Проблема «шума» в длинных контекстах
С ростом сложности агентов (AI Agents) возникла проблема масштабирования: чем дольше задача, тем больше информации накапливается в контекстном окне. Традиционный подход Agent Skills предполагает загрузку многофайловых пакетов (инструкции, скрипты) прямо в контекст главного агента. Авторы исследования (Wasu Top Piriyakulkij, Rachel Lawrence и др.) показывают, что этот метод становится хрупким: качество рассуждений LLM деградирует из-за перегрузки контекста, что приводит к ошибкам в долгосрочных сценариях (long-horizon tasks).
Альтернатива: Изоляция через Subagents
Вместо того чтобы «захламлять» память главного агента, исследователи предлагают вызывать навыки как subagents (подагентов). Это создает изолированные, «чистые» контекстные окна для каждого подзадачи. Главный агент выступает в роли оркестратора, передавая подзадачам только необходимые входные данные и получая структурированный результат. Ключевое условие успеха — наличие четкого контракта «вход-выход» (input-output contract) у навыка.
Результаты сравнения
Эксперименты подтвердили, что архитектура с подагентами превосходит традиционный подход по качеству выполнения, особенно когда инструкции навыка содержат процедурные знания. Однако этот выигрыш имеет цену: требуется больше токенов на координацию между главным агентом и подзадачами.
| Критерий | Agent Skills (Традиционный) | Subagents (Изолированные) |
|---|---|---|
| Механизм исполнения | Загрузка инструкций в контекст главного агента | Запуск отдельного процесса с чистым контекстом |
| Устойчивость к длине задачи | Низкая (деградация качества при росте контекста) | Высокая (контекст не накапливается) |
| Требования к навыку | Гибкие, без строгих границ | Четкий контракт вход-выход (I/O contract) |
| Затраты на токены | Ниже (прямая вставка) | Выше (дополнительные токены на коммуникацию) |
Почему это важно для индустрии
Результаты работы меняют парадигму проектирования AI-архитектур. Эффективность переиспользуемых знаний зависит не только от их содержания, но и от способа их организации. Для сложных многошаговых задач (например, автоматизация разработки или сложный анализ данных) переход к модели Subagents позволяет сохранить точность LLM, избегая эффекта «потери в середине» (lost in the middle), характерного для длинных промптов.
Источник: arXiv cs.AI ↗