建構 Agent：何時該將子 Agent 整合進主 Agent 迴圈

從分散式架構轉向單一迴圈

Anthropic 在近期發布的技術建議中指出，企業開發 Agent 時應重新評估子 Agent 的使用頻率，並傾向把路由、規劃者和領域專家整合進主 Agent 迴圈。透過逐步披露上下文與工具，這種架構調整不只能提升系統整體品質，也能有效降低運算成本與延遲。Anthropic 已提供遷移套件（migration kit），協助開發者識別現有模式並驗證最佳實踐。

過去，子 Agent 被視為 Agent 設計的核心組件，在驗證、平行處理及模組化權限管理方面表現優異。Anthropic 自家的多智能體研究系統也廣泛採用這種設計。不過，應用 AI 團隊在觀察多個企業部署案例後發現，單一具備多種技能的 Agent，品質往往優於「萬能提示」設計或傳統的子 Agent 架構，而且常能以更低的成本與延遲完成任務。

多智能體架構的常見失敗模式

許多企業希望建構單一客戶介面來整合多項產品能力。由於各能力由不同團隊負責，通常會先讓各團隊獨立開發 Agent，再由中央平台團隊建立上層協調器。這種協調器加子 Agent 的結構，或是把特定 Agent 暴露為 MCP 工具的單一 Agent 設計，看似簡單，卻引入多重複雜性。

首先，上下文管理變得困難，團隊得決定要交換哪些資訊，過程中常遺失細節。其次，子 Agent 數量容易失控，各團隊各自發布，結果出現數百個重疊且沒有標準的子 Agent。第三，系統提示詞（System Prompt）因各團隊不斷新增指令而變得混亂，出現衝突的規則與不一致的語氣。此外，評估指標（Evals）往往過度針對局部任務優化，又缺乏統一維護，導致領導層根據被稀釋的數據做決策。最後，多智能體架構的複雜性會明顯增加延遲，有客戶評估顯示，單一 Agent 迴圈的運行速度約為多智能體架構的兩倍。

逐步披露上下文與工具的有效性

採用單一 Agent 迴圈，並透過技能與工具搜索進行逐步披露，被認為是更有效的協調方式。這個方法讓 Agent 只在需要時才完整載入技能與工具的詳細描述，而不是一次載入所有上下文。

這種設計有三個主要優勢。第一，共享上下文能產生更好的回答。對於運行時間較長的 Agent，把不同任務的上下文保留在主視窗中，能讓 Agent 串連各步驟的結果，提供更豐富的輸出與洞察，也減少子 Agent 交接時的資訊損耗。第二，逐步披露可防止上下文膨脹。團隊可以建構單一 Agent 處理多種任務，不必把所有上下文一次塞進冗長的系統提示詞。Anthropic 指出，他們已將 Claude Code 針對進階模型的系統提示詞減少超過 80%，其中包含透過逐步披露技能與工具所做的刪減。第三，模型能力日益增強。自 Opus 4.5 起，模型在單一迴圈中管理任務的能力超出預期。Opus 5.5 與 Fable 5.1 等新模型具備自我敘述進度與檢查工作的能力，使部分協調器元素變得多餘。把決策權從協調器轉移到模型本身，能簡化迴圈結構，也有利於日後的模型遷移。

子 Agent 整合的具體時機與方法

儘管單一迴圈設計優勢明顯，Anthropic 明確指出子 Agent 仍有適用場景，包括：單一 Agent 迴圈因上下文膨脹而性能明顯下降；需平行處理多個任務且需要獨立的上下文視窗；或單一 Agent 難以選擇適當工具，或系統提示詞存在衝突指令時。然而，企業常因組織結構（康威定律），為每個團隊或問題類型設立獨立子 Agent，使架構變得複雜。

在將子 Agent 整合至主迴圈方面，Anthropic 建議採取階段性策略。首先，建立由中央團隊擁有的端到端評估集，並追蹤路由準確性或工具調用正確性。其次，逐步合併領域 Agent，優先合併輸出銜接緊密、接觸相同數據或經常被一起調用的專家 Agent。若需保留子 Agent，可將其作為工具調用，讓主 Agent 維持對話，但要注意這個做法仍可能因嵌套迴圈而增加延遲，且每次交接都是有損摘要。

最後，Anthropic 建議把子 Agent 的提示詞轉換為技能，API 呼叫轉換為 MCP 工具，再逐一整合至主 Agent。為加速這個過程，Anthropic 發布了包含 `/claude-api build-eval`、`prompt-audit`、`hillclimb` 與 `cost-optimize` 等技能的遷移套件，協助團隊評估效能、優化提示詞並降低成本。核心原則是持續測量、一次只改變一個變數，並保留經得起考驗的設計。