Anthropic เผย AI Agent ตัวเดียวทำงานชนะระบบ Multi-Agent

ประเด็นสำคัญ

• Anthropic แนะนำให้บริษัทต่างๆ ประเมินการรวม sub-agent เข้าเป็น agent ตัวเดียวที่สามารถโหลด context ตามความต้องการได้
• ผลการใช้งานจริงชี้ให้เห็นว่าการมี sub-agent เฉพาะทางจำนวนมากนำไปสู่ latency ที่สูงขึ้น, ค่าใช้จ่ายที่เพิ่มขึ้น และเสี่ยงต่อการสูญเสียข้อมูลระหว่างการส่งต่อ
• มีการเผยแพร่ชุดเครื่องมือสำหรับการย้ายระบบ (migration kit) บน GitHub เพื่อสนับสนุนการเปลี่ยนผ่านของทีมพัฒนา

Anthropic พบว่าการใช้ agent ตัวเดียวที่มีระบบโหลด context ตามความเหมาะสม มักให้ประสิทธิภาพเหนือกว่าสถาปัตยกรรมแบบ multi-agent ทั้งในด้านคุณภาพ ต้นทุน และความเร็ว โดยบริษัทกำลังปล่อยชุดเครื่องมือเพื่อช่วยทีมงานในการประเมินและเปลี่ยนโหมดการทำงาน

Anthropic แนะนำให้องค์กรต่างๆ พิจารณารวม sub-agent เข้าด้วยกัน เนื่องจากโมเดลรุ่นใหม่ตั้งแต่ Opus 4.5, Opus 5.5 ไปจนถึง Fable 5.1 มีขีดความสามารถในการจัดการแผนงานที่ซับซ้อนได้เองในลูปเดียว ซึ่งช่วยลดทั้งต้นทุนและเวลาในการรอ ผลการเปรียบเทียบพบว่าสถาปัตยกรรม agent ตัวเดียวทำงานเร็วกว่าระบบ multi-agent ถึงประมาณสองเท่า

คำแนะนำนี้มาจากประสบการณ์ตรงใน enterprise deployments โดยทีม Applied AI ของ Anthropic พบว่าการใช้ agent ตัวเดียวที่เลือกใช้ทักษะ (skills) ตามสถานการณ์ ให้ผลลัพธ์ที่ดีกว่าทั้งการเขียน prompt แบบก้อนเดียว (monolithic) และการใช้ sub-agent จำนวนมาก ตัวอย่างเช่น ระบบบริการลูกค้าที่มี sub-agent กว่าสิบตัวมักประสบปัญหาเรื่องความต่อเนื่องของแบรนด์และ latency ที่สูงจนส่งผลเสียต่อผู้ใช้งาน

โมเดลรุ่นใหม่จัดการด้าน Orchestration ได้ด้วยตัวเอง

Anthropic ระบุว่าเดิมทีการออกแบบ agent มักจะแยกส่วนการตรวจจับเจตนา (intent detection) และมี orchestrator ควบคุมอยู่ด้านบน แต่ปัจจุบันโมเดลสามารถจัดการงานเหล่านี้ได้เองเกือบทั้งหมด

โครงสร้างแบบเดิมมักสะท้อน "กฎของ Conway" ที่สถาปัตยกรรมระบบกลายเป็นเงาตามตัวของแผนผังองค์กร จนเกิด sub-agent ทับซ้อนกันนับร้อยและนำไปสู่สิ่งที่เรียกว่า "Frankenprompt" หรือการที่แต่ละทีมรุมใส่กฎใน system prompt จนขัดแย้งกันเอง ซึ่ง Anthropic ยืนยันว่า system prompt ที่สะอาด พร้อม data tools ที่กระชับเพียง 4-5 ตัว ก็ครอบคลุมการใช้งานส่วนใหญ่ได้แล้ว

เห็นได้ชัดจากกรณีของ Claude Code ที่ Anthropic ลดขนาด system prompt ลงกว่า 80 เปอร์เซ็นต์ เนื่องจากโมเดลรุ่นใหม่สามารถเลือกโหลดทักษะและเครื่องมือเฉพาะที่จำเป็นเท่านั้น รวมถึงสามารถตรวจสอบความถูกต้องของงานตัวเองได้ ทำให้เลเยอร์การควบคุมส่วนเกินไม่จำเป็นอีกต่อไป

อย่างไรก็ตาม sub-agents ยังคงมีประโยชน์ในบางกรณี เช่น เมื่อ context window ของ agent ตัวเดียวเริ่มทำงานช้าลงอย่างเห็นได้ชัด หรือเมื่อมีความจำเป็นต้องรันงานขนานกันหลายอย่างในเวลาเดียวกัน

สำหรับการเปลี่ยนผ่าน Anthropic ได้แจก migration kit บน GitHub เพื่อช่วยวิเคราะห์ workflow แต่ก็ได้เตือนว่าไม่ควรยุบรวมโดยไม่ทดสอบ เพราะในการทดสอบหนึ่งพบว่าการรวม sub-agent ช่วยลด latency ได้จริง แต่กลับทำให้กระบวนการผิดเพี้ยนไป เนื่องจาก agent หลักพยายามตอบคำถามเองแทนที่จะส่งต่อให้ผู้เชี่ยวชาญ

แนวทางป้องกันคลังทักษะขยายตัวเกินความจำเป็น

แทนที่จะแยก agent ตามทีม Anthropic แนะนำให้รวม workflow เข้าเป็น skills และใช้ระบบ tool search เพื่อโหลดเครื่องมือตามสั่ง โดยควรมีทีมกลางดูแลคุณภาพของ system prompt ในภาพรวม และต้องระวังไม่ให้มีเครื่องมือในคลังเกิน 30-50 รายการ เพื่อไม่ให้ประสิทธิภาพการเลือก tool ลดลง

สำหรับการใช้ข้อมูลอ้างอิง Anthropic แนะนำให้ใช้ knowledge bases ผ่านเครื่องมือค้นหาแทนการดึง context ผ่านโค้ดมาใส่ใน prompt โดยตรง ซึ่งสอดคล้องกับ การศึกษาโดย Vals ที่พบว่าการเพิ่มจำนวน agent จาก 10 เป็น 100 ตัวไม่ได้ช่วยเพิ่มคุณภาพ แต่กลับเพิ่มต้นทุนมหาศาล สอดรับกับความเห็นของ Eric Provencher จาก OpenAI ที่มองว่าการทำ agent swarms เป็นการสิ้นเปลืองโดยใช่เหตุ