Anthropic می‌گوید با افزایش توانایی مدل‌ها در مدیریت پیچیدگی، یک عامل هوش مصنوعی می‌تواند از چندین عامل فرعی بهتر عمل کند
Anthropic به این نتیجه رسیده است که یک عامل هوش مصنوعی با قابلیت بارگذاری اطلاعات موردنیاز در زمان مناسب، اغلب از معماری‌های چندعاملی از نظر کیفیت، هزینه و سرعت عملکرد بهتر است. این شرکت بسته‌ای برای کمک به ارزیابی و اجرای این تغییر منتشر کرده است.
Anthropic به شرکت‌ها توصیه می‌کند بررسی کنند که آیا می‌توانند چندین عامل فرعی را در یک عامل اصلی ادغام کنند یا نه. تجربه این شرکت نشان می‌دهد عاملی که اطلاعات موردنیازش را در صورت لزوم دریافت می‌کند، اغلب عملکرد بهتری از مجموعه‌ای از عوامل تخصصی دارد. مدل‌های جدیدتر، از جمله Opus 4.5، Opus 5.5 و Fable 5.1، می‌توانند برنامه‌های پیچیده را مستقیماً در یک چرخه اجرایی مدیریت کنند؛ قابلیتی که می‌تواند هزینه‌ها و زمان انتظار را نیز کاهش دهد. به گفته Anthropic، در یکی از مقایسه‌ها، معماری تک‌عاملی تقریباً دو برابر سریع‌تر از ساختار چندعاملی عمل کرده است.
این توصیه بر تجربه عملی تیم هوش مصنوعی کاربردی Anthropic در چندین استقرار سازمانی استوار است. این تیم دریافت که استفاده از یک عامل مجهز به قابلیت‌هایی موسوم به «مهارت‌ها» (Skills) اغلب از نظر کیفیت، هم از طراحی‌های یکپارچه مبتنی بر دستورهای متنی بزرگ و هم از معماری‌های متکی بر عوامل فرعی بهتر عمل می‌کند. برای مثال، یک شرکت در عامل ارتباط با مشتری خود ۱۲ عامل فرعی تخصصی به کار گرفته بود. این ساختار حفظ تجربه‌ای یکپارچه و هماهنگ با هویت برند را دشوار کرده بود و به دلیل تأخیر زیاد، تجربه کاربری را نیز تضعیف می‌کرد. جزئیات بیشتر در گزارش Anthropic درباره ساخت عوامل تجاری مؤثر آمده است.
مدل اکنون می‌تواند بخش بزرگی از کار هماهنگ‌سازی را خودش انجام دهد
به گفته Anthropic، بسیاری از طراحی‌های عامل‌های هوش مصنوعی از الگوی آشنایی پیروی می‌کنند: تشخیص قصد کاربر، یک خط لوله پردازش از پیش تعیین‌شده، بخش‌بندی کاربران، شاخه‌های جداگانه برای ارائه پیشنهادها و یک هماهنگ‌کننده در رأس ساختار. با این حال، مدل اکنون می‌تواند بخش بزرگی از این وظایف را متناسب با کاربرد موردنظر به‌تنهایی انجام دهد.
Anthropic این وضعیت را «قانون کانوی» در دنیای عامل‌های هوش مصنوعی می‌نامد. بر اساس این الگو، معماری فنی به نسخه‌ای از نمودار سازمانی شرکت تبدیل می‌شود؛ هر تیم عامل فرعی مخصوص خود را عرضه می‌کند و در نهایت صدها عامل هم‌پوشان، بدون استانداردهای مشترک، روی هم انباشته می‌شوند. پیامد این وضعیت چیزی است که Anthropic آن را «فرانکن‌پرامپت» (Frankenprompt) می‌خواند: هر تیم قواعدی به دستور متنی سیستم اضافه می‌کند و این قواعد در نهایت با یکدیگر تناقض پیدا می‌کنند. به گفته این شرکت، برای بسیاری از کاربردها، یک دستور متنی سیستمِ منسجم، چهار یا پنج ابزار داده‌ای ساده و محدودیت‌های مشخص برای قالب خروجی کافی است.
برای نمونه، Anthropic حجم دستور متنی سیستم در Claude Code را برای مدل‌های جدیدتر بیش از ۸۰ درصد کاهش داده است؛ بخشی از این کاهش به این دلیل امکان‌پذیر شده که مهارت‌ها و ابزارها فقط هنگام نیاز بارگذاری می‌شوند. این شرکت همچنین می‌گوید مدل‌های جدیدتر می‌توانند روند پیشرفت خود را توضیح دهند و کارشان را بررسی کنند؛ قابلیتی که ممکن است نیاز به برخی لایه‌های کنترلی اضافی را از بین ببرد. Anthropic جزئیات بیشتری درباره این تغییر و اصول جدید مهندسی زمینه برای مدل‌های نسل جدید Claude منتشر کرده است.
با این حال، Anthropic تأکید می‌کند که عوامل فرعی همچنان در شرایط مشخصی مفیدند: زمانی که افت عملکرد ناشی از محدودیت پنجره زمینه یک عامل به‌طور قابل‌اندازه‌گیری مشاهده شود؛ زمانی که چند وظیفه باید به‌صورت موازی و با پنجره‌های زمینه جداگانه اجرا شوند؛ یا زمانی که یک عامل اصلی در انتخاب ابزار مناسب با مشکل مواجه باشد.
Anthropic برای راهنمایی تیم‌ها در فرایند مهاجرت، یک بسته راهنمای انتقال در گیت‌هاب منتشر کرده است. این بسته مراحل شناسایی الگوهای موجود، ارزیابی گزینه‌های جایگزین و بررسی رویکرد مناسب را توضیح می‌دهد. با این حال، شرکت هشدار می‌دهد که نباید عوامل فرعی را بدون ارزیابی در عامل اصلی ادغام کرد. در یکی از آزمایش‌ها با یک عامل پشتیبانی مشتری، ادغام یک عامل فرعی زمان پاسخ‌گویی را کاهش داد، اما فرایندی را که پیش‌تر درست کار می‌کرد، مختل کرد: عامل اصلی به‌جای مراجعه به متخصص مناسب، خودش شروع به پاسخ‌گویی کرد.
تیم‌ها باید از گسترش بی‌رویه کتابخانه مهارت‌ها جلوگیری کنند
Anthropic به‌جای اختصاص دادن یک عامل جداگانه به هر تیم، توصیه می‌کند گردش‌های کاری در قالب مهارت‌ها (Skills) بسته‌بندی شوند و ابزارها در صورت نیاز، از طریق قابلیت جست‌وجوی ابزارها بارگذاری شوند. یک تیم مرکزی کوچک باید مسئولیت دستور متنی سیستم و کیفیت کلی را بر عهده داشته باشد. Anthropic همچنین خاطرنشان می‌کند که توانایی مدل در انتخاب ابزار معمولاً با عبور تعداد تعریف‌های ابزار از ۳۰ تا ۵۰ مورد، افت می‌کند. بنابراین، افراد مشخصی در هر تیم باید مسئول نگهداری کتابخانه مهارت‌ها باشند تا این مجموعه بیش از اندازه بزرگ نشود.
برای اطلاعات مرجع مانند دستورالعمل‌ها، مشخصات محصولات یا تعریف شاخص‌ها، Anthropic استفاده از پایگاه‌های دانش را پیشنهاد می‌کند که عامل فقط هنگام نیاز و از طریق ابزار جست‌وجو به آن‌ها مراجعه کند. این اطلاعات را می‌توان به‌صورت فایل مرجع درون یک مهارت نیز قرار داد. در مقابل، Anthropic توصیه می‌کند اطلاعات زمینه‌ای با اجرای کد استخراج و مستقیماً به دستورهای متنی تزریق نشوند.
یافته‌های Anthropic با نتایج پژوهش‌های اخیر هم‌خوانی دارد. مطالعه‌ای از سوی Vals نشان داد که گروه‌های متشکل از چند عامل ممکن است سریع‌تر از یک عامل منفرد عمل کنند، اما کیفیت بالاتری ارائه نمی‌دهند. بر اساس این پژوهش، افزایش تعداد عامل‌ها از ۱۰ به ۳۰ یا ۱۰۰ مورد، به بهبود کیفیت منجر نشد، اما هزینه‌ها را به‌طور چشمگیری افزایش داد. گزارش این پژوهش جزئیات بیشتری ارائه می‌کند. اریک پروونچر، توسعه‌دهنده OpenAI، نیز ارزش استفاده از انبوه عامل‌های هوش مصنوعی را زیر سؤال برده و گفته است که این رویکرد «تقریباً به‌طور قطع» به معنای هدر دادن پول است. اظهارات او درباره هزینه و کارایی گروه‌های بزرگ عامل‌ها نیز پیش‌تر منتشر شده است.
منبع: Anthropic