Il prossimoProssima guida
Contesto lungo vs RAG
Intelligenza artificiale linguistica
GUIDA ALL'AI linguistica
Un subagente è un'istanza di modello separata che un agente AI principale avvia per gestire un sotto-compito mirato.
Ascolta questa guidaNarrato dall'IA · ~3 min
Ottiene una propria finestra di contesto pulita e restituisce solo un risultato sintetizzato. Ciò mantiene il contesto dell'agente principale breve e focalizzato sull'argomento, consentendo al lavoro indipendente di essere eseguito in parallelo, al costo di token extra e del rischio che dettagli importanti vadano persi durante il passaggio di consegne.
Language models work within a limited context window, and quality often drops as that window fills with search results, file contents and old tool outputs, even before the hard limit is reached. Subagents deal with this by splitting the work. The main agent, sometimes called the orchestrator or lead, writes a task description and starts a subagent with a clean context, often with a narrower set of tools. The subagent explores, calls tools and reasons, then sends back a summary. Only that summary enters the main agent's context. The pattern appears in real products. Claude Code, for example, lets users define subagents with their own instructions and tool permissions, and several coding and research agents send exploration work out to parallel workers. Anthropic has written about a multi-agent research system in which a lead agent runs subagents in parallel. It reported gains on broad research questions and much higher token use than a single agent. The tradeoffs are real. Cost goes up because each subagent reloads instructions and repeats some exploration. Coordination gets harder: parallel subagents cannot see each other's work, so they may duplicate effort or make incompatible choices. That is a particular problem when tasks are tightly linked, as in writing different parts of one piece of code. Information is lost because a summary drops details the main agent might have needed, and the subagent knows only what its task description told it. One misconception is that more agents always means better results. Some practitioners argue that for tightly linked work, a single agent with well-managed context is more reliable. Subagents work best for tasks that are independent, heavy on reading and easy to summarize: searching, surveying, checking and gathering.
Un agente di programmazione a cui viene chiesto di correggere un bug avvia un subagente per cercare in un ampio repository ogni chiamante di una funzione. Il subagente legge decine di file e restituisce un elenco di dieci righe di posizioni, in modo che il contesto dell'agente principale non si riempia mai dei contenuti dei file.
Un assistente di ricerca avvia tre subagenti contemporaneamente, uno per ogni sotto-domanda, ciascuno dei quali effettua ricerche sul Web per conto proprio. L'agente principale combina quindi i loro brevi riassunti in un unico rapporto.
Una configurazione di revisione del codice fornisce a un subagente solo il diff e una checklist di revisione. Poiché non ha visto il ragionamento precedente dell'agente principale, è meno probabile che condivida le stesse supposizioni di quell'agente sul motivo per cui il codice è corretto.
Un team scopre che un subagente a cui è stato detto solo di "controllare i test" ha rieseguito l'intera suite e ha segnalato errori non correlati. Risolvono il problema fornendo al subagente il file di test esatto, l'obiettivo e il formato che desiderano ricevere indietro.
I subagenti stanno diventando una funzionalità standard degli agenti di programmazione e ricerca, con un supporto crescente per definizioni personalizzate, permessi di strumenti per singolo subagente ed esecuzione parallela. Le questioni aperte includono come passare uno stato condiviso più ricco tra gli agenti senza riportare l'aumento eccessivo del contesto, e come decidere automaticamente quando suddividere un task vale il costo. Finestre di contesto più ampie e una migliore gestione del contesto, come la sintesi automatica, possono ridurre la necessità di subagenti in alcuni casi. L'isolamento presenta anche vantaggi propri, tra cui una nuova prospettiva, lavoro parallelo e permessi più rigorosi, quindi è probabile che il pattern rimanga utile.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Un subagente è un'istanza di modello separata che un agente AI principale avvia per gestire un sotto-compito mirato. Ottiene una propria finestra di contesto pulita e restituisce solo un risultato sintetizzato. Ciò mantiene il contesto dell'agente principale breve e focalizzato sull'argomento, consentendo al lavoro indipendente di essere eseguito in parallelo, al costo di token extra e del rischio che dettagli importanti vadano persi durante il passaggio di consegne.
L'isolamento del contesto è la caratteristica distintiva. I dettagli di lavoro del subagente rimangono fuori dal contesto principale e viene restituito solo il suo riepilogo.
Grandi quantità di risultati di ricerca vecchi e contenuti di file possono indebolire l'attenzione del modello su ciò che conta ora.
La ricerca è indipendente, incentrata sulla lettura e facile da riassumere, ed è qui che i subagenti danno il meglio di sé.
Le informazioni vengono perse in entrambe le direzioni: il passaggio di consegne limita ciò che il subagente sa e il riepilogo limita ciò che viene restituito.
Ogni subagente parte da zero, quindi la configurazione condivisa e l'esplorazione sovrapposta vengono pagate più di una volta.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Contesto lungo vs RAG
Intelligenza artificiale linguistica