Subagenter slår inbyggda färdigheter för komplexa AI-uppgifter
Forskare har undersökt hur AI-agenter bäst återanvänder förpackad kunskap för långa, komplexa uppgifter – och fann att det är smartare att starta separata subagenter med egna kontextfönster än att stapla instruktioner i ett och samma. Tricket är att subagenten har tydliga in- och utdatakontrakt, annars äter kommunikationskostnaden (extra tokens för koordinering) upp vinsten. Kort sagt: hur du organiserar och anropar kunskapen spelar lika stor roll som kunskapen i sig.
Djupdykning
AI-agenter är just nu ett av de hetaste områdena inom tech, och den här forskningen tar upp något som de flesta missar i hypen: det räcker inte att ge en AI tillgång till kunskap – hur den kunskapen levereras spelar lika stor roll. Problemet man löser är det som kallas "context window degradation", alltså att en AI:s resonemang blir sämre ju mer information som staplas upp i dess aktiva minne, ungefär som att försöka lösa ett pussel medan någon kontinuerligt dumpar fler och fler pusselbitar på bordet. Lösningen – att spawna separata subagenter med egna, fräscha kontexter för deluppgifter – liknar hur bra ingenjörsteam faktiskt fungerar: du ger en kollega ett tydligt avgränsat problem med klara input och förväntad output, istället för att belasta dem med hela projektets historia. Det de flesta missar här är att det egentligen inte handlar om AI alls, utan om ett urgammalt problem inom systemdesign som kallas separation of concerns. Forskningen visar att subagenter presterar bättre just när gränssnitten är väldefinierade – vilket är exakt samma princip som gjort mikroservicearchitektur framgångsrik inom mjukvaruutveckling. Kostnaden är koordinationsoverhead i form av extra tokens, och i en värld där API-kostnader räknas per token är det en reell avvägning som kommer tvinga fram mer genomtänkt agentdesign snarare än den "dumpa allt i kontexten och hoppas"-approach som dominerar idag.