Claude Opus 4.6 и Agent Teams: Anthropic превращает одного агента в команду

5 февраля 2026 года Anthropic выпустила Claude Opus 4.6 — и вместе с ним представила концепцию, которая может определить следующий этап эволюции AI-агентов: Agent Teams. Идея проста в формулировке, но революционна по последствиям: вместо одного агента, работающего последовательно, над задачей работает команда агентов параллельно, каждый со своей специализацией, и все координируются через главного агента-оркестратора. Anthropic не первая, кто реализовал мультиагентные системы (AutoGen делал это с 2023 года), но первая, кто сделал это на уровне фундаментальной модели, а не внешнего фреймворка.

Начнём с самой модели. Opus 4.6 — инкрементальное обновление линейки Opus, но с двумя существенными изменениями. Первое — контекстное окно в 1 миллион токенов. Это не первый миллионник (Gemini 1.5 Pro предложил его ещё в 2024 году), но Claude Opus 4.6 — первая модель, которая сохраняет высокое качество «рассуждения» на всей длине контекста. Anthropic назвала это «deep context retention»: модель не просто хранит миллион токенов — она активно использует информацию из любой части контекста для принятия решений. На бенчмарке RULER (тестирование качества работы с длинным контекстом) Opus 4.6 набрал 94.2% — лучший результат среди всех моделей.

Второе изменение — и главное — Agent Teams. Это нативная функциональность модели, доступная через API и Claude Code. Как это работает: вы даёте Claude задачу, которая слишком большая или сложная для одного агента. Opus 4.6 автоматически декомпозирует её на подзадачи и создаёт subagents — специализированные экземпляры Claude, каждый с собственным набором инструментов и контекстом. Subagents работают параллельно, их результаты собираются главным агентом, который синтезирует финальный ответ.

Пример из практики: задача — «Проведи аудит безопасности нашего веб-приложения». Opus 4.6 создаёт пять subagents. Первый анализирует конфигурацию серверов (доступ через SSH). Второй проверяет зависимости на известные уязвимости (доступ к package.json и pip freeze). Третий анализирует исходный код на паттерны, связанные с SQL-инъекциями и XSS. Четвёртый проверяет аутентификацию и авторизацию. Пятый тестирует API-endpoints на OWASP Top 10. Все пять работают одновременно. Главный агент собирает результаты, устраняет дублирование, ранжирует найденные уязвимости по серьёзности и формирует единый отчёт. Задача, которая заняла бы у одного агента 40 минут последовательной работы, выполняется за 8-10 минут.

Техническая реализация Agent Teams опирается на несколько инноваций. Shared Memory — механизм, позволяющий subagents обмениваться информацией без участия главного агента. Если subagent, анализирующий зависимости, обнаружил критическую уязвимость в библиотеке, используемой для аутентификации, он может поделиться этой информацией с subagent, проверяющим аутентификацию. Это избавляет от необходимости передавать всё через центральный узел и ускоряет работу. Structured Delegation — декларативное описание задачи для subagent, включающее цель, ограничения, ожидаемый формат результата и критерии успеха. Consensus Protocol — механизм разрешения конфликтов, когда два subagent приходят к противоречивым выводам.

Мы протестировали Agent Teams на нескольких реальных задачах. Рефакторинг крупного TypeScript-проекта (120 000 строк кода): Agent Teams завершили миграцию с Express на Fastify за 25 минут, модифицировав 87 файлов. Один агент делал ту же задачу за 1 час 15 минут. Ускорение — 3x. Юридический анализ контракта (45-страничный договор): команда из трёх subagents (risk analysis, compliance check, term extraction) подготовила отчёт за 4 минуты, который юрист-ревьюер оценил как «точный на 90% — хорошая основа для работы». Финансовый анализ: команда обработала годовую отчётность компании (10-K filing) и подготовила investment memo за 6 минут.

Стоимость Agent Teams заслуживает отдельного комментария. Opus 4.6 стоит $15 за миллион входных токенов и $75 за миллион выходных — так же, как Opus 4.5. Но Agent Teams потребляют больше токенов: каждый subagent имеет свой контекст, и координация между ними генерирует дополнительные сообщения. На практике задача, которая стоит $1 при работе одного агента, стоит $2.5-4 при работе Agent Team из 3-5 subagents. Ускорение — 3x, удорожание — 2.5-4x. Экономика сходится, когда время важнее денег — что почти всегда верно для enterprise-задач.

Anthropic также обновила Claude Code — свой CLI-инструмент для разработчиков — добавив нативную поддержку Agent Teams. Теперь разработчик может запустить Claude Code с флагом --team и указать число subagents. Claude Code автоматически определит, как разделить задачу: при рефакторинге — по модулям, при тестировании — по функциям, при code review — по файлам. Для нас, как пользователей Claude Code, это была одна из самых заметных разниц: задачи, которые раньше выполнялись за 10-15 минут, теперь решаются за 3-5.

Позиционирование Opus 4.6 тоже показательно. Anthropic не пытается конкурировать на каждом фронте. Модель позиционируется как premium-решение для «mission-critical agentic workflows» — задач, где ошибка стоит дорого. Финансовый анализ, юридическая экспертиза, медицинская диагностика, аудит безопасности, сложная разработка ПО. Для простых задач — чат-боты, генерация контента, суммаризация — Anthropic предлагает Sonnet и Haiku, которые стоят в 5-15 раз дешевле. Это зрелая продуктовая стратегия: не одна модель для всего, а семейство моделей для разных ценовых и качественных сегментов.

Конкурентный контекст: к февралю 2026 года OpenAI предлагала GPT-5 с поддержкой мультиагентных сценариев через Agents SDK, Google — Gemini 2.0 с Long Context и Agent Development Kit, Meta — Llama 4 с открытыми весами. Но ни один из конкурентов не предложил Agent Teams как нативную функцию модели. У OpenAI мультиагентность реализуется через внешний фреймворк (Agents SDK), у Google — через Vertex AI Agent Builder. Anthropic сделала её частью самой модели — и это качественно другой уровень интеграции. Subagents в Opus 4.6 координируются не через API-вызовы, а через внутренние механизмы модели, что обеспечивает более быструю и надёжную коммуникацию.

Философский вопрос, который поднимает Agent Teams: если AI-модель может создавать собственных subagents, распределять задачи и координировать их работу, — чем это отличается от менеджмента? Opus 4.6 с Agent Teams — это, по сути, AI-менеджер, управляющий командой AI-работников. Anthropic осторожна в таких формулировках (по понятным PR-причинам), но техническая реальность именно такова. И это поднимает вопрос: если AI может быть менеджером, какова роль человека? Anthropic отвечает: «oversight» — надзор, постановка целей, принятие финальных решений. Но граница между «надзором» и «ненужностью» тоньше, чем хотелось бы.

Agent Teams — это не просто функция; это архитектурный паттерн, который будет определять следующий этап развития AI-агентов. Вместо одного сверхмощного агента — команда специализированных агентов. Вместо последовательного выполнения — параллельная работа. Вместо монолита — микросервисы. Аналогия с эволюцией архитектуры ПО (от монолитов к микросервисам) не случайна: те же принципы — декомпозиция, специализация, параллелизм — работают и для AI-агентов.

Если бы вы могли собрать идеальную команду AI-агентов для своей работы, сколько агентов было бы в команде и за что бы отвечал каждый?