Wie Anthropic ihr Deep Research System aufgebaut hat

In diesem Blogbeitrag beschreibt Anthropic seine Erkenntnisse im Bereich der Prompt-Gestaltung und die Herausforderungen der Produktionszuverlässigkeit bei der Orchestrierung von Multi-Agenten-Systemen.

Einführung in das Multi-Agenten-System

Das Forschungsfeature von Claude nutzt mehrere Agenten, um komplexe Themen effektiver zu erkunden. Wir teilen die technischen Herausforderungen und die Lektionen, die wir beim Aufbau dieses Systems gelernt haben. Claude verfügt nun über Forschungsfähigkeiten, die es ihm ermöglichen, im Internet, in Google Workspace und in allen Integrationen zu suchen, um komplexe Aufgaben zu erfüllen.

Vorteile eines Multi-Agenten-Systems

Forschungsarbeiten befassen sich mit offenen Problemen, bei denen es sehr schwierig ist, die erforderlichen Schritte im Voraus vorherzusagen. Man kann keinen festen Weg zur Erkundung komplexer Themen vorgeben, da der Prozess von Natur aus dynamisch und pfadabhängig ist. Wenn Menschen Forschung betreiben, neigen sie dazu, ihren Ansatz kontinuierlich basierend auf Entdeckungen zu aktualisieren und den Spuren zu folgen, die während der Untersuchung entstehen.

Diese Unvorhersehbarkeit macht KI-Agenten besonders gut geeignet für Forschungsaufgaben. Forschung erfordert die Flexibilität, sich zu pivotieren oder tangentiale Verbindungen zu erkunden, während sich die Untersuchung entfaltet. Das Modell muss viele Entscheidungen autonom treffen, basierend auf Zwischenfunden. Eine lineare, einmalige Pipeline kann diese Aufgaben nicht bewältigen.

Architekturübersicht für die Forschung

Unser Forschungssystem verwendet eine Multi-Agenten-Architektur mit einem Orchestrator-Arbeiter-Muster, bei dem ein Hauptagent den Prozess koordiniert und spezialisierte Subagenten delegiert, die parallel arbeiten. Wenn ein Benutzer eine Anfrage stellt, analysiert der Hauptagent diese, entwickelt eine Strategie und erzeugt Subagenten, um verschiedene Aspekte gleichzeitig zu erkunden.

Prompt Engineering und Bewertungen für Forschungsagenten

Multi-Agenten-Systeme weisen wesentliche Unterschiede zu Einzelagentensystemen auf, einschließlich eines raschen Anstiegs der Koordinationskomplexität. Frühe Agenten machten Fehler, wie das Erzeugen von 50 Subagenten für einfache Anfragen oder das endlose Durchsuchen des Webs nach nicht existierenden Quellen. Prompt Engineering war unser primäres Mittel zur Verbesserung dieser Verhaltensweisen.

Herausforderungen bei der Produktionszuverlässigkeit

In traditionellen Softwareanwendungen kann ein Fehler eine Funktion beeinträchtigen oder die Leistung verringern. In agentischen Systemen können geringfügige Änderungen große Verhaltensänderungen nach sich ziehen, was es bemerkenswert schwierig macht, Code für komplexe Agenten zu schreiben, die den Zustand in einem langlaufenden Prozess beibehalten müssen.

Fazit

Beim Aufbau von KI-Agenten wird der letzte Schritt oft zum größten Teil der Reise. Codebasen, die auf Entwicklermaschinen funktionieren, erfordern erhebliche Ingenieureingriffe, um zuverlässige Produktionssysteme zu werden. Trotz dieser Herausforderungen haben sich Multi-Agenten-Systeme als wertvoll für offene Forschungsaufgaben erwiesen.

Quellenliste:

• Quelle: HOW ANTHROPIC BUILT THEIR DEEP RESEARCH SYSTEM