Anthropic empfiehlt einen einzigen KI-Agenten statt vieler Subagenten
Anthropic rät Unternehmen zu prüfen, ob sich mehrere Subagenten in einen einzelnen Agenten mit bedarfsgesteuertem Kontext zusammenfassen lassen. In einem Architekturvergleich lief das Single-Agent-Setup rund doppelt so schnell; ein Migration Kit gibt es auf GitHub.
Anthropic hat festgestellt, dass ein einzelner Agent mit bedarfsgesteuertem Kontext in Qualität, Kosten und Latenz häufig bessere Ergebnisse liefert als Multi-Agent-Setups. Das Unternehmen veröffentlicht ein Migration Kit, das Teams bei der Bewertung und dem Umstieg helfen soll.
Anthropic empfiehlt Unternehmen zu prüfen, ob sie Sub-Agents zusammenlegen können, weil ein einzelner primärer Agent, der Kontext bei Bedarf nachlädt, häufig bessere Ergebnisse liefert als eine Flotte spezialisierter Agenten. Neuere Modelle beginnend mit Opus 4.5 sowie Opus 5.5 und Fable 5.1 können komplexe Pläne direkt in einer einzigen Schleife verwalten, was auch Kosten und Wartezeiten reduzieren kann. In einem Vergleich lieferte Anthropic zufolge die Single-Agent-Architektur etwa doppelt so schnell Ergebnisse wie das Multi-Agent-Setup.
Die Empfehlung basiert auf praktischen Erfahrungen aus mehreren Unternehmens-Deployments, bei denen das Applied AI Team von Anthropic feststellte, dass ein einzelner Agent mit sogenannten Skills sowohl monolithische Prompt-Designs als auch Sub-Agent-Setups in der Qualität häufig übertraf. Ein Unternehmen hatte beispielsweise ein Dutzend spezialisierter Sub-Agents in seinem kundengerichteten Agenten integriert, was es erschwerte, ein konsistentes Markenerlebnis zu gewährleisten, und durch hohe Latenz die Benutzerfreundlichkeit beeinträchtigte.
Laut Anthropic folgen viele Agent-Designs einem vertrauten Muster mit Intent-Erkennung, einer festen Verarbeitungspipeline, User-Segmentierung, separaten Empfehlungszweigen und einem Orchestrator an der Spitze. Ein Großteil davon ist Arbeit, die das Modell inzwischen für den jeweiligen Anwendungsfall selbstständig übernehmen kann.
Anthropic nennt das das "Conwaysche Gesetz" für Agenten. Die Architektur wird zum Abbild des Organigramms, wobei jedes Team seinen eigenen Sub-Agenten ausliefert, bis sich hunderte sich überschneidende Agenten ohne gemeinsame Standards anhäufen. Daraus entsteht, was Anthropic einen "Frankenprompt" nennt, bei dem jedes Team Regeln zum System-Prompt hinzufügt, die sich am Ende widersprechen. Ein sauberer System-Prompt, vier oder fünf schlanke Daten-Tools und feste Output-Guardrails decken laut dem Unternehmen einen Großteil des jeweiligen Anwendungsfalls ab.
Als Beispiel verkleinerte Anthropic den System-Prompt von Claude Code für neuere Modelle um mehr als 80 Prozent, unter anderem weil Skills und Tools nun nur bei Bedarf geladen werden. Neuere Modelle kommentieren auch ihren eigenen Fortschritt und prüfen ihre eigene Arbeit, wodurch einige der zusätzlichen Kontrollschichten überflüssig werden können.
Anthropic zufolge machen Sub-Agents weiterhin Sinn, wenn das Kontextfenster eines einzelnen Agents eine messbare Leistungsminderung zeigt, wenn mehrere Aufgaben parallel mit separaten Kontextfenstern ausgeführt werden müssen oder wenn ein einzelner Agent bei der Tool-Auswahl Schwierigkeiten hat.
Für eine schrittweise Migration hat Anthropic ein Migration Kit auf GitHub veröffentlicht, das Teams durch einen Workflow führt, um bestehende Muster zu identifizieren, Alternativen zu bewerten und den besten Ansatz zu verifizieren. Anthropic warnt vor blindem Zusammenlegen, da in einem Test mit einem Support-Agenten das Zusammenführen eines Sub-Agenten zwar die Latenz reduzierte, aber einen zuvor funktionierenden Prozess zerstörte. Der primäre Agent begann, selbstständig zu antworten, statt den richtigen Spezialisten zu konsultieren.
Statt jedem Team seinen eigenen Agenten zu geben, empfiehlt Anthropic, Workflows als Skills zu paketieren und Tools auf Abruf über eine Toolsuche zu laden. Ein kleines zentrales Team sollte den System-Prompt und die Gesamtqualität verantworten. Darüber hinaus weist Anthropic darauf hin, dass die Tool-Auswahl des Modells bei mehr als 30 bis 50 Tool-Definitionen nachlässt, sodass benannte Verantwortliche in jedem Team die Skill-Bibliotheken pflegen sollten, um zu verhindern, dass sie ausufern.
Als Referenzmaterial wie Richtlinien, Produktspezifikationen oder Metrik-Definitionen empfiehlt Anthropic Wissensbasen, die der Agent nur bei Bedarf über ein Suchtool abfragt. Solche Informationen können auch als Referenzdateien in einen Skill eingebettet werden. Anthropic rät davon ab, Kontext über Code abzurufen und direkt in Prompts einzuspeisen.
Anthropics Erkenntnisse decken sich mit aktuellen Forschungsergebnissen. Eine Studie von Vals ergab, dass Agenten-Teams schneller sein können als einzelne Agenten, aber keine höhere Qualität liefern. Eine Skalierung von zehn auf 30 oder 100 Agenten brachte laut der Studie keine Qualitätsvorteile, aber deutlich höhere Kosten. Der OpenAI-Entwickler Eric Provencher hat den Wert von Agenten-Schwärmen ebenfalls in Frage gestellt und sie als "höchstwahrscheinlich" verschwendetes Geld bezeichnet.
Abonniere THE DECODER für werbefreies Lesen, einen wöchentlichen KI-Newsletter, unseren exklusiven "AI Radar" Frontier-Report sechsmal im Jahr, vollen Archivzugang und Zugang zu unserem Kommentarbereich.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Anthropic found that a single agent with on-demand context often outperforms multi-agent setups in quality, cost, and latency. The company is releasing a migration kit to help teams evaluate and make the switch.
Anthropic is recommending that companies evaluate whether they can consolidate sub-agents, because a single primary agent that loads context as needed often delivers better results than a fleet of specialized ones. Newer models starting with Opus 4.5, along with Opus 5.5 and Fable 5.1, can manage complex plans directly in a single loop, which can also reduce costs and wait times. In one comparison, Anthropic says the single-agent architecture ran about twice as fast as the multi-agent setup.
The recommendation comes from hands-on experience across multiple enterprise deployments, where Anthropic's Applied AI team found that a single agent using so-called skills frequently beat both monolithic prompt designs and sub-agent setups on quality. One company, for example, had a dozen specialized sub-agents inside its customer-facing agent, which made it hard to keep a consistent brand experience and hurt usability with high latency. Ad
According to Anthropic, many agent designs follow a familiar pattern with intent detection, a fixed processing pipeline, user segmentation, separate recommendation branches, and an orchestrator sitting on top. Much of that is work the model can now handle on its own for the respective use case. Ad
Anthropic calls it "Conway's Law" for agents. The architecture becomes a copy of the org chart, with each team shipping its own sub-agent until hundreds of overlapping agents pile up with no shared standards. What follows is what Anthropic calls a "Frankenprompt," where every team adds rules to the system prompt that end up contradicting each other. A clean system prompt, four or five lean data tools, and fixed output guardrails cover much of the respective use case, according to the company.
As one example, Anthropic cut the Claude Code system prompt for newer models by over 80 percent, partly because skills and tools now load only when needed. Newer models also comment on their own progress and check their own work, which can make some of the extra control layers unnecessary. Ad
Anthropic says sub-agents still make sense when a single agent's context window shows measurable performance degradation, when multiple tasks need to run in parallel with separate context windows, or when a single agent struggles with tool selection.
For a step-by-step migration, Anthropic has published a migration kit on GitHub that walks teams through a workflow to identify existing patterns, evaluate alternatives, and verify the best approach. Anthropic warns against merging blindly, since in one test with a support agent, folding in a sub-agent did reduce latency but broke a previously working process. The primary agent started answering on its own instead of consulting the right specialist. Ad
Instead of giving every team its own agent, Anthropic recommends packaging workflows into skills and loading tools on demand through a tool search. A small central team should own the system prompt and overall quality. Separately, Anthropic notes that the model's tool selection tends to degrade beyond 30 to 50 tool definitions, so designated owners on each team should maintain the skill libraries to keep them from ballooning. Ad
For reference material like guidelines, product specs, or metric definitions, Anthropic recommends knowledge bases that the agent queries only when needed through a search tool. That kind of information can also be embedded as reference files inside a skill. Anthropic advises against fetching context through code and injecting it directly into prompts.
Anthropic's findings are consistent with recent research. A study by Vals found that agent teams can be faster than single agents but don't deliver higher quality. Scaling from ten to 30 or 100 agents brought no quality gains but significantly higher costs, according to the study. OpenAI developer Eric Provencher has also questioned the value of agent swarms, calling them "almost certainly" wasted money.
Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section.