Subagenty se vyplatí nahradit jedním agentem ve smyčce (single agent loop) tam, kde vždy běží společně nebo jen nesou znalosti a akce, které zvládne skill a nástroj. Kde potřebují vlastní kontext, paralelní běh nebo oddělená oprávnění, ponechte je. O výsledku rozhoduje eval na vašich úlohách, ne obecné číslo.
Co je single agent loop a čím se liší od multi-agent systému?
Single agent loop je jeden hlavní model v jedné smyčce, který sám volá nástroje a načítá skills, místo aby práci rozdělovával router mezi specialisty.
Dosavadní multi-agent systém obvykle staví router nebo orchestrátor před sadu specialistů. Tak se běžně staví ve frameworcích jako LangGraph, CrewAI nebo AutoGen. Router rozpozná úlohu a vybere subagenta. Ten dostane vlastní instrukce, nástroje i kontext a výsledek vrátí koordinátorovi, který případně spustí dalšího.
V jedné smyčce je postup jiný. Model v každém tahu dostane výsledky nástrojů a může vydat celou dávku paralelních volání. Plný text skillu si načte, až když ho potřebuje. Anthropic popisuje v README kitu cíl migrace jako agenta, který „načítá skills a nástroje na vyžádání“.
Podstatný rozdíl není v počtu agentů. Rozdíl je v počtu kontextových oken (context window) a v tom, kolikrát se výsledek předává a znovu shrnuje. Každé předání stojí volání modelu, tokeny a latenci. Navíc se při něm může ztratit detail, který další krok potřeboval.
| Kritérium | Router se subagenty | Single agent loop |
|---|---|---|
| Kontext | Více oken, výsledky se předávají | Jedno hlavní okno |
| Kdo vybírá specialistu | Router | Hlavní agent sám volí skill nebo nástroj |
| Instrukce | Často aktivní předem v každém subagentovi | Skill se načte až při potřebě |
| Výsledek akce | Subagent ho shrne koordinátorovi | Nástroj ho vrátí přímo agentovi |
| Volání modelu | Za každý krok routeru a subagenta | Paralelní dávky v jedné smyčce |
Srovnání vychází z popisu architektur v README repozitáře a z referenční smyčky loop.py.
flowchart LR
U["Uživatel"] --> R["Router"]
R --> S1["Subagent: objednávky"]
R --> S2["Subagent: reklamace"]
S1 --> R
S2 --> R
U2["Uživatel"] --> L["Hlavní agent ve smyčce"]
L --> T["Nástroje paralelně"]
T --> L
L --> K["Skill na vyžádání"]
K --> LPrincip sám není nový. Na střídání úvahy a akce v jedné smyčce stojí práce ReAct, podobně fungují OpenAI Assistants API i Claude Code. MCP (Model Context Protocol) standardizuje připojení nástrojů, ale konkrétní architekturu agenta neurčuje. Novinkou od Anthropicu je migrační metodika: jak existující systém se subagenty postupně zploštit a každý krok změřit.
Jak funguje single-agent-loop-kit krok za krokem
Kit je Claude Code skill, který projde váš kód, navrhne verdikt pro každého subagenta a pak provede změny po jedné. Každou změnu přitom změří na stejném evalu.
Tři fáze: měřit, sloučit, přeložit
README kitu popisuje tři fáze a výslovně uvádí, že kit nepředpokládá, že jedna smyčka vždy vyhraje. Subagent zmizí jen tehdy, když čísla ukážou, že jeho náhrada obstojí.
- Změřte současný stav. Kit udělá inventuru subagentů a spustí baseline na evalu. Pokud eval nemáte, pomůže sestavit zhruba deset úloh a nechá vás opravit, co u každé znamená správný výsledek.
- Slučte, co běží spolu. Subagenty, kteří se vždy spouštějí společně, spojí do jednoho.
- Převeďte zbytek na skill. Každého zbylého subagenta rozloží na skill a nástroje v hlavním agentovi, vždy jen jednoho a vždy s porovnáním.
- Ponechte, co si to zaslouží. Subagenta, kterému se vlastní kontext vyplatí, zachová a volá ho jako nástroj.
- Udržujte systém. Systémový prompt a sdílený eval vlastní jeden malý tým, skills vlastní doménové týmy.
Krok 03 (fold) převede znalosti a pracovní postup subagenta na skill a jeho API na nástroje. Odstraní také příslušnou cestu z routeru. Hlavní agent pak vidí jen krátký popis skillu a plný obsah si načte až v případě potřeby. To je jádro přístupu skills a nástroje na vyžádání.
Co je v repozitáři
Skill se zkopíruje do repozitáře vašeho agenta a spustí se v Claude Code. Bezplatná offline kontrola ukázkového příkladu nepotřebuje API klíč a podle README vypíše devatenáct řádků s výsledkem „The plumbing works.“
# Instalace skillu do vlastního repozitáře agenta
git clone https://github.com/anthropics/single-agent-loop-kit
cp -r single-agent-loop-kit/skill <your repo>/.claude/skills/single-agent-loop
# Offline kontrola ukázky: falešný model podle klíčových slov, nic neplatíte
cd single-agent-loop-kit/examples/support-desk
KIT_MODEL=fake python3 evals/run_eval.py --variant smoke
# Pak v Claude Code: "Run the single-agent-loop skill."Skill se pokaždé zastaví ve stejných bodech: po auditu, před každým placeným během, po baseline a po každé změně. Před placeným během ukáže odhad tokenů ze skriptu estimate.py. Poznámky si ukládá do složky single-loop/ ve vašem repozitáři.
Ukázka examples/support-desk obsahuje router a šest subagentů pro objednávky, vratky, dopravu, reklamace, účet a diagnostiku. Je postavená tak, aby každý subagent měl známou správnou odpověď. Referenční smyčka slouží ke čtení a kopírování. Obsahuje paralelní dávky nástrojů, skills na vyžádání, vyhledávání nástrojů, rozpočty, write gate a volitelný verifier.
Pokud řešíte, jak takovou smyčku navrhnout a provozovat, navazuje na to naše služba AI agenti a automatizace.
Co kit skutečně měří a co Anthropic nedokládá
Kit měří vaše úlohy, ne obecnou úsporu: dokončení úloh, latenci, počet volání modelu, tokeny a cenu před změnou a po ní.
Ověřitelné je tohle: repozitář vznikl 15. října 2026, je pod licencí Apache License 2.0 a hlavním jazykem je Python. README ho označuje za nepodporovanou referenční implementaci, která nepřijímá příspěvky. Issues a pull requesty nikdo nesleduje, takže opravy chyb nejsou zaručené.
Skript compare.py postaví dva běhy evalu vedle sebe. Porovná dokončení úloh, latenci, volání modelu, tokeny a cenu. Jde tedy o měřicí nástroj, ne o benchmark.
| Tvrzení | Stav v repozitáři |
|---|---|
| Licence Apache 2.0, nepodporovaná referenční implementace | Uvedeno |
| Srovnání dokončení, latence, volání, tokenů a ceny | Uvedeno (compare.py) |
| Obecná procentní úspora oproti subagentům | Neuvádí |
| Zhruba dvojnásobné zrychlení u zákazníka | Neuvádí |
Stav jednotlivých tvrzení vychází z README kitu. Čísla o zrychlení, která kolují na sociálních sítích, berte jako neověřená, dokud je nepotvrdí primární zdroj.
README samo vyjmenovává, co na reálném modelu neběželo:
- kroky merge a upkeep,
- hotová verze
single_loop/ukázkového příkladu, - úlohy t18 a t19,
- start z repozitáře bez evalu,
- kit na jakémkoli jiném systému než na ukázce.
Po druhém běhu se navíc změnilo znění skillu a podle textu ho žádná session v novém znění zatím nespustila. Úpravy referenční smyčky, například povinný write gate nebo započítání tokenů subagentů do rozpočtu, byly ověřeny jen offline.
Kdy mají subagenti dál smysl
Subagenti mají smysl, když jim vlastní kontext přináší víc, než stojí. Typicky jde o paralelní práci, izolaci velkého objemu dat, oddělená oprávnění a nezávislou kontrolu.
Krok 00 (audit) dá každému subagentovi jeden ze čtyř verdiktů: sloučit, převést, volat jako nástroj, nebo ponechat. Kit tím nepropaguje jeden AI agent místo subagentů za každou cenu. README výslovně uvádí důvody, proč subagenta zachovat: paralelní rešerše v čerstvých kontextech, nezávislou verifikaci a práci, která čte mnohem víc, než hlavní agent potom potřebuje.
| Situace | Verdikt | Co to znamená |
|---|---|---|
| Subagenti vždy běží spolu | Sloučit | Jeden agent místo dvou, odpadne předávání |
| Subagent nese jen znalost a akce | Převést (fold) | Skill a nástroje v hlavní smyčce |
| Vlastní kontext se vyplatí, ale stačí výsledek | Volat jako nástroj | Strukturovaná odpověď podle schématu |
| Oddělená oprávnění, paralelní práce, nezávislá kontrola | Ponechat | Hranice zůstává |
Verdikty vycházejí z kroku audit a z kroku 04 o subagentovi jako nástroji.
Varianta „nástroj“ je v praxi často nejlepší kompromis. Subagent si ponechá vlastní kontext, ale hlavnímu agentovi vrátí strukturovaný výsledek místo volného shrnutí. Router přitom zmizí. V ukázkovém běhu takto zůstala zachována diagnostika, jak ukazuje záznam běhů support-desk.
Z pohledu toho, kdo navrhuje architekturu AI agentů, doporučujeme dívat se i na faktory mimo kód. Pokud subagent používá jiný model, má vlastní tým nebo se nasazuje v jiném cyklu, sloučení ušetří tokeny, ale přidá organizační tření.
Kdy sloučit nebo převést na skill
- Subagenti se spouštějí vždy společně a sdílejí stejná data
- Subagent jen přeformuluje nebo předá výsledek
- Router přidává sériové volání modelu bez rozhodovací hodnoty
Kdy subagenta ponechat
- Čte velké objemy dat, ze kterých hlavní agent potřebuje jen závěr
- Má přístup k citlivým systémům, který hlavní agent mít nemá
- Kontroluje výstup nezávisle na tom, kdo ho vytvořil
- Pracuje paralelně na nezávislých úlohách
Jaká rizika a tichá selhání hrozí při slučování
Hlavní riziko je tiché selhání: systém po sloučení vrací odpovědi, které vypadají v pořádku, ale některý krok původního řetězce subagentů vypadl.
Podle doprovodného článku Anthropicu jeden ze dvou testovacích běhů tiše selhal. Oba běhy jsou zaznamenané v example-run a každý zápis uvádí, co se z něj po běhu odstranilo a co jeho běh neprokázal. Pokud se tiché selhání stane autorům metodiky na jejich vlastní ukázce, na produkčním systému s desítkami cest je pravděpodobnější.
Na co si dát pozor:
- Zahozený handoff. Bez úlohy pro každý řetězec subagentů výpadek nepoznáte. Skript
chain_coverage.pykontroluje, že eval takovou úlohu má. - Ztracená hranice. Sloučení může smazat užitečné oddělení plánování, vykonání a kontroly.
- Přetížení skills. Příliš mnoho skillů zatěžuje hlavního agenta a dynamické načítání přidává další volání s vlastní latencí.
- Falešná paralelizace. Paralelní nástroje zkracují latenci jen u nezávislých kroků, závislé kroky zůstanou sekvenční.
- Jedno okno u dlouhých úloh. Dlouhá práce může hlavní kontext zahltit, a pak je subagent levnější volba.
Jak si migraci ověřit na vlastních úlohách
Migraci ověříte jen evalem nad skutečnými požadavky. Nejdřív změříte baseline, pak děláte jednu změnu najednou a každou porovnáte v kvalitě, tokenech, latenci i ceně.
README kitu k tomu uvádí dvě podmínky, které za vás nikdo nesplní. Potřebujete způsob, jak spustit systém na testovacím požadavku mimo produkci, a někoho, kdo u běžných požadavků řekne, co je správný výsledek. Bez toho podle README platí: „Without a score, a migration is a matter of opinion.“ S tím souhlasíme. Bez vlastního evalu je přechod na single agent loop sázka na intuici, ať je argumentace jakkoli přesvědčivá.
Kit čte jakýkoli orchestrační kód a není vázaný na framework. Na jiném systému než na ukázce ale zatím neběžel. Doporučujeme proto první průchod brát jako pilot: auditu věřte jen tam, kde verdikt sami potvrdíte, a výsledky čtěte z vlastních čísel. Kolik času migrace zabere, závisí hlavně na tom, jestli eval už máte. S hotovým evalem jde spíš o dny, bez něj spíš o týdny.
Aby se postup neztratil po prvním experimentu, musí se z něj stát běžná praxe týmu. Sdílený eval patří do CI a změna skillu bez porovnání se nemá mergovat. To je oblast, kterou řešíme v rámci AI transformace pro vývojáře.
Časté otázky
Je single-agent-loop-kit podporovaný produkt od Anthropicu?
Ne. README ho označuje za referenční implementaci, která není udržovaná a nepřijímá příspěvky. Projekt se poskytuje „AS IS“, issues ani pull requesty nikdo nesleduje a opravy chyb nejsou zaručené. Anthropic doporučuje repozitář forknout a upravit pro vlastní systém. Pro firmy to znamená, že kód kitu musí převzít do vlastní správy včetně revize bezpečnosti.
Dá se kit použít s LangGraph, CrewAI nebo AutoGen?
Podle README ano, protože skill čte jakýkoli orchestrační kód v repozitáři a není vázaný na konkrétní framework. Na reálném modelu ale zatím běžel jen nad ukázkou support-desk, ne nad systémem postaveným v některém z těchto frameworků. Počítejte s tím, že verdikty auditu budete muset ručně opravit, a ověřte je vlastním evalem.
Kolik úloh stačí pro první eval?
Pokud eval nemáte, kit navrhne zhruba deset úloh z vašich skutečných požadavků a nechá vás u každé opravit definici správného výsledku. Důležitější než počet je pokrytí: každý řetězec subagentů, který běží v produkci, potřebuje aspoň jednu úlohu, jinak vypadlý handoff přehlédnete.
Stojí jeden AI agent místo subagentů vždy méně?
Ne nutně. Odpadne router a předávání kontextu, ale dynamické načítání skillů přidává volání a velký počet skillů zatěžuje hlavního agenta. U dlouhých úloh může jedno kontextové okno vyjít dráž než izolovaný subagent. Kit proto žádné obecné číslo úspory neuvádí a porovnává cenu, tokeny a latenci na vašich úlohách.
Musím kit používat jen s Claude?
Samotný skill běží v Claude Code, takže audit a řízení migrace vyžadují Claude. Váš agentní systém může v principu volat jiný model, protože skill pracuje s kódem orchestrace a eval volá model, který systém používá. Tato kombinace ale v README mezi otestovanými scénáři není. Před nasazením ověřte, že runner evalu a odhad ceny s vaším modelem fungují.
