Представьте себе сценарий, в котором вы нанимаете дорогого эксперта-стратега для решения сложной бизнес-задачи. Его час стоит сотни долларов, и его главная ценность заключается в анализе, принятии решений и креативном мышлении. Однако, если этот же эксперт начнет тратить свое время и деньги на переписывание файлов Excel, поиск информации в интернете или форматирование простых текстов, вы быстро обнаружите, что ваш бюджет иссякает, а эффективность падает. В мире больших языковых моделей (LLM) это классическая проблема неэффективного распределения ресурсов. Мы привыкли использовать мощные модели уровня Frontier (такие как Claude Opus или GPT-5) для всего подряд, но часто они выполняют рутинную работу, которая не требует их выдающихся когнитивных способностей.
Компания OpenRouter представила инструмент, который решает эту проблему фундаментально. Называется он Subagent (субагент). Это серверный инструмент, который позволяет вашей основной, «умной» модели делегировать изолированные, механические задачи более дешевым, быстрым и специализированным моделям-рабочим. Вместо того чтобы тратить дорогие токены на суммирование changelog или извлечение данных из JSON, ваша главная модель просто передает задачу «вниз» по иерархии, получает готовый результат и продолжает работу. Это не просто оптимизация затрат; это новый архитектурный паттерн построения AI-агентов.
01Frontier brain, budget hands: Философия разделения труда
Концепция, лежащая в основе Subagent, проста, но революционна по своим последствиям: «Мозг уровня Frontier, руки по бюджету». Основная модель (оркестратор) сохраняет роль главного архитектора. Она принимает стратегические решения, оценивает контекст и управляет потоком данных. Однако, когда возникает задача, которая не требует глубокого рассуждения, она делегирует её субагенту.
Давайте рассмотрим цифры, чтобы понять масштаб экономии. На момент публикации новости стоимость входных токенов для модели Claude Opus 4.8 составляет $5 за миллион токенов, а для GPT-5.5 — аналогичные $5. В то же время, модель-рабочий GLM 5.2 стоит всего $1.40 за миллион входных токенов. Разница в 3,6 раза по входу и 5,7 раза по выходу — это не просто скидка, это изменение экономики вашего приложения. Если вы используете Claude Opus для код-ревью, ему не нужно тратить свои дорогие токены на переформатирование 2000-строчного лога изменений. Это механическая задача с предсказуемым результатом. Субагент справляется с ней по цене GLM, пока оркестратор фокусируется на том, что действительно требует интеллекта: оценке рисков и принятии решений.
В сложных агентных рабочих процессах, где может быть выполнено 20 вызовов инструментов, от 5 до 8 из них могут быть делегированы субагентам. Это суммирование, извлечение данных, заполнение шаблонов, конвертация форматов. Вы снижаете стоимость каждого запроса, не касаясь «потолка качества» для сложных частей задачи.
02Как это работает «под капотом»
Чтобы понять, почему Subagent так эффективен и безопасен, нужно заглянуть в механизм его работы. Ключевая особенность заключается в изоляции. Модель-рабочий (worker) видит только то, что делегирующая модель явно передает в поле task_description. У рабочего нет доступа к родительскому разговору, нет истории предыдущих сообщений и нет памяти между задачами. Каждая делегация — это чистая, изолированная единица работы.
Это архитектурное решение имеет два важных преимущества. Во-первых, это безопасность и конфиденциальность: вы можете отправить в субагент часть данных, не раскрывая ему всего контекста сессии. Во-вторых, это скорость и стабильность: рабочая модель не отвлекается на «шум» из основного диалога.
Любая модель из каталога OpenRouter может стать рабочим. Вы можете зафиксировать её с помощью параметра parameters.model. Например, вы можете выбрать z-ai/glm-5.2 для механических задач. Если вы не укажете конкретную модель, система по умолчанию вернется к модели внешнего запроса, что делает инструмент гибким для тестирования.
Интересно, что рабочие модели также могут иметь свои собственные инструменты. Вы можете предоставить субагенту доступ к openrouter:web_search, и он сможет самостоятельно искать свежие источники в интернете, прежде чем вернуть результат. Рабочий запускает свой собственный цикл инструментов внутренне; к вашей основной модели возвращается только финальный текст. Это позволяет создавать многоуровневые агенты, где субагент сам является мини-агентом, но без риска бесконечной рекурсии.
Защита от бесконечной рекурсии
Разработчики OpenRouter предусмотрели потенциальную угрозу: что если субагент решит вызвать самого себя? Система блокирует рекурсию. Существует заголовок глубины и проверка на самореференцию, которая предотвращает бесконечное вложение. Кроме того, делегации ограничены 10 вызовами на один запрос. Это гарантирует, что ваш процесс не зависнет в бесконечном цикле делегирования задач.
03Subagent vs. Advisor: Два направления интеллекта
В экосистеме OpenRouter существует еще один мощный инструмент — Advisor. Важно не путать его с Subagent, так как они работают в противоположных направлениях. Если Subagent делегирует рутину «вниз» к более дешевым моделям, то Advisor эскалирует сложные решения «вверх» к более сильным моделям.
Представьте себе иерархию. Advisor используется, когда ваша основная модель сталкивается с тупиком или сложной архитектурной дилеммой. Она может спросить: «Помоги мне продумать это», и передать запрос более сильной модели для консультации. Subagent используется, когда основная модель говорит: «Сделай эту механическую задачу за меня».
Вы можете использовать оба инструмента в одном запросе. Ваша фронтенд-модель может проконсультироваться с Advisor по вопросам архитектуры системы, а затем делегировать субагенту задачу по суммированию технической документации. Это создает гибридную архитектуру, где каждая модель делает то, что умеет лучше всего и дешевле всего.
04Где искать возможности для делегирования в вашем коде
Как разработчику, вам может быть сложно определить, какие именно части вашего приложения выиграют от использования Subagent. OpenRouter предлагает практический подход: используйте самого AI-ассистента для анализа вашего кода. Вставьте следующий промпт в вашего coding agent, чтобы он просканировал проект и нашел места, где делегирование через openrouter:subagent снизит затраты:
Read through this codebase and identify places where an OpenRouter API call
could benefit from the openrouter:subagent server tool. Look for patterns where
a frontier model is doing mechanical sub-tasks inline: summarization, data
extraction, reformatting, boilerplate generation, or schema conversion.
For each candidate, explain:
1. Which file and function
2. What the sub-task is
3. Why it's a good fit for delegation (self-contained, predictable output, doesn't need the full conversation context)
4. A code snippet showing how to add the subagent tool to that call
Reference docs: https://openrouter.ai/docs/guides/features/server-tools/subagent
Cookbook recipe: https://openrouter.ai/docs/cookbook/building-agents/subagent-server-toolЭтот промпт заставляет AI искать паттерны, где фронтенд-модель выполняет механические подзадачи «внутри» основного вызова. Ищите суммирование, извлечение данных, переформатирование, генерацию шаблонного текста или конвертацию схем. Для каждого кандидата AI должен объяснить, почему это хорошая кандидатура для делегирования: задача должна быть самодостаточной, иметь предсказуемый вывод и не нуждаться в полном контексте разговора.
05Пример интеграции: От идеи к коду
Давайте рассмотрим конкретный пример использования. Представьте, что вы строите агента для аудита релизов программного обеспечения. Пользователь просит: «Проведи аудит этого релиза: суммируй changelog, перечисли критические изменения и подготовь черновик объявления».
Без Subagent ваша модель (например, Claude Opus) должна будет прочитать весь changelog, проанализировать его, извлечь данные и написать текст, используя свои дорогие токены. С Subagent вы добавляете инструмент в массив инструментов, и модель сама решает, когда его использовать.
{
"model": "anthropic/claude-opus-4.8",
"messages": [{
"role": "user",
"content": "Audit this release: summarize the changelog, list breaking changes, and draft the announcement."
}],
"tools": [
{
"type": "openrouter:subagent",
"parameters": {
"model": "z-ai/glm-5.2",
"instructions": "You are a fast, focused worker. Complete the task exactly as described.",
"tools": [{
"type": "openrouter:web_search"
}]
}
}
]
}В этом примере мы указываем, что для выполнения задачи можно использовать модель z-ai/glm-5.2. Мы также добавляем инструкцию для рабочего: «Ты быстрый, сфокусированный работник. Выполняй задачу точно так, как описано». Кроме того, мы даем рабочему доступ к веб-поиску, если ему понадобятся внешние данные. Модель-оркестратор решает, когда вызвать субагента. Она вызывает его только для задач, которые не требуют её полной мощности.
06Биллинг и прозрачность затрат
Одним из главных преимуществ Subagent является прозрачность расходов. Токены субагента тарифицируются по ставкам модели-работника, отдельно от оркестратора. Если ваш оркестратор — это Claude Opus 4.8 ($5/$25 за миллион токенов), а рабочий — GLM 5.2 ($1.40/$4.40 за миллион токенов), каждая модель оплачивается по своей цене. Оба расхода отображаются на вашей странице активности в OpenRouter.
Это позволяет вам точно контролировать бюджет. Вы можете видеть, сколько вы потратили на «мозги» (оркестратор) и сколько на «руки» (субагенты). Такая детализация помогает оптимизировать архитектуру: если вы видите, что субагенты становятся слишком дорогими, вы можете попробовать заменить их на еще более дешевые модели или оптимизировать промпты.
07Что это значит на практике
Внедрение Subagent меняет подход к проектированию AI-приложений. Раньше мы думали в терминах «одна модель — одна задача». Теперь мы думаем в терминах «архитектура с делегированием». Это открывает возможности для создания более сложных, масштабируемых и экономичных систем.
Для разработчиков это означает возможность строить агентов, которые могут обрабатывать большие объемы данных без провала в бюджет. Для бизнеса это означает снижение операционных расходов на AI-интеграции. Для пользователей это означает более быстрые ответы, так как субагенты часто работают быстрее дорогих фронтенд-моделей.
Попробуйте Subagent в чат-руме OpenRouter, прочитайте документацию или следуйте рецепту из cookbook, чтобы подключить его к своему приложению. Начните с простых задач: суммирование, извлечение данных, форматирование. По мере того как вы будете набираться опыта, вы сможете создавать более сложные многоуровневые агенты, которые используют силу разных моделей для решения самых разных задач.
Будущее AI — это не одна супер-модель, решающая все проблемы. Это сеть специализированных моделей, работающих вместе, где каждая делает то, что умеет лучше всего. Subagent — это первый шаг к этой децентрализованной, эффективной и умной архитектуре.
Источник: OpenRouter ↗