Omijanie menedżerów: Programista krzyczy na agenta, by czytał sam

Subagenci tracą szerszy kontekst projektu

Delegowanie pracy wyspecjalizowanym agentom miało oszczędzać czas. W praktyce wygląda to jak struktura, w której zarządzający LLM rozdaje zadania i zrzuca z siebie odpowiedzialność. Profesor Ethan Mollick opisał pracę z modelem Codex, w której musiał wprost zażądać, aby model sam przejrzał dane, zamiast delegować zadanie.

Choć idea roju agentów brzmi dobrze, w rzeczywistości napotyka na szum. Każde przekazanie zadania oznacza kompresję informacji. Podrzędny model, który otrzymuje tylko wycinek problemu, wykonuje je, ale brakuje mu globalnego kontekstu. Rezultatem jest lokalne optimum, które ignoruje resztę kodu.

Delegacja to przede wszystkim optymalizacja kosztów

Kiedy programiści domagają się mądrego modelu, domagają się jego gigantycznego okna kontekstowego. Delegowanie do mniejszych modeli to w zasadzie optymalizacja opóźnień. Platformy nie chcą przepalać drogich tokenów na rutynowe zadania. Użytkownicy nie chcą się jednak użerać z pośrednikiem; chcą kompetencji wybranego modelu.

Kontrola jakości spada z powrotem na użytkownika

Presja na wydajność będzie rosnąć, a wraz z nią liczba ukrytych subagentów. To, czy takie podejście przetrwa, zależy od tego, czy orkiestratorzy będą w stanie kontrolować jakość pracy swoich podwładnych, zanim przekażą ją użytkownikowi. Na razie wygląda na to, że człowiek musi to wymuszać krzykiem.

Powrót do bezpośredniej kontroli

Dowodem na to, że system działa, nie będzie bardziej złożone drzewo agentów, ale zdolność orkiestratora do zrozumienia, kiedy nie delegować. Jeśli model nie rozpozna, że kontekstu nie da się bezpiecznie skompresować, będzie nadal produkował poprawny kod, który psuje aplikację.

Werdykt Lilith

Korporacyjny model delegowania pracy dotarł do AI. Rezultat jest taki sam jak u ludzi: mikrozarządzanie przez prompt.