Création d’agents : quand intégrer des sous-agents dans votre boucle d’agents principale
Lors de la création d’agents dans Claude Platform, réduire le nombre de sous-agents au profit d’une mise à disposition progressive du contexte et des outils peut améliorer la qualité tout en réduisant les coûts et la latence. Voici quand et comment migrer.
Si vous avez créé un agent dans Claude Platform qui comprend plusieurs sous-agents, découvrez ceux qu’il serait judicieux d’intégrer à la boucle principale d’agents à l’aide de notre kit de migration. Il vous guide à travers un processus permettant d'identifier vos schémas d'architecture, d'évaluer les alternatives et de vérifier la meilleure approche. Il comprend également une démonstration que vous pouvez tester sur un système simulé avant de l’exécuter sur votre agent.
Les sous-agents, c’est-à-dire des agents disposant d’une fenêtre de contexte, d’outils et d’instructions propres, orchestrés par un coordinateur, constituent une composante essentielle de la conception d’agents. Les sous-agents sont efficaces pour la vérification, le travail parallèle et la gestion modulaire des autorisations. Nous les utilisons dans bon nombre de nos propres agents développés avec Claude Platform, par exemple notre système de recherche multi-agents.
Toutefois, l’équipe d’IA appliquée a récemment identifié une tendance : plusieurs déploiements d’agents en entreprise ont bénéficié de l’intégration de routeurs, de planificateurs et de sous-agents de domaine dans la boucle principale de l’agent. Nos comparaisons sur plusieurs déploiements en entreprise ont montré qu’un agent unique doté de skills produisait souvent de meilleurs résultats qu’une approche reposant sur une requête universelle ou sur des sous-agents, tout en réduisant généralement le coût et la latence par tâche.
Par exemple, une entreprise a constaté que la douzaine de sous-agents spécialisés intégrés à son agent de prise en charge des clients rendait difficile le maintien d’une expérience de marque cohérente et augmentait la latence au détriment de l’expérience utilisateur.
Nous recevons également souvent des propositions de concept d’agent qui suivent une progression familière : un classificateur d’intention, un pipeline de raisonnement fixe en plusieurs étapes, des catégories d’utilisateurs, des branches de recommandation distinctes et, par-dessus le tout, un orchestrateur multi-agents.
Dans ces cas-là, les retours indiquent souvent que la majeure partie de cette structure effectuait des tâches dont le modèle n’avait plus besoin et qu’une seule requête système claire, quatre ou cinq outils de données légers et des garde-fous stricts encadrant les réponses suffiraient à couvrir la plupart des cas d’utilisation.

Précisons-le, les sous-agents ont toujours leur place, y compris à la pointe de la recherche. Ils doivent être utilisés dans les cas suivants :
- Une boucle d’agent unique subit une dégradation mesurable des performances due à la saturation de la fenêtre de contexte, ou
- Plusieurs tâches doivent être traitées en parallèle, avec des fenêtres de contexte distinctes, qui peuvent être abandonnées une fois les tâches terminées, ou
- Un agent unique a du mal à sélectionner les outils appropriés ou la requête système contient des instructions contradictoires.
Mais trop souvent, nous voyons des entreprises concevoir un sous-agent spécifique à chaque équipe ou type de problème, l’architecture des agents devenant une copie de leur organigramme (la loi de Conway à l’œuvre).
Cet article explique quand envisager d’intégrer des sous-agents dans votre boucle d’agents principale, et présente les bonnes pratiques que nous avons tirées de la création d’agents dans de grandes organisations.
Modes de défaillance dans la création d’agents pour les grandes organisations
Les entreprises souhaitent souvent créer un agent capable de réunir plusieurs produits et fonctionnalités au sein d’une seule interface client.
Généralement, chaque capacité étant gérée par une équipe distincte, les entreprises commencent par laisser chaque équipe créer son propre agent, puis une équipe chargée de la plateforme centrale crée un orchestrateur chargé de coordonner l'ensemble. Cette approche peut prendre plusieurs formes, notamment une architecture orchestrateur-sous-agent, ou un agent unique avec des agents spécifiques exposés en tant qu’outils MCP.
Cette solution peut sembler la plus simple, mais elle introduit immédiatement plusieurs difficultés :
- Gestion du contexte : vous devez décider du contexte échangé entre les agents, et vous perdez souvent des détails dans les allers-retours.
- Prolifération des sous-agents : chaque équipe fournit son propre sous-agent ; les entreprises se retrouvent donc avec des centaines de sous-agents aux fonctions redondantes, sans normes communes imposées ni responsable clairement désigné.
- Le Frankenprompt : chaque équipe ajoute une phrase à la requête système, ce qui entraîne des règles contradictoires et une voix éditoriale incohérente.
- Des évaluations non validées et trop localisées : chacun ajoute ses propres évaluations, trop optimisées pour sa sous-tâche. Personne n’est responsable de l’ensemble de ces évaluations ni de leur maintenance, et les dirigeants prennent leurs décisions en se fondant sur des scores peu représentatifs, calculés sur des évaluations trop ciblées.
- Latence : la complexité de l'architecture multi-agents accroît la latence. Un client ayant comparé son environnement multi-agents à une boucle d’agent unique a constaté une exécution environ deux fois plus rapide avec cette dernière.
Utiliser une boucle d’agents avec chargement progressif du contexte et des outils
L’architecture orchestrateur-sous-agent décrite ci-dessus constitue une approche raisonnable pour coordonner les spécialistes issus de différentes équipes, mais il est souvent plus efficace de charger progressivement le contexte grâce aux skills et les outils grâce à la recherche d’outils. En d’autres termes, l’agent voit de courtes descriptions des skills et des outils, qui ne sont entièrement chargées qu’en cas de besoin.
Cette approche peut se justifier pour trois raisons :
- Le contexte partagé permet d’obtenir de meilleures réponses : pour les agents dont l’exécution est plus longue, nous souhaitons que le contexte de plusieurs tâches différentes se trouve dans la fenêtre de contexte principale. Un agent qui a vu le résultat de chaque étape précédente peut établir des corrélations, ce qui permet d’obtenir des résultats plus riches et de meilleures analyses qu’avec un ensemble de résumés renvoyés par des sous-agents. Cela signifie également moins de fenêtres de contexte et moins de transferts d'informations susceptibles d'entraîner des pertes.
- La divulgation progressive évite la saturation du contexte : cette technique permet aux équipes de créer des agents uniques capables d’effectuer une grande variété de tâches, sans avoir à charger immédiatement l’ensemble du contexte dans une seule et longue requête système. Cela élimine la principale raison qui poussait auparavant les équipes à répartir le travail entre plusieurs sous-agents. En fait, nous avons réduit de plus de 80 % la requête système de Claude Code pour les modèles plus avancés, notamment en supprimant des instructions devenues inutiles grâce au chargement progressif des skills et des outils.
- Les modèles sont plus performants : depuis Opus 4.5, les modèles peuvent gérer en une seule boucle beaucoup plus de choses que la plupart des équipes ne le prévoyaient. On ne peut pas désactiver la réflexion sur Opus 5.5 et Fable 5.1, et les modèles récents rendent de plus en plus compte de leur progression et vérifient leur travail au fur et à mesure, ce qui rend certains éléments de l’environnement d’exécution superflus. Chaque nouveau modèle permet de transférer une plus grande part de la prise de décision de l’environnement d’exécution vers le modèle lui-même. Une boucle plus simple permet également de passer plus facilement au modèle suivant ; lors des migrations pour lesquelles nous avons accompagné nos clients, ce sont souvent des structures multi-agents rigides qui empêchaient le nouveau modèle de prendre en charge une plus grande part du travail.
La conception d’une boucle d’agent unique nécessite de la rigueur : une requête système soigneusement gérée, des descriptions de skills et d’outils permettant leur activation au moment opportun, et une gestion réfléchie des fenêtres de contexte, de la mémoire et de la prise de notes. Les sections suivantes de cet article approfondissent la migration et les aspects de conception.
Une seule équipe centrale doit être responsable de la qualité de bout en bout et de la requête système, en validant chaque nouvel outil et chaque nouvelle évaluation avant leur mise en production. Le fait de disposer d’une équipe centrale de petite taille permet d’accélérer les itérations et de réduire les coûts de coordination au sein d’une organisation de grande taille.
Si vous optez pour une approche multi-agents, commencez par le schéma le plus simple (générateur-vérificateur, orchestrateur-sous-agent, etc.) susceptible de fonctionner. Délimitez clairement les responsabilités en répartissant le travail selon les besoins en contexte : confiez à chaque sous-agent une tâche qui dépend peu du reste du système et demandez-lui de renvoyer un résultat compact (les pistes de recherche indépendantes, les composants distincts dotés d’interfaces propres ou la vérification en boîte noire sont de bons candidats). Lorsque les agents sont répartis par type de problème, les informations sont déformées progressivement au fil des transferts, chacun entraînant une perte de fidélité des informations.

Comment intégrer des sous-agents dans la boucle d'agents principale
De nombreuses équipes disposent déjà d’un orchestrateur et d’un ensemble d’agents spécialisés en production. Voici la conception à boucle unique vers laquelle nous recommandons de tendre :
- Un modèle et une fenêtre de contexte exécutant une boucle d’outils ouverte, avec des limites (limites fixées au nombre d'échanges et aux coûts, contrôles d’écriture) définies dans l’environnement d’exécution.
- À chaque tour, le modèle émet un lot d’appels d’outils. L’environnement d’exécution les exécute en parallèle et renvoie les résultats bruts au même modèle, qui décide de l’étape suivante : un autre lot, une question à l’utilisateur ou une réponse.
- La boucle s'arrête lorsque le modèle répond ou atteint l’une des limites budgétaires définies. Une vérification de l’objectif atteint ou un contrôle par un vérificateur peuvent éventuellement être exécutés après la réponse.
- Le modèle rédige son plan en contexte dès le premier échange, puis le révise à mesure que les résultats arrivent. C’est le principal changement par rapport à la configuration avec orchestrateur et agents spécialisés : le modèle qui rédige le plan est également celui qui l’exécute, ce qui lui permet de modifier le plan en cours d'échange.
- Le contexte continue d’être chargé et il est géré par l’agent lui-même :
- il n’est plus nécessaire de procéder à une étape de traitement programmée pour réécrire le plan à partir d’un catalogue de règles, puisque le modèle prend les décisions nécessaires à chaque étape.
- L’ordonnancement des étapes et les procédures métier sont intégrés aux skills.
- Les limites strictes (validation, points de contrôle d’approbation) et tout ce qui se présente au cours de la conversation (recherche en mémoire, par exemple) sont intégrés aux outils.
- Le code peut toujours être utilisé pour charger tout élément peu coûteux et presque toujours pertinent (par exemple, une étape de résolution d’entité), et pour gérer toutes les parties mécaniques (construction de charges utiles, analyse de flux, reprise d’une clarification) dans les outils que la boucle appelle.
Cette conception en boucle unique aide nombreuses équipes à concrétiser leurs objectifs sur le long terme (un agent qui comprend les objectifs généraux de l’utilisateur et agit en son nom), car elle conserve dans un seul contexte tout ce que l’agent a appris).
Les suggestions ci-dessous expliquent comment une équipe pourrait passer progressivement d’un système multi-agents à une boucle d’agent unique, et comment plusieurs équipes pourraient continuer à contribuer à cet agent en cours de route.
Évaluations de l'achèvement des tâches
La première étape consiste à créer un ensemble d'évaluations permettant de déterminer si un sous-agent doit être intégré à la boucle d’agent principale. Selon notre expérience, la structure d’évaluation qui a fait ses preuves repose sur un ensemble partagé de bout en bout, géré par une équipe centrale, complété par des ensembles d’évaluation plus petits fournis avec chaque skill par l’équipe qui en est propriétaire. Même une série de dix exemples de référence suffit pour commencer.
Noter le message final de l’agent à l’aide d’une grille d’évaluation constitue un bon point de départ pour suivre la qualité des réponses. Tant que vous disposez encore d’un orchestrateur, vous devez également suivre la précision du routage (a-t-il choisi le bon sous-agent ?). Une fois un sous-agent intégré, vérifiez plutôt si l’agent a chargé la bonne skill ou appelé le bon outil. Il est utile de progresser au fil du temps vers des évaluations de la réussite des tâches, car c’est ce qui compte le plus pour comparer les architectures.
Cette tâche peut s’avérer complexe dans des environnements où il est difficile de reproduire les systèmes internes et de simuler l’interaction des utilisateurs. Une approche qui a fait ses preuves chez nous en interne consiste à enregistrer les horodatages des événements importants, afin de pouvoir les rejouer ultérieurement sous forme d’évaluations ciblées.
Réduire les sous-agents au fil du temps
Pour évoluer vers une boucle d’agent unique, il faut intégrer les sous-agents dans les outils et les skills. Pour ce faire, vous pouvez fusionner des sous-agents de domaine, les appeler en tant qu’outils ou les remplacer par des skills et des outils.

Combiner des agents de domaine
Créez une petite évaluation de bout en bout avant la première fusion. Ensuite, procédez à l’intégration en fonction du contexte partagé, en commençant par les sous-agents les plus utilisés.
Fusionnez les agents spécialisés qui utilisent les résultats des autres, travaillent sur les mêmes données ou sont souvent sollicités ensemble. Par exemple, si une part importante des requêtes en production passe successivement par deux agents spécialisés, il s’agit d’une paire formant un couple étroit, candidat à la fusion en un seul agent de domaine.
Sous-agents appelés en tant qu’outils
Lorsque l’une des trois conditions ci-dessus est remplie et que vous conservez un sous-agent, il peut être judicieux de permettre à l’agent principal de faire appel au sous-agent comme à un outil, tout en poursuivant ses échanges avec l’utilisateur.
Nous recommandons un transfert complet, dans lequel le sous-agent prend le relais de la conversation, uniquement lorsque le sous-agent doit communiquer directement avec l’utilisateur. Tout le reste peut prendre la forme d’une skill associée à des outils dans la boucle principale.
This will allow you to define a shared response schema for subagents, verify the conclusion against real data with the main agent, and trim the input to any final synthesis step. This is a good first step, as you don’t need to rewrite the subagents. It also gives you a baseline on the task-completion eval before deciding to fold any subagents into the main agent.
Toutefois, certains modes d’échec subsisteront :
- Chaque spécialiste possède sa propre requête, son propre contexte, son équipe responsable et ses propres évaluations
- Chaque appel renvoie toujours un résumé avec perte d'informations
- Chaque appel est une boucle de modèle imbriquée qui ajoute de la latence
Intégration de sous-agents dans l'agent principal via des skills et des outils
Intégrez les sous-agents à l’agent principal un par un, en transformant les requêtes de chacun en skills et ses appels d’API en outils MCP. Comparez les résultats des évaluations avec et sans le sous-agent. Décidez ensuite quelle version conserver.
Pour la comparaison, ne vous contentez pas d’examiner le score final : regardez aussi quelles tâches ont changé le résultat. Lorsque nous avons testé cette approche sur un exemple d’agent d’assistance, l’intégration d’un sous-agent dans un autre a réduit la latence, mais a aussi fait échouer un processus validé jusque-là L’agent principal disposait de l’outil de recherche de commandes et répondait de manière autonome, sans demander la date de livraison au spécialiste de l’expédition.
Avant chaque modification, vérifiez que votre évaluation comporte une tâche pour chaque chaîne d’agents exécutés conjointement en production et pour chaque règle que l’agent ne doit pas enfreindre. Exécutez également chaque tâche plusieurs fois, car une défaillance comme celle-ci n’est apparue que lors d’une exécution sur deux.
Comment plusieurs équipes peuvent contribuer à un agent unique
Les connaissances et les règles de raisonnement propres à un domaine peuvent être consultées dans des bases de connaissances, les skills et les outils MCP. Chaque équipe peut transférer sa responsabilité des agents vers les skills et les outils, une petite équipe centrale conservant la responsabilité de la requête système et de la qualité de bout en bout. Cela implique de valider les nouvelles skills, les nouveaux outils et les nouvelles évaluations avant leur déploiement.
Outils MCP
Les outils constituent la solution idéale lorsque l'agent doit effectuer une action, lire des données en temps réel dans un système ou retourner un résultat sous une forme fixe. Vous pouvez également utiliser les outils pour continuer à appeler vos sous-agents pendant la migration. Nous recommandons des outils regroupés en fonction de l’intention de l’utilisateur (et non un seul outil par API), car lorsque la requête système contient plus de 30 à 50 définitions d’outils, la capacité du modèle à sélectionner le bon outil a tendance à se dégrader.
Utilisez la recherche d’outils avec chargement différé, limitez les conditions préalables strictes et transférez celles qui sont nécessaires dans les outils. Par exemple, si Y a besoin du résultat de X, l'outil de Y vérifie sa disponibilité et renvoie une instruction exploitable par le modèle. Les autorisations par utilisateur fonctionnent de la même manière. Chaque outil vérifie ce que l’utilisateur appelant peut voir ou faire, et renvoie une réponse de refus simple que le modèle peut lire. Ainsi, une seule boucle peut servir des utilisateurs disposant de différents types d’accès, sans avoir besoin d’un agent distinct par niveau d’autorisation.
Skills
Les skills sont idéales lorsque l'agent a besoin de savoir comment une équipe travaille, par exemple les étapes, les règles et les décisions relevant du jugement professionnel auparavant décrites dans la requête d’un sous-agent spécialisé.
Notre approche pour développer les bibliothèques de skills consiste à confier la maintenance aux auteurs des skills. Claude peut se charger du gros du travail, grâce à des skills capables de créer, tester et élaguer d’autres skills.
Pour éviter la prolifération des skills, vous pouvez désigner explicitement un responsable par équipe, qui veille à ce qu’elles soient bien conçues, distinctes et accompagnées de mécanismes d’évaluations appropriés.
- /skill-creator vous permet de créer de nouvelles skills bien structurées dès le départ, et d’auditer les skills existantes pour les alléger, les dédupliquer et les restructurer.
- /skill-doctor vous permet de savoir combien coûte chaque skill de votre bibliothèque et à quelle fréquence elle est réellement utilisée, et de supprimer les skills inutiles.
Bases de connaissances
Les bases de connaissances sont parfaitement adaptées aux documents de référence dont l'agent n'a besoin qu'occasionnellement. Les faits et les documents de référence (politiques, définitions des indicateurs, spécifications produit) peuvent être accessibles via un outil de recherche ou de consultation que le modèle appelle, ou être fournis sous forme de fichiers de référence dans une skill. Évitez que du code ne récupère ce contexte et le colle dans les requêtes.
Des outils pour accélérer cette tâche
Nous avons récemment publié un ensemble de skills Claude API pouvant vous aider dans la plupart des tâches mentionnées ci-dessus. Notre kit de migration enchaîne ces skills dans un seul flux de travail guidé pour évaluer vos systèmes multi-agents et migrer vers une boucle d'agent unique. Cette solution comprend une démonstration que vous pouvez tester avant de l’exécuter sur votre environnement réel :
- /claude-api build-eval : peut aider à créer un premier ensemble d’évaluations de bout en bout géré par l’équipe centrale, ou de petites évaluations que chaque équipe fournit avec sa skill
- /claude-api prompt-audit : peut signaler les instructions conçues pour d’anciens modèles dans vos requêtes, vos skills et vos descriptions d’outils, et proposer des correctifs sous forme de diff. Cette fonctionnalité peut être exécutée sur vos requêtes système afin d’identifier les règles ajoutées pour un modèle antérieur qui rendent désormais l’agent plus lent ou plus rigide. Le responsable de chaque équipe peut également exécuter cette fonctionnalité sur ses propres skills et descriptions d'outils.
- /claude-api hillclimb : peut améliorer progressivement une application en fonction d’une évaluation existante. Cette approche peut servir à comparer les deux options, à savoir intégrer un sous-agent à l’agent principal ou le conserver tel quel. Après avoir remplacé un sous-agent par une skill et des outils, vous pouvez le laisser affiner progressivement les descriptions de cette skill et de ces outils, puis vérifier si cette nouvelle configuration offre des performances équivalentes ou supérieures à celles du sous-agent. La même méthode peut également être appliquée à votre requête système.
- /claude-api cost-optimize : analyse la destination de vos appels et propose des économies grâce à des options telles que la mémorisation des requêtes, la réduction des jetons d'entrée et de sortie inutiles, le niveau d’effort de raisonnement et le choix du modèle, une modification à la fois. Cette solution peut contribuer à réduire les coûts et la latence pour une architecture donnée.
Les modèles évoluent, tout comme notre compréhension de la manière de les exploiter au mieux et les bonnes pratiques que nous recommandons. Ainsi, le choix d'une architecture particulière importe moins que le principe qui la sous-tend : mesurer, modifier un seul élément à la fois et conserver ce qui fonctionne.
Nous sommes ici dans l’un de ces cas. Avec l’amélioration des performances des modèles et l’allongement de la durée d’exécution des agents, un nombre croissant de vos sous-agents pourront être remplacés par des skills et des outils. Vous n’êtes toutefois pas obligé de procéder à cette migration en une seule étape. Créez une petite évaluation de bout en bout, intégrez un seul sous-agent et conservez-le en tant que sous-agent uniquement si la version intégrée obtient des résultats inférieurs, puis recommencez.