Skjærer gjennom multi-agent-hypen. Bransjekonsensus for 2026, 15× token-kostnaden, de fire prompt-mønstrene og en 45-minutters FlowHunt-tutorial bygd på konsensusmønsteret.
Et multi-agent AI-system er et nettverk av AI-agenter som samarbeider for å løse et problem. Men arkitekturen som faktisk blir tatt i bruk i 2026 er smalere enn buzzword-et antyder: én orchestrator eier hele samtalekonteksten og spawn-er efemerale isolerte subagenter som returnerer kun et komprimert sammendrag. Anthropic, Cognition, OpenAI, AutoGen-via-Microsoft Agent Framework og LangChain har alle samlet seg om dette mønsteret. Peer collaboration-design i “GroupChat”-stil — der arbeidere snakker direkte med hverandre — har stille tapt terreng.
Denne artikkelen gjør tre ting. Først forklarer den orchestrator + subagent-mønsteret og hvorfor bransjen samlet seg om det. Deretter går den gjennom kostnadsrealiteten: Anthropics målte ~15× token-premium og artiklene fra 2026 som viser at single-agent-systemer matcher eller slår multi-agent ved lik token-budsjett. Til slutt viser den hvordan du bygger konsensusmønsteret i FlowHunt uten å skrive kode.
Det finnes egentlig bare to arkitekturer verdt å sammenligne, og det meste av markedsføringsmaterialet blander dem sammen.
Peer collaboration. Flere agenter kjører samtidig og kommuniserer gjennom en delt buss. De kan stille hverandre spørsmål, gi handoff på oppgaver og vekke hverandre. En supervisor megler, men eier ikke den eneste konteksten. AutoGen GroupChat, CrewAI hierarkisk og enhver “team av agenter på en strøm”-design hører hjemme her. Kostnaden er reell: hvert wakeup leser hele transkriptet på nytt, system-prompten bærer en lang koordineringsprotokoll ved hvert kall, og kommunikasjonsrelasjoner skalerer O(n²).
Orchestrator + isolerte subagenter. Én enkelt agent eier hele konteksten. Den spawn-er efemerale subagenter for å utføre isolerte deloppgaver. Hver subagent kjører i sitt eget ferske kontekstvindu med en dedikert system-prompt, utfører sin oppgave og returnerer en enkelt sammendragsstreng. Det finnes ingen peer-to-peer-kanal og ingen delt muterbar tilstand. Anthropics research multi-agent-system, Claude Codes Task-verktøy, OpenAIs agents-as-tools og Cognitions Managed Devins fra mars 2026 — alle bruker dette mønsteret.
Det andre mønsteret er teknisk multi-agent, men koordineringskostnaden er begrenset. Det finnes ingen peer-buss, så det er ingen kvadratisk kommunikasjonseksplosjon og ingen transcript-replay-skatt.
Den polariserte debatten fra 2025 har i praksis kollapset.
Cognitions Don’t Build Multi-Agents (juni 2025) var den sterkest uttalte posisjonen mot multi-agent-design — kun enkelttråd, med en separat komprimerings-LLM for kontekstforvaltning. Ni måneder senere, i mars 2026, lanserte Cognition Devin can now Manage Devins : en koordinator som scoper arbeidet, tildeler hver bit til en managed Devin som kjører i sin egen isolerte VM, og samler resultatene. Begrunnelsen — “context accumulates, focus degrades, and the quality of each subtask suffers” — er det samme isolasjonsargumentet Anthropic brukte i 2025. Innlegget trekker ikke det tidligere essayet eksplisitt, men den arkitektoniske innrømmelsen er utvetydig.
Anthropics holdning beveget seg i motsatt retning over samme periode — mot frakoblede “hjerne/hender”-arkitekturer i stedet for bredere parallell fan-out. April 2026-innlegget Managed Agents og tre-agent-harness-en for full-stack-utvikling vektlegger rolle-scopede subagenter fremfor peer-team.
OpenAIs Agents SDK-oppdatering fra 15. april 2026 gjorde nested handoff history opt-in by default — noe som reduserer kontekstlekkasje mellom agenter. AutoGen ble slått sammen i Microsoft Agent Framework 1.0; peer GroupChat er ikke lenger flagship. LangChain anbefaler nå supervisor-as-tool fremfor supervisor-biblioteket.
Fem leverandører, én retning. Peer GroupChat er på vei ned.
Start din gratis prøveperiode i dag og se resultater i løpet av få dager.
Det mest siterte tallet fra Anthropics ingeniørinnlegg fra juni 2025:
“Internal analysis shows that agents typically use about 4× more tokens than chat interactions, and multi-agent systems use about 15× more tokens than chats.”
Og den diagnostiske oppfølgingen:
“Token usage by itself explains 80% of the variance in BrowseComp performance.”
Den akademiske litteraturen i 2026 presser samme konklusjon hardere. Tran & Kiela (arXiv 2604.02460 , april 2026, Stanford / Contextual AI) testet Qwen3, DeepSeek-R1-Distill-Llama og Gemini 2.5 og rapporterer: “under a fixed reasoning-token budget and with perfect context utilization, single-agent systems are more information-efficient… single-agent systems consistently match or outperform multi-agent systems on multi-hop reasoning tasks when reasoning tokens are held constant.” Det teoretiske gulvet er data-processing inequality: å sende informasjon gjennom flere agenter kan bare miste, aldri legge til.
Xu et al.s OneFlow -artikkel (januar 2026) når samme konklusjon på tvers av syv benchmarks, med KV-cache-gjenbruk pekt ut som effektivitetsfortrinnet.
Dette betyr ikke at multi-agent alltid er feil. Det betyr at bevisbyrden ligger på multi-agent, ikke på det enklere designet.
Bevisene fra 2026 konvergerer mot et smalt sett av tilfeller.
Parallelliserbart lese-tungt arbeid. Anthropics 2025-system fan-outer subagenter på uavhengige forskningsdelspørsmål. AORCHESTRA (arXiv 2602.03786
, februar 2026) modellerer hver subagent som en 4-tuple (INSTRUCTION, CONTEXT, TOOLS, MODEL) som spawn-es on demand av en orchestrator og rapporterer +16,28 % relativ forbedring mot den sterkeste baseline på GAIA, SWE-Bench og Terminal-Bench med Gemini-3-Flash. AdaptOrch (2602.16873
) rapporterer +12–23 % over statiske single-topology baselines med identiske underliggende modeller — gevinsten kommer fra topologi-routing, ikke fra peer collaboration.
Smaldomene-pålitelighet. Drammehs incident-response-artikkel (2511.15755 v2 , januar 2026) kjørte 348 kontrollerte forsøk og rapporterer 100 % handlingsbar anbefalingsrate vs 1,7 % for single-agent, med 80× handlingsspesifisitet og 140× løsningskorrekthet, og “zero quality variance across all trials.” Domenet er smalt og arbeidet er parallelt; orchestrator-mønsteret vinner overlegent.
Disjunkte verktøy- eller kontekstdomener der handoff fungerer som en sikkerhetsgrense — en billing-agent som genuint ikke skal se engineering-verktøy, for eksempel.
For sekvensiell oppgaveutførelse, agenter som berører delt tilstand, eller alt som ser ut som “gjør disse stegene i rekkefølge med skjønn mellom dem” — disse betingelsene gjelder ikke. Litteraturen anbefaler én enkelt agent med disiplinert kontekstforvaltning.
Få de siste tipsene, trendene og tilbudene gratis.
Når du har bestemt at multi-agent er riktig valg, er prompt-strukturen mer standardisert enn de fleste markedsføringsmaterialer antyder. Hver større implementasjon som er undersøkt — Claude Code, Anthropic Research, OpenAI Agents SDK, CrewAI, AutoGen, LangGraph, AOrchestra — bruker samme mønster, kalt P2 i prompt-konstruksjonslitteraturen: en dedikert system-prompt for subagenten, pluss en strukturert task brief levert som første brukermelding.
Anthropics 2025-innlegg er klarest på hva som hører hjemme i briefen:
“Each subagent needs an objective, an output format, guidance on the tools and sources to use, and clear task boundaries.”
De er like tydelige på hvordan feilmodusen ser ut når dette utelates:
“We started by allowing the lead agent to give simple, short instructions like ‘research the semiconductor shortage,’ but found these instructions often were vague enough that subagents misinterpreted the task or performed the exact same searches.”
Tre regler følger fra konsensus:
En fjerde regel, ofte oversett: forward worker-output direkte til brukeren når supervisorens eneste gjenværende jobb er å levere det. LangChains 2025-benchmark målte at omtrent 50 % av swarm-vs-supervisor-ytelsesgevinsten kommer fra denne ene endringen. Round-trippen “supervisor leser worker-output, parafraserer for brukeren, parafraserer brukerens svar for neste worker” er ren sløsing.
Disse dukker opp i produksjonsretrospektiver, i LangChain-benchmarken og i Cogents Multi-Agent Orchestration Failure Playbook for 2026. De er grunnen til at bransjen flyttet seg.
| Feilmodus | Hvordan det ser ut |
|---|---|
| Hele transkriptet replays ved hvert wakeup | Hver agent leser inn hele samtalen på nytt ved hver tur. Lineær i turer × agenter. |
| System-prompt-bloat fra koordineringsprotokoll | Hver agent sender protokollbeskrivelsen, rollelisten og signalvokabularet ved hvert kall. |
| Supervisor-“oversettelses”-round-trip | Supervisor leser worker-output, parafraserer for bruker, parafraserer brukersvar for neste worker. ~50 % av unngåelige kostnader. |
| Konflikterende implisitte antagelser | Workers som kjører parallelt tar subtile estetiske eller arkitektoniske avgjørelser som ikke avstemmes. Cognitions sentrale påstand fra 2025. |
| Eksplosjon av koordineringskanter | n agenter kommuniserer over O(n²) kanter. Å legge til den 5. agenten dobler meldingsgrafen. |
| HITL/suspensjon-overhead | Pause og gjenopptaking re-fakturerer hele transkriptet før suspensjonen. |
| Prematur konsensus / “herding” | Peer-agenter konvergerer på et selvsikkert-men-feil svar fordi hver agents tillit forsterker de andres. Nytt funn i 2026 (Tian et al., 2025; forsterket i 2026). |
En nyttig diagnose: hvis du kan navngi tre av de syv på din egen deployment, betaler du multi-agent-skatten for en arkitektur litteraturen ikke anbefaler. Løsningen er sjelden “rive ut agent-teamet” — det er å komprimere historikk, cache det statiske prompt-prefikset, returnere sammendrag i stedet for transkripter og forwarde worker-output direkte til brukeren.
Den genuint nye utviklingen i 2026 er koordineringsprimitiver på infrastrukturnivå, ikke rammeverksmønstre.
Agent2Agent (A2A)-protokollen sluttet seg til MCP under Linux Foundation AI & Agents Foundation (AAIF) i desember 2025, med grunnleggerstøtte fra OpenAI, Anthropic, Google, Microsoft, AWS og Block. A2A retter seg eksplisitt mot “inter-agent communication, task delegation, and collaborative orchestration for distributed multi-agent workflows.” Innen februar 2026 hadde MCP passert omtrent 97 millioner månedlige SDK-nedlastinger.
To primitiver på forskningsstadium er verdt å følge med på. KVCOMM (NeurIPS 2025) demonstrerer over 70 % KV-cache-gjenbruk og ~7,8× speedup i fem-agent-scenarier ved å dele KV-tilstand i stedet for tokens. Phase-Scheduled Multi-Agent Systems (PSMAS, februar 2026) rapporterer 34,8 % token-reduksjon ved å behandle agentaktivering som kontinuerlig kontroll over delt oppmerksomhet i stedet for diskret RPC.
Disse primitivene omgår orchestrator-vs-peer-dikotomien ved å endre hva “kontekst” i det hele tatt betyr mellom agenter. De er ennå ikke produksjonsklare byggeklosser, men de er det rette å følge med på — og de forsterker den generelle retningen: kostnader vil reduseres gjennom smartere koordinering på infrastrukturlaget, ikke gjennom mer kompliserte peer-design på rammeverksnivå.
Du trenger ikke å være software-ingeniør for å bygge orchestrator + subagent-mønsteret. FlowHunts visuelle bygger mapper rent på subagent-kontrakten: en orchestrator-node eier samtalen, worker-noder kjører med sine egne system-prompter, og koblinger bærer en strukturert brief ut og et sammendrag tilbake.
Under er en 45-minutters gjennomgang av en content research pipeline som bruker konsensusmønsteret.
Logg inn på FlowHunt og klikk Create New Workflow. Gi den navnet Content Research Pipeline. Sett triggeren til Manual. Workflow-en har tre roller: en orchestrator som eier brukerforespørselen, en research-subagent (parallelliserbar lesing) og en fact-check-subagent (parallelliserbar lesing). Begge subagenter returnerer sammendrag.
Legg til en Google Search-node. Konfigurer den til å ta et tema som input, returnere topp 5-resultater, ekskludere annonser og emittere URL, tittel, snippet og dato.
Legg til en OpenAI-node nedstrøms. Dette er subagentens “system-prompt”-slot. Gi den en dedikert, fokusert prompt:
Du er en research-subagent. Gitt søkeresultater,
ekstraher faktiske påstander med kilde-URL og publiseringsdato.
Output er en JSON-liste med {claim, url, date}-objekter.
Grenser: ikke syntetiser, ikke summer, ikke kommenter.
Dette er P2-mønsteret: en dedikert subagent-prompt, smalt avgrenset. Koble Google Search → OpenAI Extraction.
Legg til en Text Synthesis-node. Dens jobb er å organisere research-subagentens output til en strukturert disposisjon — én seksjon per tema, hver underbygd av kildepåstander.
Legg til en OpenAI-node for å skrive utkast til artikkelen. Gi den en fokusert prompt: disposisjon inn, utkast ut. Koble Synthesis → OpenAI Generation.
Legg til en AI Agent-node konfigurert som fact-checker. Den strukturerte briefen ser ut som Anthropics oppskrift — mål, format, verktøy, grenser:
Mål: validere hver faktiske påstand i artikkelutkastet.
Utdataformat: annotert utkast med verifiseringsstatus per påstand
(verified | unverified | contradicted) og en confidence score 0–1.
Verktøy: knowledge base lookup, web search.
Grenser: ikke skriv om artikkelen. Flagg, ikke fiks.
Legg til en Markdown-formaterer som siste output-node. Koble Fact-Checker → Markdown.
Research-subagent → Synthesis → Fact-Check-subagent → Output. Hver kobling bærer forrige steg sin output som neste stegs strukturerte brief.
Dette er sekvensielt snarere enn fan-out, noe som er passende her — syntesen trenger research-output, og fact-checken trenger syntesen. Hvis du ville skalere til ti parallelle research-delspørsmål, ville du erstatte den ene research-noden med en fan-out: orchestrator spawn-er N subagenter parallelt, hver tar ett delspørsmål fra en strukturert brief, hver returnerer sitt eget sammendrag, og orchestratoren slår dem sammen før den sender videre til syntese.
Klikk Run Workflow. Oppgi et tema som “Hva er kvantedatamaskiner?”. Forvent ~45–60 sekunder fra ende til ende. Følg med på output per node i FlowHunt-UI-et for å se hva hver subagent fikk som brief og hva den returnerte.
Når det er verifisert, deploy til en webhook, en plan eller en manuell trigger. Konfigurer destinasjon for output (e-post, Slack, Google Drive, database). Aktiver per-rolle-logging — Anthropics funn om at “80 % av variansen er token-forbruk” gjør per-rolle-token-telemetri til en forutsetning for all tuning.
En kort liste over ting som litteraturen 2025–2026 eksplisitt fraråder:
Dette er bruksområdene der orchestrator + subagent-mønsteret tjener inn premiet sitt.
En research-subagent spør API-er, akademiske databaser og interne dokumenter og returnerer et strukturert sammendrag av kilder. Et syntesetrinn organiserer funn i en disposisjon. En fact-check-subagent validerer påstander med confidence-score. Produksjonsteam rapporterer ~70 % reduksjon i fact-checking-tid og 40 % økning i innholdsproduksjon — tall konsistente med sweet spot-en for parallelliserbar lesing.
En data-enrichment-subagent henter profildata fra CRM, Clearbit/Apollo, LinkedIn og nettsidatferd — genuint parallelle lesinger fra uavhengige kilder. En scoring-subagent sammenligner mot ICP og tildeler en score. En routing-subagent mapper høyt-scorende leads til riktig rep basert på territorium og belastning. Rapportert: 35 % økning i konverteringsrate, 50 % reduksjon i lead-prosesseringstid.
En first-line-subagent ekstraherer ticket-type og sentiment og forsøker oppslag i kunnskapsbasen. En eskalerings-subagent evaluerer utfall og ruter til riktig spesialist. En handoff-subagent pakker kontekst for mennesket. Orchestrator-mønsteret tjener her det disjunkte-domene-kriteriet: billing, teknisk støtte og klager har ulike verktøy og ulik datatilgang.
Parallelle collection-subagenter — news scraper, finansagent, social-sentiment-agent, monitor for konkurrentnettsider — kjører i ekte fan-out. En analyse-subagent mottar de fire sammendragene og identifiserer trender. En rapport-subagent skriver utkast til executive summary. Dette er den nærmeste analogen til Anthropics 2025 research multi-agent-system og bruksområdet sterkest støttet av AORCHESTRAs 2026-tall.
Fremtiden for AI er ikke én enkelt super-intelligent modell, og det er ikke en peer-collaborating sverm. Det er én enkelt koordinator som eier konteksten og et lite sett disiplinerte, isolerte arbeidere som returnerer sammendrag. Det er mønsteret forskningen støtter, og det er mønsteret FlowHunt er bygget for å gjøre enkelt.
{{ cta-dark-panel heading=“Bygg ditt første Multi-Agent AI-system i dag” description=“FlowHunts no-code workflow-bygger gjør det enkelt å lage orchestrator + subagent-mønsteret, teste det og deploye det. Start med en gratis konto og bygg din første 3-agent-pipeline på under en time.” ctaPrimaryText=“Prøv FlowHunt gratis” ctaPrimaryURL=“https://app.flowhunt.io/sign-in" ctaSecondaryText=“Bestill en demo” ctaSecondaryURL=“https://www.flowhunt.io/demo/" gradientStartColor="#3b82f6” gradientEndColor="#8b5cf6” gradientId=“multi-agent-cta” }}
Yasha er en dyktig programvareutvikler som spesialiserer seg på Python, Java og maskinlæring. Yasha skriver tekniske artikler om AI, prompt engineering og utvikling av chatboter.
FlowHunts no-code workflow-bygger gjør det enkelt å lage og orkestrere flere AI-agenter. Begynn å automatisere komplekse oppgaver på minutter — ingen koding nødvendig.
Utforsk de beste AI-agentbyggerne i 2026, fra plattformer uten koding til bedriftsrammeverk. Finn ut hvilke verktøy som passer best til ditt bruk, og hvordan Fl...
En omfattende analyse av AI-agentbyggere med åpen kildekode og proprietære alternativer i 2025, med fokus på kostnader, fleksibilitet, ytelse og ROI for å hjelp...
Lær hvordan du bygger produksjonsklare multi-agent AI-systemer ved å bruke Strands, AWS sitt open source-rammeverk. Oppdag hvordan du kan lage spesialiserte age...