Anthropic радить простіших AI-агентів
Anthropic підсумувала рік роботи з десятками команд, які будують LLM-агентів у різних галузях. Найуспішніші впровадження, за її спостереженням, спиралися не на складні фреймворки, а на прості патерни: augmented LLM із пошуком, інструментами й пам’яттю, prompt chaining, routing, parallelization та evaluator-optimizer.
Головна теза: агентні системи варто ускладнювати лише тоді, коли це вимірювано покращує результат. Часто достатньо одного LLM-виклику з retrieval та прикладами; автономні агенти дають гнучкість, але збільшують затримку, вартість і ризик накопичення помилок.
Що це означає для бізнесу: не починайте з «агента заради агента». Для підтримки, кодингу чи аналітики спершу визначте задачу, метрики якості й межі автономності, протестуйте простий workflow у sandbox, а вже потім додавайте інструменти, MCP і людські checkpoint’и.
Anthropic розділяє workflow і agents
У джерелі Anthropic уточнює, що слово agent клієнти використовують по-різному. Для одних це повністю автономна система, яка довго працює самостійно і користується різними інструментами для складних задач. Для інших це більш прописана реалізація, де кроки наперед визначені.
Сама Anthropic називає все це agentic systems, але проводить архітектурну межу між workflows і agents. Workflow краще підходять для добре визначених задач, де потрібні передбачуваність і стабільність. Agents доречніші там, де потрібна гнучкість і рішення, які модель ухвалює сама у масштабі.
- Workflow: послідовність або схема дій, яку команда контролює наперед.
- Agent: система, де модель сама вирішує, як рухатися до результату.
- Спільний ризик: складність часто додає затримку і вартість.
Чому Anthropic радить не починати з фреймворків
За досвідом Anthropic з десятками команд, фреймворки справді спрощують старт: вони беруть на себе виклики LLM, опис і парсинг інструментів, а також ланцюжки викликів. Але саме це створює додаткові шари абстракції.
Проблема не в тому, що фреймворки погані. Anthropic пише, що вони можуть приховувати реальні prompts і responses, через що систему важче налагоджувати. Ще один ризик: команда починає додавати складність просто тому, що інструмент дозволяє це зробити.
Рекомендація в джерелі проста: починати з прямих LLM API. Багато патернів, за словами Anthropic, можна реалізувати кількома рядками коду. Якщо фреймворк усе ж використовується, команда має розуміти, що відбувається під капотом, бо неправильні припущення про внутрішню логіку є частою причиною помилок у клієнтів.
Базовий блок: augmented LLM
Anthropic описує augmented LLM як базовий елемент агентних систем. Це модель, доповнена retrieval, tools і memory. У джерелі підкреслюється, що поточні моделі можуть самі генерувати пошукові запити, вибирати відповідні інструменти і вирішувати, яку інформацію зберегти.
Для впровадження Anthropic радить сфокусуватися не на кількості інтеграцій, а на двох речах: чи ці можливості підлаштовані під конкретний use case і чи має модель простий, добре задокументований інтерфейс до них.
- Retrieval дає моделі доступ до потрібної інформації.
- Tools дозволяють виконувати дії або звертатися до зовнішніх систем.
- Memory допомагає зберігати інформацію, яку система має враховувати далі.
Model Context Protocol, за Anthropic, є одним зі способів підключати сторонні інструменти через просту клієнтську реалізацію.
Що це змінює для бізнес-команд
Для керівника, фінансиста чи юриста висновок не в тому, щоб самостійно обирати архітектуру. Висновок у тому, як оцінювати пропозицію від технічної команди або підрядника. Якщо рішення починається зі складного агента, джерело Anthropic дає підставу спершу запитати, чи не вистачить одного LLM-виклику з retrieval і прикладами в контексті.
Практичний критерій у джерелі такий: ускладнення має бути потрібним для кращого виконання задачі. Agentic systems часто міняють latency і cost на кращий task performance. Тобто для бізнесу це не питання модного терміна, а питання того, чи виправдовує результат додаткову вартість і повільнішу роботу.
Джерело не дає цін, дат запуску, умов доступу або списку продуктів, для яких це правило застосовується. Це не анонс сервісу, а технічна рекомендація Anthropic на основі роботи з клієнтами і власного досвіду побудови agents. Також у наданому фрагменті не розкрито приклади з Appendix 1, хоча Anthropic зазначає, що там описані два домени, де клієнти знайшли особливу цінність у таких системах.