Fan-out i fan-in (równoległość)
Podział pracy na równoległe wywołania modelu albo subagentów (fan-out) i scalenie ich wyników w jednym kroku (fan-in).
Fan-out wysyła części zadania do kilku wywołań modelu albo subagentów naraz. Fan-in zbiera ich wyniki i scala je w jeden. W workflow agentowym to wzorzec równoległości, który ma dwie odmiany: podział na sekcje (sectioning) i głosowanie (voting).
Podział na sekcje rozbija zadanie na niezależne podzadania, na przykład jeden recenzent na plik albo jeden badacz na źródło, więc praca kończy się szybciej, a każde wywołanie ma mały, skupiony kontekst. Głosowanie uruchamia to samo zadanie kilka razy i łączy odpowiedzi, co dodaje pewności przy ocenach typu „czy ten kod jest podatny?”. Obie odmiany opisuje tekst Anthropic Building effective agents. Dynamiczne workflow w Claude Code udostępniają je jako funkcje skryptu: parallel() uruchamia zestaw zadań agentów jednocześnie, a pipeline() jednego agenta na każdy element listy (dokumentacja). Koszt rośnie z liczbą gałęzi, bo każda płaci za własne tokeny.
Słabym punktem jest fan-in. Wyniki się dublują, przeczą sobie albo wracają puste, a krok scalania, który je tylko skleja, ukrywa to wszystko. Dobry fan-in usuwa duplikaty, układa wyniki według wagi, rozstrzyga konflikty i mówi, które gałęzie zawiodły. Gdy sam podział trzeba ustalić w trakcie działania, wzorzec zamienia się w orkiestratora i wykonawców. Gdy zamiast scalać wybierasz najlepszą z kilku prób, zobacz best-of-n.
Źródła
- Anthropic: Building effective AI agents anthropic.com
- Claude Code Docs: Orchestrate subagents at scale with dynamic workflows code.claude.com
Powiązane hasła
- Workflow agentowy (workflow czy agent): Proces, w którym kroki ustala Twój kod, a model wykonuje część z nich, w odróżnieniu od agenta, który sam decyduje o krokach.
- System wieloagentowy (orkiestracja agentów): Kilku agentów AI z osobnymi rolami i kontekstami pracujących nad jednym zadaniem, zwykle koordynowanych przez agenta prowadzącego albo stały workflow.
- Wzorzec orkiestrator i wykonawcy (supervisor): Jeden model planuje zadanie, przekazuje jego części modelom wykonawczym albo subagentom i łączy ich wyniki.
- Subagent: Osobne uruchomienie agenta z własnym, świeżym kontekstem, odpalone przez głównego agenta do jednego podzadania.
- Best-of-N (wybór najlepszej z N odpowiedzi): Wygenerowanie kilku odpowiedzi na ten sam prompt i zostawienie najlepszej, wybranej testem, wynikiem punktowym albo innym modelem w roli sędziego.
- Dynamiczny workflow: Skrypt orkiestracji, który agent pisze w trakcie pracy. Środowisko uruchomieniowe go wykonuje, odpalając wielu subagentów w fazach i łącząc ich wyniki w kodzie.
- Łańcuch promptów (prompt chaining): Stała sekwencja wywołań modelu, w której każdy krok pracuje na wyniku poprzedniego, a między krokami kod sprawdza wynik.
- Tokeny: Kawałki tekstu, które model czyta i pisze, i jednostka, za którą płacisz.
- Rój agentów (agent swarm): Głównie marketingowa nazwa wielu agentów AI pracujących równolegle nad jednym zadaniem; w praktyce zwykle koordynowany system wieloagentowy.
