管理層のバイパス：エージェントに自分で読むように怒鳴る

サブエージェントはより広いプロジェクトのコンテキストを失う

専門のエージェントに仕事を委任することで、時間を節約するはずでした。実際には、オーケストレーションするLLMがタスクを割り当てて責任を放棄する構造のようです。Ethan Mollick教授はCodexでの作業について、タスクを委任するのではなく、データ自体を読むように明示的に指示しなければならなかったと説明しました。

エージェント群のアイデアは良さそうに聞こえますが、現実には通信ノイズに直面します。タスクの引き継ぎには情報圧縮が伴います。問題の一部しか受け取らない従属モデルは、それを満たしますが、グローバルなコンテキストを欠いています。結果として、コードベースの残りの部分を無視する局所的最適化が生じます。

委任は主にコストの最適化

開発者が賢いモデルを要求するとき、彼らはその巨大なコンテキストウィンドウを要求しています。より小さなモデルへの委任は、根本的にレイテンシの最適化です。プラットフォームは、日常的なタスクに高価なトークンを燃やしたくありません。しかし、ユーザーは仲介者と議論したくありません。彼らは自分が選んだモデルの能力を望んでいます。

品質管理はユーザーに戻る

推論効率の向上への圧力は高まり、それに伴い隠れたサブエージェントの数も増えるでしょう。このアプローチが存続するかどうかは、オーケストレーターがユーザーに提供する前に従属者の出力の品質を制御できるかどうかにかかっています。今のところ、人間がプロンプトで怒鳴ることによってそれを行う必要があるようです。

直接制御への回帰

システムが機能していることの証明は、より複雑なエージェントツリーではなく、委任すべきでない時期を理解するオーケストレーターの能力になります。コンテキストを安全に圧縮できないことをモデルが認識できない場合、モデルはアプリケーションを破壊する有効なコードを生成し続けます。

Lilithの判定

仕事の委任という企業モデルがついにAIに到達しました。結果は人間の場合と同じです。プロンプトによるマイクロマネジメントです。