ДалееСледующее руководство
Длинный контекст против RAG
Языковой ИИ
РУКОВОДСТВО ПО ЯЗЫКУ ИИ
Субагент — это отдельный экземпляр модели, в котором основной ИИ-агент начинает выполнять одну целевую подзадачу.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Он получает собственное новое контекстное окно и отправляет обратно только сжатый результат. Это делает контекст главного агента кратким и актуальным, а также позволяет независимой работе выполняться параллельно за счет дополнительных токенов и риска потери важных деталей при передаче.
Языковые модели работают в ограниченном контекстном окне, и качество часто падает по мере того, как это окно заполняется результатами поиска, содержимым файлов и результатами старых инструментов, даже до того, как будет достигнут жесткий предел. Субагенты решают эту проблему путем разделения работы. Главный агент, которого иногда называют оркестратором или ведущим, пишет описание задачи и запускает субагент с чистым контекстом, часто с более узким набором инструментов. Субагент исследует, вызывает инструменты и причины, а затем отправляет обратно сводку. Только это резюме входит в контекст основного агента. Рисунок появляется в реальных продуктах. Claude Code, например, позволяет пользователям определять субагенты со своими собственными инструкциями и разрешениями для инструментов, а некоторые агенты по кодированию и исследованиям отправляют исследовательские работы параллельным работникам. Anthropic написал о многоагентной исследовательской системе, в которой ведущий агент параллельно запускает субагенты. Он сообщил об успехах в широких исследовательских вопросах и гораздо более высоком использовании токенов, чем один агент. Компромиссы реальны. Стоимость возрастает, поскольку каждый субагент перезагружает инструкции и повторяет некоторые исследования. Координация становится сложнее: параллельные субагенты не могут видеть работу друг друга, поэтому они могут дублировать усилия или делать несовместимый выбор. Это особая проблема, когда задачи тесно связаны, например, при написании разных частей одного фрагмента кода. Информация теряется, поскольку в сводке отсутствуют подробности, которые могли понадобиться главному агенту, а субагент знает только то, что ему сказано в описании задачи. Одно из заблуждений состоит в том, что больше агентов всегда означает лучшие результаты. Некоторые специалисты утверждают, что для тесно связанных работ более надежен один агент с хорошо управляемым контекстом. Субагенты лучше всего подходят для независимых, сложных для чтения и простых для обобщения задач: поиск, исследование, проверка и сбор.
Агент кодирования, которого попросили исправить ошибку, запускает субагент для поиска в большом репозитории каждого вызывающего функции. Субагент читает десятки файлов и возвращает список местоположений из десяти строк, поэтому контекст основного агента никогда не заполняется содержимым файла.
Ассистент-исследователь одновременно запускает три субагента, по одному на каждый подвопрос, каждый из которых осуществляет поиск в Интернете самостоятельно. Затем ведущий агент объединяет их краткие сводки в один отчет.
При настройке проверки кода субагенту предоставляются только различия и контрольный список проверки. Поскольку он не видел предыдущих рассуждений главного агента, он с меньшей вероятностью разделит предположения этого агента о том, почему код правильный.
Команда обнаружила, что субагент, которому было сказано только «проверить тесты», повторно запустил весь пакет и сообщил о несвязанных сбоях. Они исправляют это, предоставляя субагенту точный тестовый файл, цель и формат, который они хотят вернуть.
Субагенты становятся стандартной функцией агентов кодирования и исследования, с растущей поддержкой пользовательских определений, разрешений инструментов для каждого субагента и параллельного выполнения. Открытые вопросы включают в себя то, как передавать более богатое общее состояние между агентами, не возвращая при этом раздувание контекста, и как автоматически решать, стоит ли разделение задачи затрат. Большие контекстные окна и лучшее управление контекстом, например автоматическое суммирование, в некоторых случаях могут снизить потребность в субагентах. Изоляция также имеет свои преимущества, в том числе свежий взгляд, параллельную работу и более строгие разрешения, поэтому шаблон, скорее всего, останется полезным.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Субагент — это отдельный экземпляр модели, в котором основной ИИ-агент начинает выполнять одну целевую подзадачу. Он получает собственное новое контекстное окно и отправляет обратно только сжатый результат. Это делает контекст главного агента кратким и актуальным, а также позволяет независимой работе выполняться параллельно за счет дополнительных токенов и риска потери важных деталей при передаче.
Контекстная изоляция является определяющей особенностью. Детали работы субагента остаются вне основного контекста, и возвращается только его сводка.
Большое количество старых результатов поиска и содержимого файлов может ослабить внимание модели к тому, что важно сейчас.
Поиск независим, требует много чтения и легко обобщается, и именно здесь субагенты работают лучше всего.
Информация теряется в обоих направлениях: передача ограничивает то, что знает субагент, а сводка ограничивает то, что возвращается.
Каждый субагент запускается заново, поэтому совместная установка и перекрывающееся исследование оплачиваются более одного раза.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Длинный контекст против RAG
Языковой ИИ