‏تیم agentها: OpenAI و Anthropic چی می‌گن؟

این مقاله اختلاف نظر OpenAI و Anthropic دربارهٔ multi-agent (یعنی اجرای چند agent هوش مصنوعی روی یه کار) رو بررسی می‌کنه. نویسنده می‌گه این اختلاف کمتر از اون چیزیه که اول به نظر میاد. Eric Provencher از تیم Codex معتقده اجرای بیشتر از دو agent همزمان کیفیت رو بالا نمی‌بره و فقط یه coordination tax اضافه می‌کنه، یعنی agentها به کار هم اعتماد نمی‌کنن و وقتشون صرف دوباره چک کردن کار همدیگه می‌شه.

از اون طرف، سیستم میزبانی‌شدهٔ Anthropic می‌تونه تا ۸٬۰۰۰ agent رو روی یه کار اجرا کنه. تو یه تست داخلی، ۷۰ باگ تو یه کدبیس قایم کردن. یه agent تنها بین ۱۴ تا ۲۷ تاشو پیدا کرد، ولی اجرای چند agentی ۶۶ تا از ۷۰ تا رو پیدا کرد. به گفتهٔ مقاله، این سیستم یه تیم مساوی نبود. یه پروسهٔ اصلی خودش نقشه می‌نوشت و فقط وقتی یه تیکه از کار لازم بود، sub-agent می‌ساخت.

نویسنده می‌گه خط جداکننده اینه که «این کار به تیکه‌های واقعاً مستقل تقسیم می‌شه یا نه»، نه اینکه کار پیچیده‌ست یا نه. تحقیق روی منابع جدا، audit یه کدبیس بزرگ برای انواع مختلف باگ، یا یه تحلیل روی فایل‌های مستقل جاهاییه که تیم agent کمک می‌کنه. ولی بیشتر کارهای روزمرهٔ کدنویسی یه رشتهٔ پیوسته‌ست و اونجا یه agent با brief خوب سریع‌تر و ارزون‌تره.

دربارهٔ sub-agentهای سفارشی، مقاله می‌گه اونایی که فقط یه نقش بازی می‌کنن (مثلاً «senior copywriter») الان تقریباً اضافه‌ان، چون مدل‌های قوی خودشون کار رو تقسیم می‌کنن. ولی sub-agentی که اطلاعاتی داره که مدل نمی‌تونه حدس بزنه، مثل یه checklist تیمی یا یه مجموعه ابزار محدود که به دیتای production دست نزنه، ارزش نگه داشتن داره. تست ساده‌ش اینه: اگه حذفش کنی، مدل اشتباهی می‌کنه که الان نمی‌کنه؟

بعد از عرضهٔ Haiku 5.5 که خیلی ارزون‌تر از Opus 5.5 هست، خیلیا پیشنهاد دادن sub-agentها رو ببرن روی Haiku. ولی Haiku 5.5 تو Terminal Bench فقط ۳۹٪ گرفت، در حالی که Sonnet 5.5 به ۷۱٪ رسید. نویسنده می‌گه اشتباه بیشتر یعنی دورهای اصلاح بیشتر، و این صرفه‌جویی قیمت هر توکن رو می‌خوره. تنها راه مطمئن اینه که یه کار رو با هر دو مدل اجرا کنی و مصرف کل رو مقایسه کنی.

مقاله دربارهٔ فریم‌ورک‌هایی مثل Superpowers هم می‌گه تو یه مقایسه، ۹ skill pack محبوب صدها بار در برابر یه فایل placebo با طول مشابه اجرا شدن و فقط ۲ تاشون نتیجهٔ بهتری دادن. یه فریم‌ورک پرکاربرد هم جزو اون دوتا نبود. پیشنهاد نویسنده اینه که کارهای واقعیت رو با و بدون پلاگین مقایسه کنی.

نکات کلیدی:

• Eric Provencher از Codex: بیشتر از دو agent همزمان معمولاً فقط coordination tax داره
• سیستم Anthropic تا ۸٬۰۰۰ agent روی یه کار اجرا می‌کنه
• تو تست باگ: یه agent بین ۱۴ تا ۲۷ از ۷۰، چند agent ۶۶ از ۷۰
• Terminal Bench: Haiku 5.5 با ۳۹٪ در برابر Sonnet 5.5 با ۷۱٪
• از ۹ skill pack فقط ۲ تا از فایل placebo بهتر بودن
• هر دو شرکت می‌گن با تعداد کم agent شروع کن