Subagent

Wat is een subagent?

Een subagent is een tweede AI-agent die een hoofdagent opstart om één afgebakend stuk werk te doen. Hij draait in een eigen verse context window, voert de opdracht uit en stuurt een resultaat terug. Wat er tussenin gebeurde, komt nooit bij de hoofdagent terecht.

Vergelijk het met een collega die je veertig rapporten laat doornemen met de vraag om er één blad over te schrijven. Jij krijgt dat blad. De veertig rapporten belanden niet op jouw bureau.

Anthropic beschrijft in zijn technische uiteenzetting over het eigen Research-systeem net die vorm: subagents comprimeren doordat ze parallel werken met hun eigen context windows, elk aan een ander deel van de vraag, en pas daarna de belangrijkste tokens samenballen voor de leidende agent.

De documentatie van Claude Code zegt heel concreet wanneer je er een inzet: als een zijtaak je hoofdgesprek zou volstoppen met zoekresultaten, logs of bestandsinhoud waar je nadien nooit meer naar teruggrijpt.

Context-isolatie is het punt, niet parallellisme

Bijna elke uitleg over subagents begint bij snelheid. Vijf tegelijk laten lopen, vijf keer sneller klaar. Dat is een neveneffect, en bij veel taken zelfs dat niet.

Wat een subagent je echt oplevert, is een propere context window. Een agent die honderd bestanden leest, vult zijn eigen venster met honderd bestanden aan tokens. Elke instructie daarna moet concurreren met die berg om de aandacht van het model, en een detail dat driekwart naar achteren staat, wordt minder betrouwbaar opgepikt dan iets vooraan.

Geef dat leeswerk aan een subagent en het venster van de hoofdagent groeit met één alinea in plaats van honderd bestanden. Hij blijft scherp op de eigenlijke vraag, precies omdat hij het ruwe materiaal nooit gekregen heeft.

Een snelle test voor je iets opsplitst: als de subagent zowat alles zou terugsturen wat hij gelezen heeft, dan heb je niets geïsoleerd en enkel een tussenstap bijgezet. Subagents lonen wanneer er een flinke wanverhouding zit tussen wat er ingelezen wordt en wat er terugkomt.

Het orchestrator-worker patroon

De klassieke bedrading heeft een naam. Anthropic omschrijft zijn Research-systeem als een multi-agent architectuur met een orchestrator-worker patroon, waarbij een leidende agent het proces coördineert en werk uitbesteedt aan gespecialiseerde subagents die parallel draaien.

De leidende agent houdt het doel en het plan vast. Hij beslist wat er uitbesteed wordt, schrijft een briefing per subagent, verzamelt de resultaten en doet de synthese zelf. De workers kennen hun stuk en verder niets.

Het Agent Framework van Microsoft levert dit als een reeks benoemde patronen in plaats van één ontwerp: sequentieel (agents na elkaar), concurrent (agents parallel), handoff (agents geven de controle door op basis van context), group chat (agents delen één gesprek) en Magentic (een manager-agent kiest telkens wie aan zet is naarmate de taak vordert). In de praktijk mengen de meeste systemen er twee, in plaats van er één strak door te trekken.

Subagent versus handoff

Die twee worden vaak door elkaar gehaald en gedragen zich helemaal anders.

Bij een subagent komt de controle terug. De hoofdagent blijft de baas, de worker levert een resultaat af en het gesprek gaat verder waar het gebleven was.

Bij een handoff gaat de controle over. De documentatie van de OpenAI Agents SDK is daar duidelijk over: bij een handoff neemt de nieuwe agent het gesprek over en krijgt hij de volledige voorgaande gespreksgeschiedenis te zien. Dat is het omgekeerde van context-isolatie. Een handoff dient om een klant naar de terugbetalingsspecialist te sturen. Een subagent dient om veertig rapporten buiten jouw venster te houden. Kies op basis van één vraag: wil je dat de tweede agent het gesprek erft, of wil je hem er net van sparen?

Wat veel agents kosten

Elke agent betaalt voor zijn eigen instructies, zijn eigen redeneerwerk en zijn eigen toolresultaten. Die rekeningen tellen sneller op dan de meeste teams inschatten.

Anthropic publiceerde het cijfer uit zijn eigen productiedata: agents gebruiken doorgaans ongeveer 4 keer meer tokens dan een chatgesprek, en multi-agent systemen ongeveer 15 keer meer dan een chat. Dezelfde tekst trekt er de logische conclusie uit, namelijk dat zo'n opzet taken vraagt die genoeg waard zijn om die extra prestatie te betalen.

De richtlijnen van Microsoft over orchestratiepatronen zeggen hetzelfde over de keuze van patroon: sequentiële en handoff-patronen roepen agents één voor één op en stapelen kosten per stap, parallelle patronen halen meer doorvoer maar kunnen pieken wanneer meerdere agents tegelijk het model aanspreken, en manager-gestuurde orchestratie is het moeilijkst in te schatten omdat die manager blijft itereren tot hij een werkbaar plan heeft.

Twee gewoontes houden de factuur onder controle: stem het model af op de opdracht, want een agent die classificeert of herschikt heeft zelden je zwaarste model nodig, en meet tokens per agent in plaats van per run, want de dure worker is meestal niet degene die je verwacht had.

Wanneer een subagent helpt en wanneer hij het erger maakt

De scheidingslijn ligt bij hoe breed de taak is.

Breed opzoekwerk is waar het patroon zichzelf terugverdient. Anthropic meldt dat een multi-agent systeem met Claude Opus 4 als leidende agent en Claude Sonnet 4 als subagents 90,2 procent beter scoorde dan Claude Opus 4 alleen op hun interne research-evaluatie. Dezelfde tekst benoemt de voorwaarden: veel echt parallelliseerbaar werk, informatie die niet in één context window past, en veel complexe tools.

Een concreet geval voor een datateam. Je wil weten welke van je veertig Power BI-rapporten nog naar een uitgefaseerde bron wijzen. Veertig subagents openen elk één rapport, checken de connecties en sturen één regel terug. De leidende agent leest veertig regels en schrijft de migratielijst. Geen enkel venster heeft ooit veertig rapportdefinities vastgehouden.

Smal werk loopt fout af. Eén measure schrijven, één stukgelopen refresh herstellen, één vraag over één tabel beantwoorden: er valt geen leesvolume te isoleren en er is niets om parallel te zetten. Je hebt dan een extra modelaanroep gekocht, een briefing die je zelf moest schrijven, en een trager antwoord. Anthropic stelt onomwonden dat de meeste codeertaken minder echt parallelliseerbaar werk bevatten dan opzoekwerk.

De vuistregel die wij hanteren: splits wanneer het werk breed en ondiep is, hou het bij één agent wanneer het smal en diep is.

Waar moet je op letten bij het gebruik van subagents

De zwakke plekken komen allemaal voort uit precies datgene wat subagents laat werken. Isolatie snijdt langs twee kanten.

Subagents delen moeilijk tussenresultaten. Twee workers die naast elkaar in hetzelfde terrein graven, ontdekken elk apart dezelfde feiten, en geen van beide kan de ander vertellen wat hij gevonden heeft. Anthropic benoemt welke domeinen daardoor afvallen: die waar alle agents dezelfde context nodig hebben of waar er veel afhankelijkheden tussen agents zitten, passen vandaag niet in een multi-agent opzet.

Je stuurt een worker niet bij tijdens de rit. Zodra een subagent gebrieft is en loopt, zit de leidende agent te wachten. Een worker die zijn briefing verkeerd las, verbrandt zijn volledige budget aan het verkeerde spoor voor iemand het doorheeft, en het hele systeem kan blijven hangen achter één trage zoeker.

De briefing is de hele opdracht. Een subagent heeft geen toegang tot wat de hoofdagent al weet, dus wat je uit de instructie laat, is weg. Vage briefings leveren overlappend werk op en resultaten die niet op elkaar aansluiten. Dat is gewone prompt engineering, alleen met een veel kortere lus voor de kosten binnenlopen.

Foutzoeken wordt lastiger. Als het antwoord verkeerd is, zie je het redeneerwerk erachter niet meer, want die context is samen met de worker weggegooid. Log wat je elke subagent gevraagd hebt en wat hij teruggaf, anders zit je te raden.

Voor alles wat handelt in plaats van leest, hou je een human-in-the-loop op het punt waar resultaten toegepast worden. Een leidende agent die veertig samenvattingen aan elkaar schrijft zonder ze te kunnen nakijken, levert een zelfzeker antwoord af zonder spoor van waar het vandaan komt.