Anthropic diz para apagar seus subagents

Autoria: Rob Shocks - Switch Dimension · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Anthropic Says Delete Your Subagents · Canal: Rob Shocks - Switch Dimension · 09:43 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Claude Code

Resumo

Anthropic recomenda reduzir subagents desnecessários e consolidar suas funções em um agent com skills, uma abordagem que pode melhorar a qualidade e também reduzir custo e tempo. A simplificação acompanha a evolução dos modelos: parte do harness criado para modelos mais antigos pode hoje acrescentar complexidade sem trazer benefícios. Subagents ainda são úteis para tarefas paralelas, isolamento de contexto e restrições de ferramentas ou permissões. O vídeo propõe testar a consolidação com evals e manter cada subagent apenas quando a versão incorporada a uma skill tiver resultados piores.

Pontos-chave

Em testes citados por Anthropic, um agent com skills frequentemente superou tanto um prompt único e extenso quanto uma equipe de subagents em qualidade, além de ser mais rápido e barato em alguns casos.
A comunicação entre agents pode perder detalhes, e a multiplicação de componentes aumenta a complexidade do system prompt, criando o que Anthropic chama de “Frankenprompt”.
Progressive disclosure permite carregar instruções completas de uma skill só quando necessário, em vez de incluir tudo no contexto desde o início.
Para testar a consolidação, estabeleça uma baseline com prompts variados, incorpore um subagent por vez a uma skill e compare os resultados em uma sessão nova.
Mantenha subagents quando forem necessários para limitar ferramentas ou permissões, isolar contexto, fazer pesquisa em paralelo ou executar tarefas independentes.
Para etapas interdependentes, mudanças rápidas e interações frequentes, trabalhar no agent principal pode ser mais adequado; subagents também podem consumir muitos tokens.
Skills e arquivos como CLAUDE.md podem conter instruções desnecessárias ou transformar verificações em trabalho obrigatório; vale revisar e testar o que realmente ajuda.
A redução do harness não é uma regra universal: modelos ainda podem precisar de guardrails em áreas nas quais não têm bom desempenho, e encurtar skills não garante menor custo.

Capítulos

Início	Capítulo	Resumo
00:00	Por que reduzir subagents	O vídeo apresenta a recomendação de consolidar subagents desnecessários e explica como estruturas complexas podem se acumular.
02:32	Modelos melhores e harnesses em evolução	A evolução dos modelos pode tornar desnecessárias algumas estruturas antigas, mas a decisão de removê-las deve ser testada.
05:07	Quando manter subagents	O vídeo descreve casos em que subagents continuam úteis e discute a revisão de skills e instruções.
07:40	Limites da simplificação	A redução do harness nem sempre diminui custos ou é adequada, então o vídeo recomenda avaliar cada mudança no próprio sistema.

Citações

Um agent com um conjunto de skills frequentemente superava, em qualidade, tanto um prompt gigante quanto uma equipe de subagents. — 01:00

Só adicione complexidade quando ela demonstrar que melhora os resultados. — 02:32

Mantenha o subagent apenas se a versão incorporada tiver resultados piores. — 04:34

O harness deve diminuir à medida que o modelo evolui. — 09:12

Conceitos e entidades

Anthropic (empresa): Empresa cuja equipe Applied AI compartilhou recomendações sobre o uso de agents e skills.
Claude Code (ferramenta): Ferramenta citada no vídeo como exemplo de redução do system prompt para modelos mais fortes.
subagent (conceito): Agent auxiliar que pode executar tarefas separadas, como pesquisa paralela ou trabalho com contexto isolado.
skill (conceito): Conjunto de instruções que pode incorporar a função de um subagent e ser carregado quando necessário.
Harness (conceito): Estrutura de instruções, ferramentas e mecanismos de apoio construída em torno de um modelo.
Frankenprompt (conceito): Termo usado por Anthropic para descrever um system prompt que acumula complexidade.
progressive disclosure (conceito): Abordagem que carrega instruções detalhadas apenas quando elas são necessárias.
Conway’s Law (conceito): Ideia mencionada no vídeo para descrever como a estrutura de agents pode acabar reproduzindo o organograma de uma empresa.
Claude Opus (modelo): Modelo usado como referência na comparação citada sobre pesquisa multi-agent.
Cursor (empresa): Empresa mencionada em relação ao trabalho de Gedai Cats em sua equipe de agent harness.
Grokbot (ferramenta): Sistema citado como exemplo de uso de um agent coordenador e vários workers.
Cognition (empresa): Empresa cujo exemplo de subagents construindo partes incompatíveis de um projeto é citado no vídeo.
Microsoft Research (empresa): Organização associada a um estudo citado sobre skills que podem transformar listas de validação em trabalho obrigatório.
Gedai Cats (pessoa): Pessoa citada por sua explicação sobre um ciclo de evolução entre harnesses e modelos.

Tradução completa (pt-BR)

00:00 Subagents são ótimos. Subagents são ruins. É meio difícil acompanhar. A Anthropic acabou de dizer às empresas que se livrem dos subagents desnecessários e os incorporem a um único agent com skills. E esse tipo de redução é uma tendência que temos visto nas últimas semanas e nos últimos meses. Vimos pessoas reduzindo seus arquivos agents.md e também recorrendo às suas skills. O fato é que os modelos estão melhorando, e os harnesses complicados que desenvolvemos em torno deles não são necessários em todos os casos, pelo menos. Dá para ver isso no próprio

00:30 Claude Code. Eles reduziram o system prompt em mais de 80% para os modelos mais fortes. Reparem que eu disse modelos mais fortes, porque isso não vai funcionar para todos os níveis de capacidade dos modelos. Então, diante dessa nova pesquisa e das orientações da Anthropic e de outros, também deveríamos desativar nossos subagents? Eu sou Rob, do Switch Dimension. Vou explicar o que a Anthropic disse, por que tudo isso está acontecendo agora e mostrar como aplicar isso por conta própria às suas skills, ao seu CLAUDE.md e aos seus subagents. Tudo isso vem da equipe de IA aplicada da Anthropic e foi publicado

01:00 em 22 de outubro. Eles dizem que um agent com um conjunto de skills frequentemente superava, em qualidade, tanto um único prompt enorme quanto uma equipe de subagents. Muitas vezes, também era mais barato e rápido. E quem não quer algo rápido e barato? Em um caso, um cliente comparou sua configuração multiagent com um único loop, e o loop único rodou cerca de duas vezes mais rápido. Então, como acabamos com tantos subagents? Bem, quando se trata de fábricas de software e da execução de processos para empresas, cada equipe está criando seu próprio conjunto de agents. E aí alguém

01:31 coloca um orquestrador por cima para gerenciar todos esses agents. Em pouco tempo, você tem uma equipe de agents que é uma cópia do organograma da empresa. Vimos muito disso com o OpenClaw: as pessoas estavam criando centenas de agents, e tudo ficou complicado demais. Isso é chamado de Lei de Conway. O problema é que, quando os agents se comunicam, cada transferência perde detalhes, e cada equipe ou agent que você adiciona acrescenta um sistema e um pouco mais de complexidade ao system prompt. A Anthropic tem até um termo para isso: Frankenprompt. A solução é a divulgação progressiva, algo que temos visto incorporado

02:02 à maneira como as skills vêm sendo desenvolvidas nos últimos meses. Uma skill tem uma descrição curta e ferramentas e só carrega o conteúdo completo quando precisa dele. Isso é uma parte importante da maneira como reduziram o prompt do Claude Code. Então, por que carregar todas as informações se elas talvez nem forem necessárias? Basta indicar que estão disponíveis, e o agent pode consultá-las quando precisar. Assim, o context window fica organizado. A Anthropic não diz que os subagents estão mortos, e já vou explicar por que você ainda vai querer usar um. Então, por que toda

02:32 essa simplificação está acontecendo agora? Muito do que construímos em torno do modelo, como os subagents e esses system prompts longos, é uma estrutura de suporte para os modelos que tínhamos há uns seis meses. Com muitos dos modelos mais novos, toda essa complexidade que adicionamos deixou de trazer benefícios e, na verdade, pode até ser bastante perigosa e distrair o modelo do que ele precisa fazer. A Anthropic diz que você só deve adicionar complexidade quando ficar realmente demonstrado que ela melhora os resultados. Então, Gedai Cats, que trabalhou na equipe de agent harness da Cursor e agora trabalha na Grokbot, chama isso de volante de inércia. Ele fez uma ótima

03:03 palestra sobre isso no canal AIE; vale a pena conferir. Vou deixar um link na descrição. A ideia dele é que construímos esses harnesses, e os modelos aprendem com eles. Isso torna possíveis tarefas mais difíceis e, quando os modelos alcançam os harnesses, podemos apagar o que veio antes e criar um novo harness em torno de modelos mais avançados. Isso mostra que chegamos a um estágio em que nossos sistemas nunca vão ficar parados. Eles precisam ser atualizados continuamente. Ele aponta para dois estudos em que o harness quase não alterou as pontuações de programação nos modelos mais novos, mas o custo por tarefa variou bastante. Uma dica legal que tirei

03:34 dessa palestra: a equipe dele registra cada proteção temporária sempre que ela é acionada. Basicamente, eles implementaram esses pequenos hooks e proteções para manter o modelo no rumo certo. Eles os chamam de shims. Quando esses shims começam a ser acionados, eles têm outro bot que abre um pull request para excluir o shim. Nesse caso, um subagent é basicamente um desses shims e, quando o agent principal já consegue fazer o trabalho, você pode simplesmente removê-lo. Ter um agent fazendo essa limpeza do seu harness é uma etapa avançada, mas dá para ver aonde isso nos leva: à ideia de um harness que evolui sozinho.

04:04 Então, como incorporar um subagent? A Anthropic diz para começar pelos subagents que encadeiam as saídas uns dos outros, os que mexem nos mesmos dados ou são chamados juntos. Agora, se um subagent existe porque suas ferramentas estão restritas a um processo específico, é melhor deixá-lo como está. Ferramentas restritas são um motivo para mantê-lo. Primeiro, estabeleça uma linha de base. Use 10 prompts variados que deveriam acionar o subagent e execute cada um duas vezes. Registre se o subagent correto é chamado pelo seu prompt e se ele passa no teste. Então, para incorporá-lo, no

04:34 Claude Code, o arquivo de um subagent é uma descrição mais um system prompt. Lembre-se: tudo isso é apenas linguagem natural. Já uma skill é sua descrição mais algumas instruções. Então, basicamente, o prompt do subagent vira o corpo de um novo arquivo skill.md, e você reescreve a descrição para dizer o que ele faz e quando deve ser usado. Em essência, você se livra do subagent e incorpora sua funcionalidade a uma skill. Depois, mova o arquivo antigo do subagent para outro lugar, em vez de apagá-lo, e execute novamente os mesmos prompts em uma sessão nova. Mantenha o subagent apenas se a versão incorporada tiver uma pontuação pior.

05:07 Tudo isso parece muito demorado para executar e testar, mas você pode configurar um agent para executar esses testes por você. Eu simplesmente forneceria a ele o artigo da Anthropic ou até mesmo este vídeo e pediria que analisasse seus subagents. Então, quando um subagent ainda merece ser mantido? A Anthropic nos dá três casos. O primeiro cenário é o excesso de contexto. Se você não quiser que seu context window fique sobrecarregado com toda a pesquisa e o conteúdo que está sendo despejado nele, isso pode prejudicar de forma mensurável o agent principal. Em vez disso, é claro, você pode usar subagents em paralelo

05:37 com seus próprios context windows novos. Você pode descartá-los, e eles vão resumir suas descobertas e entregá-las ao agent principal. Outro caso é quando um agent fica escolhendo as ferramentas erradas. Nesse caso, talvez você queira separar os agents por contexto, mas não necessariamente pelo organograma. A maior vantagem dos subagents está na pesquisa em paralelo. Nesse caso, o sistema multiagent de pesquisa da Anthropic supera o Claude Opus, de agent único, em 90% nas evals internas da empresa. Subagents também são ótimos para pesquisar bases de código e lidar com tarefas secundárias ruidosas, como vasculhar logs, e para revisores que só vão ler

06:08 conteúdo. É claro que a desvantagem é que você vai usar muito mais tokens nesse processo e, quando se trata de escrever ou construir alguma coisa, usar um subagent nem sempre é a melhor opção. Em um exemplo da Cognition, um subagent criou um fundo para Flappy Bird que se parecia muito com Super Mario, e outro subagent foi lá e criou um pássaro que não combinava nem um pouco com o fundo. Então, se você tem etapas que dependem umas das outras, mudanças rápidas e muita interação com você, mantenha tudo no agent principal. Mais sobre como eliminar partes do seu harness.

06:38 Você provavelmente já ouviu falar sobre apagar suas skills. Esse conselho já circula há alguns meses e segue, mais ou menos, a mesma lógica. Cada descrição de skill e cada linha do seu CLAUDE.md e do seu AGENTS.md fazem parte do harness. E muita coisa pode ter sido escrita para um modelo mais antigo. Você vai pagar por tudo isso. A documentação do Claude Code diz que cada skill na lista é adicionada ao seu contexto em todas as interações, quer o Claude Code a use ou não. Como ponto de partida em um dos meus cursos que estão por vir, recomendo que você faça uma boa limpeza no seu harness e comece do zero. Então,

07:09 as skills também podem gerar trabalho desnecessário. Um artigo da Microsoft Research e de duas universidades concluiu que, com as skills, o que acaba acontecendo é que essas listas de validação e receitas de construção viram tarefas obrigatórias. Se sua skill diz para sempre executar o conjunto completo de testes, ela pode fazer isso mesmo que a mudança no seu código seja só uma linha em um botão. Você precisa dar ao modelo um pouco de flexibilidade para decidir quando isso vai ser exagero. Uma skill útil para isso é /skill-doctor. Você pode executá-la por conta própria no Claude Code. E, para apagar as

07:40 skills que nunca são acionadas. Depois, leia seu arquivo CLAUDE.md ou AGENTS.md e pergunte a si mesmo: o modelo atual que estou usando faria isso de qualquer jeito, sem que eu precisasse mandar? Se sim, simplesmente remova. E, se tiver tempo, claro, execute os evals depois para testar. Não é algo tão simples. Por outro lado, nem sempre é necessário reduzir os harnesses. Por exemplo, com o Grok Bot, ele executa um bot coordenador e depois tem uma frota de workers. E, como esses bots fazem coisas fora do âmbito da programação, área em que

08:11 nossos modelos ficaram muito bons, eles estão, na verdade, adicionando de volta certas proteções, porque são áreas que os modelos ainda não dominam muito bem. Agora, como contraponto, reduzir as skills também nem sempre vai resolver sua conta nem diminuí-la. Um artigo de julho reduziu as skills em até 54%, e o custo por tarefa não necessariamente caiu. Em alguns casos, as skills são pequenas e consistem principalmente em partes armazenadas em cache daquilo que o agent lê. Armazenadas em cache significa que, quando são incluídas no prompt inicial, você paga bem menos por elas nas interações seguintes do agent. Além disso, o guia da Anthropic

08:41 aqui apresenta apenas um padrão que estão observando no trabalho com clientes. Não há taxas de aprovação nem tamanhos de amostra, então podemos testar isso na nossa própria configuração. Só precisamos descobrir por conta própria, na prática, como isso funciona. Então, para dar a você uma lista de verificação sólida para seus coding agents ou seu sistema, eu criaria um eval pequeno — ou simplesmente pediria ao seu agent que o criasse — e depois incorporaria um subagent de cada vez. Com isso, quero dizer que você desativa o subagent e pega o que ele fez, colocando isso em uma skill. Depois, mantenha esse subagent apenas se a versão incorporada tiver uma pontuação pior. Se tudo correr bem, o que deveríamos ver é

09:12 o harness encolhendo à medida que o modelo cresce. Os subagents ainda serão úteis para isolamento, permissões e coisas do tipo. E, claro, também para leitura e pesquisa em paralelo. Vamos tentar chegar a um ponto em que colocamos tudo o que precisa da mesma memória em um só agent. Estamos vendo algo parecido com o Grok Bot e o Juwel. Temos esse agent principal que aciona vários workers diferentes. E, inevitavelmente, quero estar numa situação como essa, em que estou apenas conversando com um agent para resolver tudo o que preciso. Não quero ter que recorrer a vários agents diferentes e decidir: bom, para que você serve?

09:43 O que você faz? Só quero poder trabalhar com um agent, meu chefe de gabinete. Se quiser se aprofundar na criação de agents assim, confira o curso e a comunidade Switch Dimension, nos links da descrição. Adoraria saber como todo mundo usa subagents. Você tem um monte deles realizando várias tarefas diferentes ou prefere trabalhar com apenas um agent e muitas skills? Se isso foi útil, inscreva-se. Se quiser saber mais sobre a Anthropic e o ciclo de vida de desenvolvimento de software deles, confira este vídeo aqui.

Transcrição original

[00:00] Subagents are great. Subagents are bad. It is kind of hard to keep up. Anthropic just told companies to get rid of their unnecessary subagents and fold them into one agent with skills. And this kind of reduction is a trend we’ve been seeing over the last few weeks and months. We’ve seen people reducing their agents.md files and also calling their skills. The fact here is the models are getting better and the complicated harnesses we’ve been developing around them are not required in every instance, at least. You can actually see this with

[00:30] Claude code itself. They have cut the system prompt by over 80% for their stronger models. Notice the way I said stronger models, and that’s because this isn’t going to work for every type of model strength. So, with this new research and guidance from Anthropic and others, should we be turning off our subagents as well? I’m Rob from Switch Dimension. I’m going to go through what Anthropic said, why all this is happening now, and I’m going to show you how to apply this yourself when it comes to your skills, your Claude.md, and your subagents. So, this is all coming from Anthropic’s Applied AI team, and it came

[01:00] out on the 22nd of October. So, they’re saying one agent with a set of skills was frequently beating both one giant prompt and a team of subagents on quality. It was often cheaper and faster, too. And who doesn’t want fast and cheap? In one case, a customer tested their multi-agent setup against a single loop, and the single loop ran about twice as fast. So, how are we ending up with so many subagents in the first place? Well, when it comes to software factories and running processes for companies, each team is building out its own set of agents. And then someone

[01:31] folds an orchestrator on top to manage all these agents. And before long, you’ve got this agent team that is a copy of your org chart. We saw this a lot with open cloud, people were building in hundreds of agents, and it just got way too complicated. So, this is called Conway’s Law. So, the problem here is when agents are communicating, every handoff loses detail, and then every team or every agent you’re adding is going to add a system and a little bit more complexity to the system prompt. Anthropic actually have a word for this called the Frankenprompt. So, the fix for this is progressive disclosure and we’ve seen this baked

[02:02] into how skills have been built for the last couple of months. So, the agency is a short description of the skill and tools and then only loads the full thing only when it needs it. And this is a big part of how they cut down Claude code’s prompt. So, essentially why would you load in all of the information if it’s not necessarily going to be needed? Just give an indication that it’s there and the agent can go look it up when it’s required and that keeps the context window nice and tidy. Now, Anthropic don’t say sub agents are dead and I am going to come back to you on why you’re still going to want one. So, why is all

[02:32] this simplification happening now? A lot of what we build around the model like the sub agents and these long system prompts is scaffolding for the models that we had like 6 months ago. With a lot of the newer models we’re getting all that complexity we’ve added has kind of stopped paying off and in fact it can actually be quite dangerous and distract the model from what it needs to be doing. Anthropic are saying you should only add complexity when it really demonstrates it improves the outcomes. So, Gedai Cats who worked on Cursor’s agent harness team and now on Grokbot calls this the flywheel. He’s a great

[03:03] talk on this on the AIE channel you should check it out. I’ll leave a link in the description. So, his point is we’ve built these harness then the models actually learn from the harnesses we’ve built and it makes harder tasks possible and when the models catch up with the harnesses we can actually delete what’s gone before and grow a new harness around more advanced models. It just goes to show we’re at a stage where our systems are never going to be at rest. They need to be continually updated. He points to two studies where the harness barely changed coding scores on newer models but the cost per task varied a lot. One cool tip I got from

[03:34] that talk, his team logs every temporary guardrail each time it fires. So, basically they’ve put these little hooks and guardrails in place to keep the model on track. They call them shims. And when these shims start firing, they actually have another bot which opens up a pull request to delete that shim. In In case, a sub agent is basically one of these shims, and once the main agent can do its job, you can just delete it. Now, having an agent like that do the cleanup of your harness is an advanced step, but you can see where we’re going with this. This idea of a self-evolving harness.

[04:04] So, how do you fold a sub-agent? Well, Anthropic says start with the sub-agents that chain on each other’s output, the ones that are touching the same data or get called together. Now, if a sub-agent exists because its tools are locked down to a certain process, you want to leave that alone. Restricted tools are a reason to keep it. So, first of all, get your baseline. Use 10 varied prompts that should fire the sub-agent and run each one twice. Track whether the right sub-agent actually gets called with your prompt and whether it actually passes the test. So, when it actually comes to folding it in, in

[04:34] Claude code, a sub-agent file is a description plus a system prompt. Remember, this is all just natural language. And then, a skill is its description plus some instructions. So, basically, the sub-agent prompt becomes the body of a new skill.md, and then you rewrite the description to say what it does and when to use it. Essentially, you’re getting rid of the sub-agent and just folding its functionality into a skill. So then, move the old sub-agent file aside instead of deleting it and then rerun the same prompts in a fresh session. And then, keep the sub-agent only if the folded version scores worse.

[05:07] Now, all of this sounds really time-consuming to run and to test, but you can set up an agent to go and actually run these tests for you. I would actually just feed it the Anthropic article or even this video and ask it to run the analysis on your sub-agents. So, when does a sub-agent still earn its place? So, Anthropic gives us three cases. So, the first scenario is with context bloat. If you don’t want your context window to get overloaded by all the research and content that’s being flooded in, it might measurably hurt the main agent. What you can do there instead, of course, is use parallel sub-agents

[05:37] who’ve got their own fresh context window, and you can throw them away, and they will summarize their findings and give it to the main agent. Another case is where one agent keeps picking the wrong tools. So, in that case you might split agents by context, but not necessarily by org chart. The biggest win for sub agents is parallel research. In this case, Anthropic’s multi-agent research system beats single-agent Claude Opus by 90% on their internal evals. Sub agents are also great for searching code bases and noisy side tasks like digging through logs and reviewers that are only going to read

[06:08] content. Of course, the downsides here is you’re going to use a hell of a lot more tokens in this process, and when it comes to writing or building something, use of sub agent isn’t always the best case. In an example from Cognition, they had one sub agent build a Flappy Bird background that looks a lot like Super Mario, and then another sub agent went and built a bird that did not match the background whatsoever. So, if you have steps that depend on each other, there’s quick changes, lots of back and forth with you, then keep them in the main agent. More on culling your harness.

[06:38] You’ve probably already heard about deleting your skills. That advice has been around for a few months, and it kind of follows the same logic. Every skill description and every line in your Claude that MD and your agents.md is harness. And a lot of it might have been written for an older model. And you’re going to be paying for all this. Claude codes docs say every skill in the listing adds to your context on every single turn, whether Claude codes is using this or not. As a starting point in one of my courses coming up, I recommend that you absolutely cull your harness and start from scratch. So,

[07:09] skills can also make busy work. A paper from Microsoft research and two universities found that what ends up happening with skills is you’re turning these validation checklists and construction recipes into mandatory work. If your skill says always run the full test suite, it might do that even if there’s like a one-line change to a button in your code. You need to give the model a little bit of flexibility to decide when that’s going to be overkill. A handy skill around this is {slash} skill doctor. You can run it yourself in Claude code, and And to delete the

[07:40] skills that never fire. And then go and read your Claude.md file or your agents.md file and ask yourself, would the current model I’m using do this anyway without being told? And if yes, just cut it out. And if you’ve time, of course, just run the eval after to test. Now, it’s not straightforward. On the other side, harnesses don’t always need to shrink. For an example, with Grok Bot, it will run a coordinator bot and then have a fleet of workers. And because these bots are doing things that fall outside the realm of coding, where

[08:11] our models have gotten really good, they’re actually adding certain guardrails back because these are areas that the models just really haven’t nailed yet. Now, as a counterpoint, also trimming skills won’t always fix your bill and reduce it, either. A July paper shortened skills by up to 54% and the cost per task didn’t necessarily drop. In some cases, skills are small, mostly cached parts of what the agent reads. Cached meaning that when they’re brought in in the initial prompt, you’re charged a lot less for them in subsequent turns of the agent. Also, Anthropic’s guide

[08:41] here is just a pattern they’re seeing from their customer work. There’s no pass rates or sample sizes, so we can test it on our own setup. We just have to feel our way through this ourselves. So, to give you a solid checklist in your coding agents or your system, what I would do is I would build a small eval or just just get your agent to build it and then fold in one sub agent at a time. By that, I mean basically you’re turning the sub agent off and just taking what it did and putting it into a skill. And then keep that sub agent only if the folded version scores worse. All going right, what we should be seeing is

[09:12] the harness is shrinking as the model grows. Where sub agents are still going to be useful is for isolation, permissions, different things like that. And then, of course, for parallel reading and research. And let’s try and get to a place where we put everything that needs the same memory in one agent. We’re kind of seeing this with the likes of Grok Bot and Juwel. We’ve got this main agent that spins off lots of different workers. And inevitably, I want to be in a situation like her where I’m just chatting to one agent to get all of my things done. I don’t to multiple different agents that I have to go to to decide, well, what are you for?

[09:43] What do you do? I just want to be able to work with one agent, my chief of staff. If you want to go deeper on building agents like this, check out the switch dimension course and community in the description. I’d love to know how everybody else uses sub-agents. Have you got a ton of them doing various different tasks or do you prefer to just work with one agent and a lot of skills? If this was useful, subscribe. If you want to learn more about Anthropic and their software development life cycle, you can check out this video here.