Perché consolidare i sub‑agenti?
Anthropic consiglia alle aziende di verificare se sia possibile unire i sub‑agenti in un unico agente principale che carichi il contesto solo quando necessario. L’esperienza dell’azienda mostra che i sub‑agenti specializzati aumentano la latenza, i costi e provocano perdita di informazioni ad ogni passaggio.
Il nuovo approccio sfrutta i modelli più recenti – Opus 4.5, Opus 5.5 e Fable 5.1 – capaci di gestire piani complessi in un singolo ciclo, riducendo tempi di attesa e spese operative. In un confronto diretto, l’architettura a agente unico ha mostrato una velocità circa doppia rispetto a quella a più agenti.
Esperienze concrete
Le osservazioni derivano da numerosi deployment aziendali. Il team Applied AI di Anthropic ha scoperto che un unico agente, dotato di “skill” on‑demand, supera sia i design monolitici sia le configurazioni a sub‑agenti in termini di qualità.
Un caso di studio evidenzia un’azienda con una dozzina di sub‑agenti specializzati all’interno di un agente di front‑office. La proliferazione di agenti ha reso difficile mantenere coerenza di brand e ha aumentato la latenza, penalizzando l’usabilità.
Come funziona l’architettura a agente unico
Nel flusso multi‑agente, il contesto si perde ad ogni handoff tra scrittura feature, generazione test e revisione codice. Con un agente unico, lo stesso modello scrive feature e test, avendo già tutto il contesto, mentre un verificatore separato esegue i test e riporta i risultati.
Molti design di agenti tradizionali includono fasi di rilevamento intento, pipeline fissa, segmentazione utente e rami di raccomandazione, con un orchestratore esterno. Ora il modello può gestire autonomamente queste operazioni, eliminando la necessità di un orchestratore dedicato.
Il “Frankenprompt” e la legge di Conway
Anthropic definisce “Frankenprompt” la situazione in cui ogni team aggiunge regole al prompt di sistema, creando conflitti. Questo fenomeno segue la “legge di Conway” per gli agenti: l’architettura riflette la struttura organizzativa, portando a centinaia di agenti sovrapposti senza standard condivisi.
Una soluzione proposta è mantenere un prompt di sistema pulito, utilizzare quattro‑cinque strumenti dati snelli e impostare guardrail di output fissi. Con i nuovi modelli, il prompt di Claude Code è stato ridotto di oltre 80 % grazie al caricamento on‑demand di skill e tool.
Quando i sub‑agenti rimangono utili
Anthropic ammette che i sub‑agenti possono ancora avere senso in alcuni scenari:
- Quando la finestra di contesto dell’agente unico mostra una degradazione misurabile delle prestazioni.
- Quando più task devono essere eseguiti in parallelo con finestre di contesto separate.
- Quando l’agente unico fatica a scegliere lo strumento più appropriato.
In questi casi, l’utilizzo di sub‑agenti mirati può preservare l’efficienza senza sacrificare la qualità.
Kit di migrazione su GitHub
Per supportare le imprese, Anthropic ha pubblicato un kit di migrazione su GitHub. Il kit guida le squadre attraverso:
- Identificazione dei pattern esistenti.
- Valutazione delle alternative.
- Verifica dell’approccio migliore.
Anthropic avverte contro una fusione indiscriminata: in un test con un agente di supporto, l’integrazione di un sub‑agente ha ridotto la latenza ma ha interrotto un processo funzionante, poiché l’agente principale ha iniziato a rispondere autonomamente anziché consultare lo specialista.
Gestione delle skill e dei tool
Per evitare la proliferazione di skill, Anthropic raccomanda di:
- Imballare i workflow in “skill” riutilizzabili.
- Caricare gli strumenti tramite una ricerca di tool on‑demand.
- Affidare a un piccolo team centrale la gestione del prompt di sistema e della qualità complessiva.
- Limitare il numero di definizioni di tool a 30‑50, poiché oltre questo limite la capacità di selezione dello strumento peggiora.
Le knowledge base – linee guida, specifiche prodotto, definizioni metriche – dovrebbero essere interrogate solo quando necessario mediante uno strumento di ricerca, oppure incorporate come file di riferimento all’interno di una skill.
Anthropic sconsiglia di recuperare il contesto tramite codice e iniettarlo direttamente nei prompt, pratica che può introdurre incoerenze e aumentare la complessità.
Conferma da studi indipendenti
I risultati di Anthropic sono in linea con ricerche recenti. Uno studio di Vals ha scoperto che team di agenti possono essere più veloci ma non offrono una qualità superiore. L’espansione da 10 a 30 o 100 agenti non ha prodotto guadagni qualitativi, ma ha aumentato notevolmente i costi.
Eric Provencher di OpenAI ha inoltre messo in dubbio il valore delle “swarms” di agenti, definendole “quasi certamente” uno spreco di denaro.
Prospettive future
Con i modelli più potenti capaci di gestire piani complessi in un unico ciclo, la tendenza sembra muoversi verso architetture più snodate e centralizzate. La riduzione dei prompt, l’uso on‑demand di skill e tool, e la capacità dei modelli di auto‑monitorare il proprio progresso promettono di semplificare lo sviluppo di soluzioni AI, riducendo costi e latenza senza compromettere la qualità.