شرکت Anthropic در مقاله‌ای که ۳۰ مهر ۱۴۰۵ (۲۲ اکتبر ۲۰۲۶) منتشر کرد به شرکت‌ها پیشنهاد داد زیرایجنت‌ها (subagents) را، تا جای ممکن، در یک ایجنت اصلی با یک حلقه‌ی کاری ادغام کنند. دلیل: مدل‌های تازه‌ی Claude حالا برنامه‌های پیچیده را در همان یک حلقه به‌خوبی اداره می‌کنند و زنجیره‌ی زیرایجنت‌ها فقط تأخیر، هزینه و گم‌شدنِ اطلاعات اضافه می‌کند. The Decoder هم این خبر را ۳ آبان (۲۵ اکتبر) گزارش کرد.
Anthropic دقیقاً چه گفت؟
مقاله‌ی «ساخت ایجنت: چه وقت زیرایجنت‌ها را در حلقه‌ی اصلی ادغام کنیم» می‌گوید بسیاری از شرکت‌ها ایجنتشان را شبیه نمودار سازمانی خودشان ساخته‌اند: برای هر بخش یک زیرایجنت. نتیجه معمولاً یک پرامپت سیستمیِ بزرگ و درهم است که Anthropic نامش را «Frankenprompt» گذاشته. پیشنهاد شرکت این است که کار به‌صورت «مهارت» (skill) بسته‌بندی شود و ایجنت اصلی هر مهارت یا ابزار را فقط وقتی لازم شد بارگذاری کند.
برای انجام عملیِ همین کار می‌توانی از چت با هوش مصنوعی به فارسی در هوش نو استفاده کنی.
عددهایی که در مقاله آمده
- پرامپت سیستمی Claude Code برای مدل‌های جدیدتر بیش از ۸۰ درصد کوتاه شد.
- در یک مشتری، حلقه‌ی تک‌ایجنتی حدود دو برابر سریع‌تر از سامانه‌ی چندایجنتی بود.
- انتخاب ابزار توسط مدل وقتی تعریف‌ها از ۳۰ تا ۵۰ بیشتر می‌شود بدتر می‌شود.
- یک شرکت در ایجنت پاسخ‌گوی مشتریانش ده‌ها زیرایجنت تخصصی داشت و حفظ یکدستیِ لحن برند سخت شده بود.
The Decoder همچنین به پژوهشی از Vals اشاره می‌کند که می‌گوید رفتن از ۱۰ ایجنت به ۳۰ یا ۱۰۰ ایجنت کیفیت را بالاتر نبرد و هزینه را بسیار زیاد کرد. این با پژوهش تازه درباره‌ی ابزارهای کدنویسی که اینجا نوشتیم هم‌جهت است: بیشتر بودن اجزا همیشه کیفیت بیشتر نمی‌آورد.
پس زیرایجنت دیگر بی‌فایده است؟
نه. خودِ Anthropic سه حالت را نگه می‌دارد که زیرایجنت هنوز معنا دارد:
- کاهش قابل‌اندازه‌گیریِ کیفیت به‌خاطر پرشدنِ پنجره‌ی زمینه (context).
- چند کارِ مستقل که باید همزمان و هرکدام با زمینه‌ی تازه اجرا شوند، مثل چند مسیر پژوهشی جدا.
- مشکل در انتخاب ابزار یا دستورهای متناقض در یک پرامپت.
هشدارِ عملی هم هست: ادغامِ کورکورانه ممکن است فرایند سالم را خراب کند. در یک آزمون، بعد از ادغام یک زیرایجنت، تأخیر کم شد ولی ایجنت اصلی به‌جای مشورت با متخصص خودش جواب داد. توصیه این است که اول یک ارزیابیِ کوچک بسازید (حتی ۱۰ نمونه‌ی طلایی کافی است)، زیرایجنت‌ها را یکی‌یکی ادغام کنید و نسخه‌ی بهتر را نگه دارید. Anthropic یک بسته‌ی کمکی هم در GitHub گذاشته است.
این یعنی چه برای کاربرِ فارسی‌زبان؟
اگر خودتان ایجنت می‌سازید (مثلاً دستیار پشتیبانی یا ابزار تحلیل داده)، سه نکته‌ی ساده به کار می‌آید: با یک ایجنت و چند ابزار شروع کنید؛ ابزارها را بر اساس هدف کاربر گروه‌بندی کنید نه یکی برای هر API؛ و پیش از اضافه‌کردن بخش تازه، ارزیابی بنویسید. این توصیه‌ها از سازنده‌ی مدل است، پس لزوماً برای مدل‌های دیگر هم درست نیست و باید با نمونه‌های خودتان بسنجید. اگر هنوز با مفهوم ایجنت آشنا نیستید، راهنمای ایجنت هوش مصنوعی چیست را بخوانید و درباره‌ی ریسک‌ها، خبر Guardian Agents مایکروسافت را.
برای امتحان‌کردنِ مدل‌های Claude، GPT و Gemini به زبان فارسی می‌توانید به ابزارهای هوش‌نو سر بزنید. اگر سرویس رسمی یک شرکت از ایران در دسترس نیست، هوش‌نو دسترسی فارسی به مدل‌های مشابه را فراهم می‌کند.
سؤالات متداول
یک مثال ساده برای فهم ماجرا
فرض کنید ایجنتی برای پشتیبانی یک فروشگاه می‌سازید. در روش قدیمی، یک ایجنت مسیریاب سؤال را به زیرایجنت «ارسال»، «بازگشت کالا» یا «پرداخت» می‌دهد و هرکدام پرامپت و ابزار خودشان را دارند. هر بار که کار از دستی به دستی می‌رود، بخشی از زمینه‌ی گفتگو گم می‌شود و مشتری باید دوباره توضیح بدهد. در روش پیشنهادی، یک ایجنت دارید که فقط وقتی لازم شد مهارت «بازگشت کالا» را بارگذاری می‌کند و همان گفتگو را ادامه می‌دهد. نتیجه: پاسخ یکدست‌تر و سریع‌تر، و نگهداری آسان‌تر، چون یک پرامپت اصلی دارید نه چند ده پرامپت پراکنده. البته همان‌طور که گفته شد، این را باید با ارزیابی خودتان بسنجید و صرفاً به عددهای Anthropic تکیه نکنید.
برای دیدن نمونه‌ای از محصول ایجنتیِ Anthropic، خبرClaude Duet؛ ایجنت همیشه‌روشن Anthropic را هم ببینید.
تک‌ایجنت همیشه از چندایجنت بهتر است؟
نه. Anthropic می‌گوید فقط وقتی مدل بتواند پیچیدگی را در یک حلقه اداره کند. برای کارهای موازی یا زمینه‌ی بسیار بزرگ، زیرایجنت هنوز مفید است.
«مهارت» یا skill چیست؟
بسته‌ای از دستورها و فایل‌های کمکی برای یک کار مشخص که ایجنت فقط هنگام نیاز بارگذاری می‌کند، به‌جای اینکه همه‌چیز را در پرامپت اصلی بریزید.
این توصیه برای مدل‌های دیگر هم صادق است؟
مقاله درباره‌ی مدل‌های Claude نوشته شده. برای مدل‌های دیگر باید خودتان آزمایش کنید.
