge erst bei Bedarf über eine Tool-Suche nachzuladen. Ein kleines zentrales Team solle den System-Prompt und die Gesamtqualität besitzen. Ab 30 bis 50 Tool-Definitionen verschlechtere sich die Tool-Auswahl des Modells. Damit die Skill-Bibliotheken nicht ausufern, sollten Verantwortliche im jeweiligen Team sie pflegen.
Für Referenzmaterial wie Richtlinien, Produktspezifikationen oder Metrik-Definitionen empfiehlt Anthropic Wissensdatenbanken, die der Agent nur bei Bedarf über ein Suchwerkzeug abruft. Alternativ ließen sich solche Informationen als Referenzdateien in einen Skill einbetten. Anthropic rät davon ab, solchen Kontext per Code abzurufen und direkt in Prompts einzufügen.
Zuvor zeigte eine Studie von Vals, dass Agenten-Teams zwar schneller sein können als einzelne Agenten, aber keine höhere Qualität liefern. Der Sprung von zehn auf 30 oder 100 Agenten brachte keine Vorteile, dafür aber deutlich höhere Kosten. Der OpenAI-Entwickler Eric Provencher bezeichnete Agenten-Schwärme gar als "mit hoher Wahrscheinlichkeit" verschwendetes Geld.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
