🧠 Субагенты превосходят навыки при длинных задачах агентов Исследователи сравнили два способа использования повторно применяемых знаний в LLM-агентах: классическую загрузку инструкций для навыков в контекст и вызов навыков в качестве субагентов. По данным arXiv, при увеличении длины задачи первый подход становится хрупким: качество рассуждений ухудшается, когда в контекстном окне накапливается слишком много информации. Выполнение задач субагентами решает эту проблему, создавая новые контекстные окна для каждой подзадачи. Навык не просто читается, а запускается как отдельный агент с собственным контекстом. Плата — дополнительные токены на координацию между главным агентом и субагентами: нужно описать задачу, передать результат, обработать ошибки. Ключевой вывод статьи: субагенты выигрывают не всегда, а когда навыки имеют чётко определённые входы и выходы, а инструкции содержат процедурные знания. Авторы не приводят конкретных метрик в аннотации, но показывают, что польза повторно применяемых знаний зависит от того, как они организованы и вызываются, а не только от их содержания. На практике это означает, что разработчикам агентов придётся проектировать не просто инструкции для навыков, а взаимодействие между агентами — спецификации входов и выходов. Для российских команд, экспериментирующих с агентами на YandexGPT или GigaChat, это сигнал: выгоднее вкладываться в чёткие договорённости между субагентами, чем расширять контекстное окно. Выполнение задач субагентами — это не оптимизация, а смена модели работы с контекстом: каждый навык получает собственное окно, а координация становится явной статьёй расходов. Индустрия постепенно переходит от "умной инструкции" к "умной спецификации", и это изменит подход к проектированию агентных систем в рабочей среде. #agents #subagents #LLM #contextwindow #AIresearch