Проверьте, существует ли полезный параллелизм

Разделение окупается, когда ветви независимы, задача имеет достаточную ценность, а стоимость координации ниже выигрыша в качестве или времени. Иначе вы платите за координацию, не получая ускорения.

Anthropic сообщает, что их research-система особенно полезна для breadth-first задач с независимыми направлениями поиска. В том же материале - ограничение: multi-agent workloads в их данных использовали примерно в 15 раз больше tokens, чем обычные chat-взаимодействия, а задачи с большим общим контекстом и плотными зависимостями подходят хуже. Это vendor case study, а не универсальная константа, но направление риска очевидно.

Прогнать свою задачу через калькулятор пригодности и назвать основания помогает лаборатория.

Калькулятор не принимает архитектурное решение - он заставляет назвать основания. После этого нужен pilot с baseline, одинаковыми задачами и одинаковым acceptance gate. А признаки плохого fit стоит знать заранее.

• Каждый worker перечитывает один и тот же большой контекст.
• Результат одного worker постоянно меняет задачу остальных.
• Все пишут в одни файлы или одну запись shared state.
• Задача дешёвая, а ошибки легко исправляются одним повторным вызовом.
• Нет объективного outcome, поэтому команда только обсуждает собственные ответы.

Пригодность оценена. Но чтобы пилот что-то доказал, гипотезу надо формулировать выигрышем, а не числом агентов.