Hakbang-hakbang na tinatapos ng iisang agent ang isang task. Hinahati naman ito ng multi-agent system at sabay-sabay na pinapatakbo ang mga piraso.
Paano ito gumagana
Inilalarawan ng Anthropic ang Research feature nito bilang “orchestrator-worker pattern, where a lead agent coordinates the process while delegating to specialized subagents.” (Salin ng BroadRouter: “orchestrator-worker pattern, kung saan kino-coordinate ng lead agent ang proseso habang ipinapasa ang trabaho sa mga espesyalisadong subagent.”) Binabasa ng lead ang tanong, nagpaplano, nagpapatakbo ng ilang subagent na sabay-sabay naghahanap, at isinusulat ang huling sagot mula sa mga buod nila.
May iba pang disenyo. Inilalarawan ng AutoGen paper (Wu et al., 2023) ang isang framework kung saan nag-uusap ang mga “customizable, conversable” (Salin ng BroadRouter: “nako-customize at nakakausap”) na agent sa isa’t isa, sa mga tao at sa tools, at pinoprograma ng mga developer ang pattern ng usapan sa natural language o code.
Isang halimbawa ng orchestrator-worker run:
Lead: plan -> start 3 workers
Worker 1: search docs for topic A -> 1,500-token summary
Worker 2: search docs for topic B -> 1,500-token summary
Worker 3: search docs for topic C -> 1,500-token summary
Lead: read 3 summaries -> final answer
Gumagastos ang bawat worker ng sarili nitong token sa paghahanap at pagbabasa. Ang mga buod lang ang nakikita ng lead.
Bakit ito mahalaga
- Kalidad sa malalawak na task. Iniuulat ng Anthropic na ang multi-agent setup na may Claude Opus 4 bilang lead at Sonnet 4 bilang mga worker ay “outperformed single-agent Claude Opus 4 by 90.2%” (Salin ng BroadRouter: “nalampasan ang single-agent na Claude Opus 4 nang 90.2%”) sa internal research eval nito.
- Gastos sa token. Sinasabi ng parehong post na humigit-kumulang apat na beses ng token ng chat ang ginagamit ng mga agent, at ang multi-agent system ay “about 15× more tokens than chats.” (Salin ng BroadRouter: “mga 15× na mas maraming token kaysa sa chat.”) Iniuulat din nito na ang paggamit ng token lang ang nagpaliwanag sa 80% ng variance ng performance sa BrowseComp. Kadalasan, mas maraming agent, mas malaki ang bill. Kinukumpara ng post na multi-agent cost ang per-token at flat na billing.
- Akma ba. Ayon sa Anthropic, hindi gaanong akma ang coding, dahil “most coding tasks involve fewer truly parallelizable tasks than research,” (Salin ng BroadRouter: “mas kaunti ang tunay na napa-parallel na bahagi ng karamihan ng coding task kaysa sa research,”) at hindi bagay dito ang mga task na mabigat sa shared context o may dependency sa pagitan ng mga agent.
- Concurrency. Parallel na request ang mga parallel na worker, kaya ang concurrency limit mo ang naglilimita sa pagbilis.
Sa BroadNet Inference
Ang BroadNet ang nagse-serve ng mga model; sa framework mo tumatakbo ang orchestration. May mga gabay para sa CrewAI at sa OpenAI Agents SDK gamit ang base URL ng BroadNet.
May 30 request kada minuto at 4 na sabay-sabay na request ang isang pay-as-you-go key. Sa mga flat-rate plan para sa DeepSeek V4.1 Flash, walang token meter, kaya nawawala sa bill ang pagdami ng token, pero isang request lang sa isang pagkakataon ang pinapatakbo ng bawat session. Bumili ng isang session para sa bawat model request na puwedeng tumakbo sa parehong sandali: tatlong session para sa tatlong worker na sabay tumatakbo, at apat kung patuloy na tumatawag sa model ang lead habang nagtatrabaho sila. Ipinapakita ng Running parallel coding agents on a flat-rate API ang mga karaniwang pattern.