Anthropic u svých agentních nástrojů zkouší nový přístup: o tom, jak se spolupracující agenti uspořádají, má rozhodovat sám model Claude. Podle rozhovoru zveřejněného na webu Latent Space jsou takzvané flows další verzí orchestrace více agentů. Stall, kterého text cituje, je popisuje jako možnost nechat Claude plně řídit celou topologii jeho vlastního multiagentního systému. Topologií se tu myslí uspořádání týmu: kolik agentů se zapojí, kdo komu zadává práci a jak se výsledky vracejí zpět. Základní myšlenka je jednoduchá. Místo pevně navrženého schématu, které předem určí vývojář, si organizaci agentů vybírá Claude. Zdroj tento přístup představuje jako další krok v orchestraci, nikoli jako hotový standard.
Dvě fáze: plán a program
Celý postup má dvě fáze. Vedoucí agent nejprve vytvoří plán, jak chce zadané úkoly splnit. Na jeho základě pak Claude napíše orchestrační program. Ten spouští jednotlivé agenty, sbírá jejich výsledky a řídí tok informací mezi nimi. Plán tak určuje záměr a program zajišťuje jeho provedení.
Podklady v této části nehovoří o výkonu, nákladech ani spolehlivosti takového řešení, proto je zatím nelze hodnotit. Popis ukazuje hlavně změnu v tom, kdo určuje strukturu spolupráce agentů. Dosud museli koordinátora a seznam podřízených agentů nastavit ručně vývojáři, u dynamických workflow rozdělení a orchestraci práce určuje sám Claude.
Změna oproti ručnímu nastavení
Dosavadní postup u Claude Managed Agents byl jasně rozdělený. Vývojář musel ručně nastavit koordinátora a k němu seznam podřízených agentů, tedy subagentů. Teprve na tomto pevném základě se práce dělila a předávala dál. Struktura týmu tak vznikala před spuštěním úlohy a odpovídala tomu, jak si ji navrhl člověk. Koordinátor přitom plnil roli jakéhosi vedoucího, který rozděluje úkoly, zatímco subagenti byli předem určení vykonavatelé. Právě tuto část mají dynamická workflow změnit.
U dynamických workflow rozdělení a orchestraci práce určuje sám Claude. Stall to v rozhovoru popisuje tak, že model v různých fázích multiagentní orchestrace zvládne dílčí, ověřitelné jednotky práce. Vývojář přitom nemusí řídit žádné vzájemné vazby mezi nimi. Důraz na ověřitelné jednotky naznačuje, že se práce dělí na menší kroky, jejichž výsledek lze posoudit samostatně. Další podrobnosti zdroj neuvádí. Jde navíc o Stallovo vlastní vysvětlení, nikoli o nezávislé ověření, proto z podkladů nelze usuzovat, jak spolehlivě tento přístup funguje v praxi. Jisté je jen to, že odpovědnost za návrh spolupráce agentů se přesouvá z vývojáře na model.
Vyšší cena, větší důkladnost
Vyšší flexibilita má svou cenu. Podle Avilly, kterého podklady citují v souvislosti s porovnáním na příkladu skeneru watchlistu, vycházejí flows výrazně dráž než jednoagentní přístup. Jednoagentním přístupem se rozumí varianta, kdy úlohu zpracovává jediný agent bez dalších pomocníků. Avilla uvedl, že flows stojí „mnohem více“. Zdroj přitom nepřináší konkrétní částky ani poměr nákladů, takže nelze odhadnout, o kolik přesně jde. Jde navíc o hodnocení jednoho člověka k jednomu srovnání, nikoli o nezávisle změřený výsledek. Čtenář by si z něj proto neměl odvozovat obecné pravidlo pro všechny úlohy.
Za vyšší náklady se podle stejného srovnání dostává i vyšší účinnost. Avilla uvedl, že flows stály v porovnání s jednoagentním přístupem „mnohem více“, byly však také „mnohem účinnější“ při hledání všech detailů. Podklady označují tento přístup za určený pro velké úlohy. Nastavení rozpočtu je podle zdroje klíčové.
Kolik agentů úloha dostane
Jak se rozhoduje, kolik agentů úloha dostane? Na tuto otázku z publika zareagoval Stall z Anthropicu. Tazatel se ptal, zda by prosté prohledání tickerů nemohlo spustit stovky podřízených agentů. Stall odpověděl, že odpovědí jsou evaly a nižší výchozí hodnoty. Dodal také, že ambiciózní úlohy obvykle vyžadují výslovné vybízení k vyšší paralelizaci, tedy k souběžné práci více agentů najednou.
Model tedy podle Stallových slov sám od sebe nesahá po velkém počtu agentů, pokud ho k tomu zadání nevede. Jednoduchá úloha, jako je zmíněné prohledání tickerů, by proto neměla automaticky vést k rozsáhlé armádě subagentů. Kdo naopak chce důkladné a široce rozvětvené zpracování, musí to v zadání dát najevo. Zdroj neuvádí konkrétní hodnoty výchozího nastavení ani způsob, jakým se evaly provádějí, takže tyto podrobnosti zůstávají mimo dosah dostupných informací.
Kdo hlídá peníze
Podobně je to s penězi. Stall vysvětlil, že model během běhu nezná svůj rozpočet. Vývojáři však mohou nastavit rozpočet na celou relaci, takže strop výdajů určují oni, nikoli model. Spolu s předchozím zjištěním, že flows jsou výrazně dražší, to dává smysl: kontrola nákladů se odehrává mimo samotné rozhodování modelu. Z uvedených pasáží přitom nevyplývá, jak přesně se takové omezení zadává ani jak by se projevilo na kvalitě výsledků. Prakticky to znamená, že zodpovědnost za poměr mezi důkladností a cenou zůstává na lidech, kteří workflow navrhují a nasazují.
Sdílení informací mezi subagenty
Poslední otázka se týká toho, jak si agenti v rámci dynamických workflow Claude předávají informace. Podle Stalla z Anthropicu sdílejí souborový systém a mohou si přes něj vyměňovat data. Jeden subagent tak může něco uložit a jiný si to může přečíst, aniž by mezi nimi vedl přímý kanál. Zdrojem je zde pouze Stallovo vyjádření, které zaznělo v rozhovoru zveřejněném na Latent Space. Samostatně ověřený popis fungování tohoto mechanismu k dispozici nemáme. Pro vývojáře, kteří zvažují složitější úlohy s více agenty, je to přesto praktická informace, protože ukazuje, kudy mezi agenty vede výměna dat.
Stall zároveň upřesnil omezení. Agenti podle něj sdílejí souborový systém a mohou přes něj vyměňovat informace, ale vývojář nemůže přes API přímo nařídit jednomu subagentovi workflow, aby poslal zprávu jinému. Z uvedených pasáží nevyplývá, jak přesně se soubory pro předávání informací organizují ani jak spolehlivě se tento postup osvědčuje v praxi. Zdroj také neříká, zda se omezení API v budoucnu změní. Kdo takové workflow navrhuje, musí s tímto omezením počítat.
Zdroje
- How Anthropic’s Dynamic Workflows Coordinate Claude Agents — Latent Space
Článek vznikl s pomocí AI; podklady a odkazy jsou uvedeny výše.