Advisor Agent: Wenn ein günstiges Modell ein stärkeres fragt

Agentische AIArchitektur und OrchestrierungVeröffentlicht Aktualisiert Von Simon Budziak

Ein Advisor Agent ist ein Muster, bei dem ein günstigeres Arbeitsmodell mitten in der Aufgabe ein leistungsfähigeres Modell um Rat fragt. Der Arbeits-Agent entscheidet, wann er fragt, und behält die Kontrolle über die Aufgabe, sodass das starke Modell nur bezahlt wird, wenn es gebraucht wird, und nie selbst eine Aktion ausführt.

Wie läuft die Konsultation eines Advisor Agents ab?

Der Arbeits-Agent ruft den Advisor wie jedes andere Tool auf, und die bisherige Unterhaltung geht mit der Anfrage mit: die Aufgabe, die bisherigen Schritte und was jeder zurückgab. Der Advisor antwortet mit Rat statt mit einer Aktion, und der Arbeits-Agent macht weiter. Der Advisor verändert den Plan, nie die Welt, und das hält das Muster prüfbar: Jede Nebenwirkung kommt weiterhin von dem Agent, den Sie ohnehin beobachtet haben.

Warum ist ein Advisor Agent ein Muster der Wirtschaftlichkeit?

Die Qualität folgt dem Rat, den der Ausführende tatsächlich anwenden kann, während das Token-Volumen dem günstigsten Modell folgt, sodass die gemischten Kosten nah an denen des Ausführenden liegen. Damit ist es ein Geschwister von Model Routing, entschieden während einer Aufgabe statt davor, und eine Ergänzung dazu, den Reasoning Effort des ohnehin laufenden Modells hochzudrehen. Es lohnt sich, es von einem Supervisor Agent zu unterscheiden, der Subagents nach unten lenkt, und es in der Agent-Trajektorie festzuhalten, damit ein Prüfer sehen kann, welchen Rat der Agent tatsächlich befolgt hat.

Wie wenden wir bei Soba Labs die Advisor-Regel in unseren eigenen Agents an?

Unsere geplanten Content-Agents sind kein günstiger Ausführender, der ein stärkeres Modell fragt; sie sind ein steuernder Agent, der Recherche und Bewertung an Helfer-Agents auf demselben Modell übergibt. Mit dem Advisor-Muster teilen sie dessen Sicherheitsregel. Der Controller besitzt jeden Dateischreibzugriff, jeden bezahlten Datenabruf und jeden Commit, und jeder Helfer gibt ein kompaktes Ergebnis zurück. Jedes Helfer-Briefing endet mit derselben Regel: keine Dateien schreiben, keine Commits machen, keine bezahlten Aufrufe tätigen. Der Bewertungs-Helfer hat keine Suchergebnisse gesehen und schlägt nichts nach, sein Urteil ist also nicht an dem verankert, was der Controller gelesen hat, und der Controller liest das Ergebnis, nie die Seiten dahinter. Wenn ein Modell die Ausgabe eines anderen bewertet, wie bei unseren LLM-as-a-Judge-Prüfungen, nutzen wir für den Judge eine andere Modellfamilie, um Selbstbevorzugung zu vermeiden.

Mit AI-Unterstützung geschrieben und von Simon Budziak geprüft. Die Hinweise aus der Praxis stammen aus Systemen, die Soba Labs baut und betreibt.

Häufig gestellte Fragen

Wie unterscheidet sich ein Advisor von einem Supervisor Agent?

Durch die Richtung. Ein Supervisor sitzt über der Arbeit, plant sie und delegiert an Worker. Ein Advisor sitzt über nichts: Der Arbeits-Agent behält die Kontrolle über die Aufgabe und wählt, wann er um Hilfe bittet, der Advisor erteilt also nie eigene Anweisungen.

Ist ein Agent Advisor dasselbe wie ein Advisor Agent?

Ja, die beiden Wortstellungen benennen dasselbe Muster: ein stärkeres Modell, das der Arbeits-Agent mitten in der Aufgabe um Rat fragt, im Gegensatz zu einem Supervisor, der die Arbeit zuweist und lenkt.

Wann lohnt sich die zusätzliche Komplexität?

Bei langen Aufgaben, in denen die meisten Schritte mechanisch sind, der Plan aber zählt, etwa mehrstufige Recherche oder Code-Änderungen über mehrere Dateien. Ist die ganze Aufgabe schwer, führen Sie das leistungsfähige Modell direkt aus; das Muster zahlt sich nur aus, wenn das teure Denken einen kleinen Anteil des Zugs ausmacht.

Diese Seite zusammenfassen mit

So läuft es in einem System, das wir gebaut haben