Anthropic rät von Subagenten-Wildwuchs ab

Viele Agenten-Systeme in Unternehmen sehen aus wie das Organigramm der Firma: ein Orchestrator oben, darunter ein Subagent für Rechnungen, einer für Versand, einer für Retouren, jeweils von einem anderen Team gebaut. Anthropic hält das in vielen Fällen für den falschen Aufbau. In einem Praxisbeitrag vom 22.10.2026 empfiehlt Diane Sarkis, Subagenten zurück in einen einzigen Agenten zu falten. The Decoder hat das am 25.10. aufgegriffen.

Die Kernaussage: Ein einzelner Agent, der Wissen über Skills und Werkzeuge über eine Tool-Suche erst bei Bedarf nachlädt, war in Anthropics Kundenprojekten oft besser als beide Alternativen, also ein riesiger Prompt oder ein Team aus Subagenten. Meist auch billiger und schneller. Ein Kunde maß laut Beitrag ungefähr die doppelte Geschwindigkeit gegenüber seinem Multi-Agenten-Aufbau. Kunden werden nicht namentlich genannt.

Was an vielen Subagenten schiefgeht

Der Beitrag beschreibt fünf typische Probleme in großen Organisationen:

• Übergaben verlieren Details. Jeder Wechsel zwischen Agenten ist eine Zusammenfassung, und dabei geht etwas verloren.
• Wildwuchs. Teams bauen sich überschneidende Subagenten ohne gemeinsame Standards und ohne klare Zuständigkeit.
• Der "Frankenprompt". Jedes Team schreibt eigene Regeln in den System-Prompt, bis sie sich widersprechen.
• Lokale Evals. Jedes Team optimiert seine Teilaufgabe, das Gesamtergebnis misst niemand.
• Latenz. Jede Übergabe kostet Zeit.

Ein Beispiel: Ein Kunden-Agent mit rund einem Dutzend Spezialisten tat sich schwer, einheitlich zu klingen, und war langsam.

Wann Subagenten trotzdem sinnvoll sind

Abschaffen will Anthropic Subagenten nicht. Der Beitrag nennt drei Fälle, in denen sie ihren Platz verdienen:

1. Ein einzelner Agent wird nachweislich schlechter, weil sein Kontext zu voll wird.
2. Mehrere Aufgaben laufen parallel und profitieren von frischen Kontextfenstern, die danach weggeworfen werden.
3. Ein Agent wählt bei zu vielen Werkzeugen die falschen aus, oder im Prompt stehen widersprüchliche Anweisungen.

Wenn schon Subagenten, dann nach Kontext aufteilen und nicht nach Fachgebiet. Gute Schnitte sind unabhängige Recherchepfade, Komponenten mit sauberen Schnittstellen oder eine Prüfung, die das Ergebnis bewusst ohne Vorwissen ansieht. Eine Aufteilung nach Themen führt dagegen zur "Stille Post", bei der jede Übergabe etwas verfälscht.

Wie der Umbau laufen soll

Anthropic schlägt einen schrittweisen Weg vor, und der erste Schritt ist kein Umbau, sondern Messen:

1. Evals bauen. Für den Anfang reichen laut Beitrag etwa "10 golden examples", also zehn Musteraufgaben mit bekanntem guten Ergebnis. Ein zentrales Team pflegt den Ende-zu-Ende-Satz, die Fachteams kleinere Sätze für ihre Skills.
2. Eng gekoppelte Spezialisten zuerst zusammenlegen. Kandidaten sind Subagenten, die auf die Ergebnisse der anderen warten, dieselben Daten anfassen oder oft gemeinsam aufgerufen werden.
3. Subagenten erst als Werkzeuge aufrufen. Der Hauptagent behält das Gespräch, die Subagenten liefern nur Ergebnisse zurück. Das ergibt eine Vergleichsbasis, ohne gleich alles neu zu schreiben.
4. Einen nach dem anderen einfalten. Prompts werden zu Skills, API-Aufrufe zu MCP-Werkzeugen. Nach jedem Schritt nicht nur den Gesamtwert vergleichen, sondern nachsehen, welche einzelnen Aufgaben gekippt sind.
5. Jede Aufgabe mehrmals laufen lassen. In einem Beispiel zeigte sich ein Rückschritt nur in einem von zwei Läufen.

Werkzeuge sollen nach Absicht des Nutzers gruppiert werden statt eines pro API-Endpunkt. Ab "30-50 tool definitions" im Prompt werde die Werkzeugwahl schlechter. Wie konsequent Anthropic das selbst umsetzt, zeigt eine Zahl aus dem Beitrag: Für die neueren Modelle wurde der System-Prompt von Claude Code um mehr als 80 Prozent gekürzt, den Rest erledigen Skills und nachgeladene Werkzeuge.

Der Haken

Ganz ohne Preis gibt es das nicht, und der Beitrag sagt das auch. Ein einzelner Agent braucht Disziplin: einen sorgfältig gepflegten System-Prompt, gute Beschreibungen für Skills und Werkzeuge und einen bewussten Umgang mit Kontext und Gedächtnis. Im Beispiel eines Support-Agenten wurde es nach dem Zusammenlegen zwar schneller, dafür brach ein Ablauf: Der Hauptagent beantwortete eine Frage zum Liefertermin selbst, statt beim Versand-Spezialisten nachzusehen.

Außerdem ist der Beitrag auch Werbung. Er verweist auf Anthropics eigene Migrationshilfen und Skills für Evals und Kostenoptimierung. Deren Nutzen ist nicht unabhängig belegt.

Unabhängig davon passt die Richtung zu anderen Messungen. Vals AI fand Anfang Oktober kaum bessere Ergebnisse durch Agenten-Teams bei deutlich höheren Kosten, das steht in unserem Artikel Agenten-Teams: mehr Tempo, selten mehr Qualität. Und eine Studie zu Coding-Agenten zeigte gerade, dass ein großer System-Prompt vor allem die Rechnung erhöht. Wer gerade Agenten baut, sollte deshalb erst messen und dann entscheiden, ob ein weiterer Subagent wirklich etwas bringt.