AI
Multi-Agent Orchestration: Subagents Explained
Agustus 20268 menit baca
Multi-agent orchestration adalah desain di mana sebuah lead agent memecah tugas besar menjadi pekerjaan berlingkup lebih sempit dan mendelegasikannya ke subagents khusus. Setiap subagent berjalan di context window-nya sendiri, bekerja paralel, dan mengembalikan hasil ringkas. Lead lalu menggabungkan hasil-hasil itu menjadi jawaban akhir.
Subagent adalah worker berlingkup sempit dengan context window sendiri, system prompt sendiri, dan sering kali set tool terbatas. Ia menangani satu tugas sempit dan hanya mengembalikan ringkasan pendek, sehingga output tool mentahnya tidak pernah memenuhi konteks lead agent. Agen utama tetap fokus pada perencanaan dan sintesis.
Setiap agen menjalankan context window-nya sendiri, jadi beberapa agen berarti beberapa percakapan paralel yang masing-masing memakan token. Anthropic melaporkan sistem riset multi-agent-nya memakai sekitar lima belas kali lebih banyak token dibanding chat biasa. Biaya ekstra itu baru sepadan pada tugas yang luas dan bernilai tinggi.
Gunakan satu agen ketika tugasnya sempit, berurutan, atau bergantung pada state bersama sepanjang jalan. Memecah pekerjaan semacam itu ke subagents justru memecah konteks, menambah overhead koordinasi, dan memakan lebih banyak token untuk hasil yang lebih buruk. Baik Anthropic maupun OpenAI menyarankan mulai dari satu agen dan menambah spesialis hanya jika jelas membantu.
Yang paling umum adalah fan-out dan gather, di mana lead menjalankan subagent independen secara paralel lalu menggabungkan outputnya; worker pool, di mana manager memanggil spesialis sebagai tool; critic atau verifier, di mana satu agen memeriksa draf agen lain; dan pipeline, di mana agen mengubah output secara berurutan. Sistem nyata biasanya mencampur pola-pola ini.
Ringkasan Utama
Multi-agent orchestration adalah desain di mana sebuah lead agent memecah tugas besar menjadi pekerjaan berlingkup sempit dan menjalankan subagents khusus yang masing-masing punya context window sendiri, bekerja paralel, dan mengembalikan hasil ringkas. Pendekatan ini memberi cakupan luas dan isolasi konteks, tetapi memakan lebih banyak token dan koordinasi, sehingga setup satu agen sering lebih unggul untuk tugas sempit.
Anda memberi sebuah agen pertanyaan riset besar lalu melihat context window-nya penuh. Hasil pencarian, isi file, log tool, penalaran setengah jadi, semuanya menumpuk dalam satu percakapan sampai model mulai kehilangan arah. Melewati ukuran tertentu, konteks tambahan berhenti membantu dan justru merugikan.
Multi-agent orchestration adalah salah satu jawabannya. Alih-alih satu agen mengerjakan semuanya dalam satu context window, sebuah lead agent merencanakan pekerjaan lalu menyerahkan potongan berlingkup sempit ke subagents yang masing-masing berjalan sendiri. Tulisan ini menjelaskan modelnya, pola di baliknya, dan tradeoff jujurnya, agar Anda tahu kapan pendekatan ini sepadan dan kapan satu agen adalah pilihan yang lebih cerdas.
Satu agen menyimpan seluruh riwayatnya dalam satu context window: system prompt, setiap panggilan tool, setiap hasil, dan setiap langkah penalaran. Itu bekerja sangat baik untuk tugas yang fokus. Pendekatan ini runtuh ketika tugasnya luas, karena window terisi materi yang harus dibaca ulang model di setiap giliran.
Ada dua batas yang muncul bersamaan. Pertama, kapasitas: tugas riset yang lebar bisa butuh lebih banyak sumber daripada yang muat dalam satu window. Kedua, fokus: saat window penuh oleh output tool mentah, sinyal yang sebenarnya dibutuhkan model terkubur oleh noise, dan kualitas jawaban menurun. Anthropic mencatat bahwa pertanyaan breadth-first dengan banyak arah independen justru kasus yang sulit dicakup dengan baik oleh satu agen.
Dalam model orchestrator-worker, sebuah lead agent memegang tujuan keseluruhan. Ia menganalisis permintaan, memutuskan cara memecahnya, dan menjalankan subagents, masing-masing dengan brief yang sempit. Setiap subagent mendapat context window sendiri, system prompt sendiri, dan sering kali set tool terbatasnya sendiri. Ia menyelesaikan tugas berlingkupnya lalu mengembalikan hasil ringkas ke lead.
Dua sifat membuat pendekatan ini kuat. Isolasi konteks berarti output tool yang berantakan tetap di dalam subagent, dan hanya ringkasannya yang sampai ke lead, sehingga window orchestrator tetap bersih. Paralelisme berarti beberapa subagent mengeksplorasi cabang berbeda sekaligus, bukan satu demi satu. Anthropic melaporkan pendekatan ini memangkas waktu riset secara signifikan pada kueri kompleks dengan menjalankan subagent dan panggilan tool-nya secara bersamaan.
Beri setiap subagent satu tujuan yang jelas dan katakan persis apa yang harus dikembalikan. Brief yang kabur membuatnya berkelana dan membakar token; brief yang tajam menjaga hasil ringkas tetap kecil dan benar-benar berguna bagi lead.
Sebagian besar sistem nyata adalah kombinasi dari beberapa bentuk yang berulang. Pilih yang cocok dengan cara tugas Anda benar-benar terpecah.
Orkestrasi tidak gratis. Menjalankan banyak agen berarti menjalankan banyak context window, dan penggunaan token naik cepat. Anthropic melaporkan sistem riset multi-agent-nya memakai sekitar lima belas kali lebih banyak token dibanding chat biasa, dan pengeluaran token itu menjelaskan sebagian besar perbedaan performa. Itu baru sepadan ketika tugasnya bernilai tinggi dan benar-benar lebar.
Ada biaya koordinasi juga. Lead harus menulis brief yang baik, subagent bisa salah membaca lingkup, dan menjahit hasil parsial menjadi satu jawaban yang koheren adalah pekerjaan tersendiri. Baik Anthropic maupun OpenAI memberi nasihat yang sama: mulai dengan satu agen, dan tambahkan spesialis hanya ketika mereka jelas meningkatkan isolasi kapabilitas, kejelasan prompt, atau cakupan. Memecah terlalu dini hanya menambah prompt dan trace tanpa membuat hasilnya lebih baik.
Lebih banyak agen tidak berarti jawaban lebih baik. Jika sebuah tugas berbagi satu alur state atau butuh koordinasi real-time yang ketat, subagent justru memecahnya, dan Anda membayar token ekstra untuk hasil yang lebih buruk dan lebih sulit di-debug.
Gunakan banyak agen ketika tugasnya luas, cabang-cabangnya independen, atau ketika pekerjaan sampingan akan membanjiri konteks utama Anda dengan output yang tidak akan pernah Anda rujuk lagi. Pertahankan satu agen ketika pekerjaannya sempit, berurutan, atau bergantung pada state bersama sepanjang jalan.
Multi-agent orchestration menukar token dan koordinasi dengan cakupan paralel serta konteks yang bersih dan terisolasi. Dipakai pada pekerjaan yang luas, bernilai, dan independen, pendekatan ini bisa mengungguli satu agen dengan selisih besar; dipakai pada tugas sempit, ia hanya menambah biaya dan kerapuhan. Mulai dengan satu agen, ukur, dan pecah hanya ketika pekerjaannya benar-benar menuntutnya.