（本記事の著者はアルファAIであり、ティメディアが許可を得て公開しています）
文 | 字母AI
K3.1 Proのリリース後、複数のユーザーからクォータの消費が速すぎるとのフィードバックを受け、月之暗面は緊急に公告を発表し、「問題は当社側にあり、本来はもっと早く修正すべきでした」と述べました。補償クォータを提供するとともに、月之暗面は「不要なサブエージェントの呼び出しと出力長を削減する」方針も示しました。
モデルの公開わずか2日前、Anthropicは「Building agents: When to fold subagents into your main agent loop」というタイトルの記事を発表しました。その内容は、まさにサブエージェントに関するものです。
Anthropicの結論は、複数の企業が導入したClaudeを比較した結果、スキルを持つエージェントのほうが「一群のサブエージェントによる分業」よりも品質が優れており、しかも単一タスクにおけるコストと遅延はしばしば低いということです。最も重要なのは、このエージェントが消費するトークン数が、一群のサブエージェントに比べてはるかに少ない点です。
「子エージェント」という概念は、実はモデルの能力が十分でない時期に、メーカーがモデルにより多くのタスクを実行できるようにするために施された“応急処置”にすぎません。
タスク完了率の観点から見ると、複数のサブエージェントは当時の単一エージェントに比べて明らかに優れていました。その代償として、トークンの消費がより激しくなり、モデルのコストも高くなってしまいました。
Anthropicは、モデルがより強力になり、コンテキストが長くなるにつれて、この「パッチ」はもはや性能向上に寄与せず、むしろ一種の「負担」になってしまうと述べています。
Anthropicのこの記事では何が述べられているのでしょうか
Anthropicは、ほとんどのタスクにおいては、それほど多くのサブエージェントを必要とせず、単一のエージェント、単一のモデル、単一の対話記録、そして一つのループだけで十分であると考えています。
モデルは1つのループ内で繰り返し動作し、各ラウンドでは同時に一連のツール呼び出しを発行でき、その結果は直接このモデルに返され、次のステップをどのように進めるかを決定します。
例えるなら、厨房で一品の料理を作るには、まず食材の準備から始まり、次に野菜を洗い、切って、鍋に入れ、最後に盛り付けて提供するという流れになります。
以前の役割分担では、野菜を洗う人、野菜を切る人、料理を担当する人、盛り付けをする人がそれぞれ1人ずついて、各々が自分のタスクリストを持っていました。問題は、一人ひとりのタスクリストが前の人に依存していたことで、例えば野菜を切る人は、野菜を洗う人から受け取っていたのです。
料理がテーブルに並んだときに塩味が強すぎると、どの工程で問題が生じたのかを正確に特定するのは難しいです。調理担当者が塩を多めに使った可能性もあれば、食材が十分に洗われていなかった可能性もあります。
単一エージェントの利点は、毎ラウンドの開始時に「私が求めているのはどのような味なのか」を誰かにいちいち説明する必要がない点にある。料理は本人が調理し、塩加減も自分で確かめているからだ。
記事では、サブエージェントが好ましくない理由が三つあるとされています。
最初はトークンの複利です。
タスクに子エージェントが1つ増えるたびに、分岐の層が1つ増え、コストもやや高くなります。マルチエージェントシステムにおけるトークン消費量は、通常の対話の約15倍です。
重要なのは、この15倍の効果が「考える」ことではなく、「記憶すること」に費やされている点です。
各サブエージェントは、自身のアイデンティティ、ルール、ツール一覧、および関連するコンテキストを再構築し、処理が完了した後でそれを圧縮して要約として返却します。これにより、メインエージェントは同じ資料を何度も読み込むことになります。
第二は情報の減衰である。
情報は異なるサブエージェント間で伝達されるたびに、忠実度が一段階ずつ低下します。最終的なサブエージェントの手元に届いた時点では、受け取った情報はもはや当初の要求とは別のものになっている可能性があります。
Cognitionは2025年の記事「多エージェントを構築するな（Don‘t Build Multi-Agents）」で、次のようなシナリオを紹介しています。二つのサブエージェントにそれぞれ別々にFlappy Birdのリメイクを作らせ、一方には背景を、もう一方には鳥を担当させたところ、片方はまるでスーパーマリオのような背景になり、もう片方はゲームの素材とは到底似ても似つかない鳥になってしまったのです。
三つ目は人格の断片です。
システム内では複数のサブエージェントが相互にやり取りしていますが、これらのサブエージェントはプロンプトが異なるため、出力のスタイルもまったく異なります。しかし、ユーザーが目にするのはひとつの入口だけです。
Anthropicは記事の中で、ある企業のクライアントに十数個の専用サブエージェントが存在し、その結果、同社はこれらのサブエージェントについて「ブランド方針の安定性を維持するのが非常に難しい」と評価していると述べています。さらに、ユーザーは常に最も遅いサブエージェントの処理が完了するのを待たなければ、返答を得ることができません。
ただし、話は二面性がある。Anthropicは、サブエージェントを直接禁止すべきだとは考えておらず、むしろそれらを必要に応じてロードしてスキルとして機能させるべきだと主張している。
各サブエージェントは、野菜を切る包丁さばきや料理の火加減といったさまざまな知識を身に着けています。必要な場面ではこれらのスキルを引き出し、次の段階へ進む際に再びそれらを元に戻します。
この手法の効果は測定可能です。
Anthropicは記事の中で、補助ツールと組み合わせることで、このサブエージェントをスキルに変える手法により、システムのプロンプトを80％以上削減できると述べています。
これにより、もともと判断を妨げるほど冗長だったプロンプトが一気にすっきりと簡潔になり、その結果、タスクそのものに割り当てられるコンテキストの余裕が大幅に増加しました。
私たちは本当にサブエージェントを必要としているのでしょうか
子エージェントは、誕生当初からそもそも技術的な妥協の産物であった。
OpenAIに在籍していたカパシはかつて、GPTは文脈の制限があることを自覚していないため、タスクを実行するとすぐに文脈が満杯になり、結果としてタスクが失敗しやすいという趣旨のツイートを投稿した。
そのためには、タスクを分割して、モデルが段階的に処理できるようにする手段が必要です。
2023年3月末、AutoGPTとBabyAGIは2つの実験プロジェクトを実施しました。その核心はいずれも、1つのエージェントが大きな目標を複数のTODOリストに分割し、自らタスクを割り当てて自ら実行するというものです。
この一連のプロジェクトは、モデル自身が次のステップを決定すれば、ループが正常に動作することを示しています。しかし一方で、このループに信頼性のある検証プロセスが欠けていると、エラーがループ内で自己増幅してしまうという問題も露呈しました。
あるエージェントが「この会社の決算報告書を調べます」と言い、たとえ調べたものが誤ったものであっても、その誤りを前提にさらに先へ進み、最後には一見真面目に見えるでたらめな内容を提示してしまうのです。その後は無限に循環し、誤りがさらに積み重なっていくだけです。
2023年後半から2024年にかけて、業界が提示する解決策は、業務分担を実際の企業のように整えることである。
たとえばMetaGPTでは、モデルをプロダクトマネージャー、アーキテクト、エンジニア、テストの4つの職種に分けています。
あなたが「スネークゲームを作り、ランキング機能を付ける」と一言言えば、作業フローは役割ごとに段階的に進んでいきます。まず「プロダクトマネージャー」が要件仕様書を作成し、次に「アーキテクト」がその仕様書をシステム設計とインターフェースに落とし込みます。その後、「エンジニア」がそのインターフェースに基づいてコードを書き、最後に「テスト」担当者が不具合を洗い出します。こうして完全なプログラムが生成されます。
当時、皆の考え方はかなり素朴で、一つのモデルでは誤差が生じやすいので、複数のモデルで互いに補完し合うようにしよう、という発想でした。これこそが、サブエージェントシステムの原型でもあります。
要するに、子Agentとは本質的に「より広く、より安定し、メモリ容量の大きいマシンをアーキテクチャで模倣するもの」です。
文脈ウィンドウが限られていることに加えて、Anthropicは論文中で、モデルの信頼性にも限界があり、チェーンが長くなるほど崩れやすくなると述べています。さらに、モデルはシングルスレッドで動作し、同時に複数のことを考えることはできません。
Anthropicは、2024年にサブエージェントを導入した動機について、以下の3つの課題を解決するためだと説明しています。すなわち、コンテキストの分離により、大量の中間結果がメインのコンテキストを汚染してコンテキストウィンドウを事実上拡張してしまうことを防ぐこと、異なるタスクに対してそれぞれ異なるツールを割り当てることで、チェーンの一部が崩壊しても全体のタスクに直接影響しないようにすること、そして並列処理により、複数の独立した手がかりを同時に進行させることです。
Anthropicは、サブエージェントをモデルの一種の「パッチ」と見なしている。ただし、これらのパッチもすべてトークン単位で料金が発生する。
過去2年間、支払いを行ったのは主にAPI課金制を採用する開発者や企業で、コストは明示されており、正確に算出可能です。トークンに1角多く支払えば、請求書にもその分がきちんと反映され、一目瞭然です。
C端のサブスクリプション制の普及に伴い、Anthropicは、そろそろ変革の時だと述べています。
月間クォータはブラックボックスです。ユーザーは「今月の残り額」しか知らず、「この対話セッションで、これらのサブエージェントが実際にどれだけのクォータを消費したのか」は分かりません。
サブスクリプションユーザーのクォータは「私が何件かの作業を行ったかどうか」で判断されるのに、システムでは「モデルを何度調整し、何本の分岐を作り、ファイルを何度読み込んだか」によって計算されています。
そのため、Anthropicは、モデルの性能や計算能力が徐々に向上するにつれて、これらの「パッチ」は極めて複雑なタスクにおいてのみ有効であり、ほとんどのタスクではサブエージェントがさらに多くのトークンを消費してしまうと述べています。
そこでAnthropicは、サブエージェントがもたらす利点は、その導入に伴うコストを上回っていないという結論に至りました。
Anthropicはさらに、モデルが単一のエージェントとしてタスクを実行し、サブエージェントを呼び出さないようにするためのツール「single-agent-loop-kit」をオープンソース化しました。
K3.1 Pro のこの請求書
月の暗面は、まさに子Agentが過剰に起動しすぎたことによる不利益を被ったのです。
10月24日、月の暗面のK3.1 Proがリリースされ、非常に高い性能を発揮します。Terminal-Bench 4.0においては65.7%を記録し、GPT-6 Astraの58.2%およびClaude Opus 5.5の66.4%を上回り、わずか0.7%の差にとどまりました。
しかし、コミュニティの複数のユーザーから、モデルのクォータが非常に早く消費され、ちょっとしたタスクを2、3個こなすだけで5時間分のクォータが使い切られてしまうという報告が寄せられています。
10月26日未明、月の暗面の公式発表によると、不要なサブエージェントの呼び出しと出力の長さを削減する予定です。
インターネット企業で働いたことがある人なら、この話にとても見覚えがあるでしょう。
要件が一つ入ると、プロダクト、デザイン、フロントエンド、バックエンド、テスト、運用の各部門から一人ずつが参加し、全員がドキュメントに一言ずつコメントを残さないと、まるで関与していないように見えてしまう。結局のところ、本来なら一人で半日もあれば終わる作業が、要件の策定からスケジュール調整、さらにはテストから本番稼働に至るまで、前後で半年近くもかかってしまうのだ。
社内ではこれを組織能力と呼びますが、モデル上ではトークン消費と呼ばれます。
モデルの利用者としては、モデルの思考強度しか選べず、子エージェントをいくつ起動するかは決められません。彼はあくまでタスクの達成に対してのみ料金を支払いたいのであり、これだけ多くの子エージェントが「整合を図り、会議を開き、PPTを作成する」ことに対しては、料金を支払いたくありません。
しかもユーザーには停止を叫ぶ余裕すらありません。ここには「失敗コストの前倒し」という概念があります。
通常の取引は「仕事が完了してから初めて費用が発生する」ものです。一方、サブエージェントは一度起動するとすぐにクレジットを消費してしまい、たとえそのサブエージェントの役割がほとんど無視できるほどであっても同様です。
公平に言えば、これはK3.1 Proだけの問題ではありません。
Claudeのユーザーからも不満の声が上がっています。20ドルプランのサブスクリプションでは、わずかなプロンプトで5時間分のクォータが使い切られてしまうのです。また、Opus 5.5で既存のコードベースを処理すると、約30分で制限に達してしまいます。いずれも、Claudeが過剰なサブエージェントを起動しすぎることが原因です。
Anthropicは、これが「長距離エージェント」というカテゴリーにおける「構造的な矛盾」であると考えている。
あなたがそれにタスクを渡すと、資料を調べ、ファイルを読み込み、書き込み、修正し、さらに自分で再確認まで行います。数十ステップを実行するため、各ステップでコンテキストを都度再読み込みしなければならず、30分ほどかかるのは珍しいことではありません。
モデルが強ければ強いほど、検索に時間がかかり、ツールの調整回数も増え、自己診断の回数も増える。
Anthropicが提示した解決策は、製品側でユーザーに代わって「どのサブエージェントの呼び出しが不要か」を判定し、その結果、サブエージェントを削減することです。一つのエージェントで対応できる場合は、あくまでサブエージェントを起動しないようにします。
これに加えて、ユーザーが歩数の上限を設定できるようにし、単一のタスクを開始する前に予算範囲を提示する機能も実装します。
Anthropicが上場を目前に控えるなか、サブエージェントを削減してトークン消費を抑えることは、彼らのC端ユーザーへの配慮でもあります。
さらに詳しい内容は、钛媒体のWeChat公式アカウント（ID：taimeiti）をフォローするか、または钛媒体Appをダウンロードしてください。