Managed Agentsの協調設計パターン公開

米Anthropicは、開発者向けレシピ集「Claude Cookbook」において、AIエージェント（特定の指示に従って自動でタスクを実行するAIシステム）の協調設計パターン「Plan Big, Execute Small（大まかに計画し、細部を実行する）」の実装ガイドを公開した。この設計パターンは、Anthropicがベータ版として提供しているManaged Agents（AIエージェントの管理・実行機能）の機能である「マルチエージェント設定（multiagent roster）」を活用する。高精度だが高コストな大規模モデルと、処理能力は劣るが低価格な小規模モデルを協調させることで、実行効率の向上とコストの削減を両立させる。

1. 役割の明確化によるコストと速度の最適化

エージェントを活用するワークロードには、高度な計画や判断を必要とする少量のタスクと、大量のドキュメント読み込みなど定型的な大量タスクが混在する。本設計パターンではこれらを分離する。 高精度な大規模モデル「Claude Fable 5（クロード・フェイブル・ファイブ）」を「Coordinator（コーディネーター）」に配置し、計画の策定や最終回答の合成を担当させる。一方で、安価なモデル「Claude Sonnet 5（クロード・ソネット・ファイブ）」を「Worker（ワーカー）」とし、実際のWeb検索やコンテンツのフェッチ（データの取得・読み込み）などトークン消費の激しい処理をすべてWorker側で実行する。

2. 顕著な検証データと設定方法

検証結果によると、CoordinatorとWorkerの協調体制をとることで、1つの大規模モデルのみで処理するコントロール群と比較して、コストは約2.5倍安くなり、処理速度は3倍高速化された。さらに、全入力トークンの84%〜98%が安価なWorkerモデルの料金で処理されるという極めて高いコスト削減効果が示された。 設定時は、Coordinatorの定義内にある multiagent フィールド（ベータ版機能：managed-agents-2026-04-01）へWorkerのエージェントIDを登録するだけでよい。Coordinatorは自身でWebアクセスツールを持たず、自動的に付与される create_agent や wait_for_agents ツールを通じて並列実行される複数のWorkerを呼び出し、タスクを委任する。

今回の設計パターンの提示により、高度な判断力を維持しつつエージェント開発のランニングコストを大幅に下げる実践的なアプローチが明確になった。ドキュメントレビューや大規模なコードベースの解析、ログデータの走査など、大量のテキストを扱う多様な実務シナリオへの適用が期待される。