Эрик Прованше, разработчик Codex в OpenAI, в серии постов в X описал проблему, с которой сталкиваются команды, строящие агентные системы: чем больше параллельных субагентов запускается для одной задачи, тем выше расход токенов, но качество результата не растёт. По его словам, уже более двух одновременных субагентов почти всегда ведут к пустой трате ресурсов. Это наблюдение он подкрепил конкретным примером: кто-то потратил $20 000 на рефакторинг одного Python-файла, задействовав 1393 агента Fable. Прованше отметил, что единственный агент Astra справился бы с той же задачей за «долю стоимости».
Суть проблемы Прованше называет «налогом на координацию». Агенты не доверяют друг другу и начинают «перепроверять домашнюю работу каждого», тратя токены на избыточные верификации. «Очень трудно удерживать столько параллельных линий без срыва и сжигания токенов на чрезмерную проверку», — пишет он. Дополнительные расходы возникают из-за системных промптов, которые дублируются для каждого субагента, а при недостатке контекста субагенты совершают повторные вызовы инструментов. «Дублирование усилий — это главное», — соглашается Прованше.
| Параметр | Рой агентов (1393 Fable) | Один агент (Astra) |
|---|---|---|
| Задача | Рефакторинг одного Python-файла | Рефакторинг одного Python-файла |
| Стоимость | $20 000 | Доля стоимости |
| Качество | Без выигрыша | Сопоставимое |
В качестве альтернативы он предлагает делегировать задачи в отдельные потоки, которые уведомляют главный агент только по завершении, вместо постоянного опроса статуса. Такой подход снижает накладные расходы на координацию и уменьшает число избыточных проверок. Прованше признаёт, что OpenAI пока не выпустила готового решения этой проблемы, но работа ведётся.
Пример: рефакторинг одного Python-файла с 1393 агентами Fable обошёлся в $20 000, тогда как один агент Astra справился бы за малую часть суммы.
Контекст: агентные системы на основе больших языковых моделей (LLM) становятся популярным инструментом автоматизации, однако их экономическая эффективность остаётся предметом дискуссий. Рои агентов (agent swarms) позиционируются как способ ускорить выполнение сложных задач за счёт параллелизма, но на практике координация между агентами требует дополнительных токенов. Это особенно чувствительно для компаний, использующих платные API, где каждый токен имеет цену. Прованше не первый, кто указывает на подобные ограничения: ранее исследователи отмечали, что мультиагентные системы могут страдать от «раздувания» коммуникации. Тем не менее, OpenAI продолжает развивать Codex и другие агентные продукты, обещая улучшить управление ресурсами.
Для разработчиков и компаний, внедряющих ИИ-агентов, вывод Прованше служит практическим ориентиром: прежде чем масштабировать число параллельных агентов, стоит оценить, оправдывает ли прирост скорости дополнительные затраты на токены. В большинстве случаев, как показывает пример с Fable, ответ отрицательный.
