这一节最核心的地方,不是“有多少个 Agent”,而是“下一步由谁来决定”。如果 Main Agent 能根据 Goal、State 和 Observation 动态改变调用顺序,那才是真正的 Agentic Orchestration。下面这张图基本把这个差异讲透了。
![图片[1]-小节四:Main Agent 如何做动态分派——真正的 Agentic Orchestration 在这里-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1720.png)
左边是固定 Workflow,节点顺序提前写死;右边则是 Main Agent 根据当前状态动态决定下一步叫谁。也正因为这样,SubAgent 的价值不在于把图画得更复杂,而在于把“决策权”从静态流程里拿出来,交还给运行时。
如果我们写死:
如果我们写死:
code_result = code_agent.run(...)
test_result = test_agent.run(...)
research_result = research_agent.run(...)
这当然可以工作。
但这更像:
固定 Workflow
真正 Agentic 的地方应该是:
Main Agent 根据当前情况决定调用谁。
例如第一轮只叫 Code Agent
用户:
Flask 配置迁移失败
Main Agent 先判断:
先让 Code Agent 看本地项目
Code Agent 返回:
可能与依赖升级有关
这时 Main Agent 再决定:
调用 Research Agent
Research Agent 返回:
确实是 API 行为变化
然后 Main Agent:
再次调用 Code Agent 做修改
修改完成后才:
调用 Test Agent
流程是:
Main
↓
Code
↓
Research
↓
Code
↓
Test
这个顺序不是提前固定的。
而是运行时根据 Observation 决定。
这就是 SubAgent 与 DAG 的关键区别之一
DAG 更像:
拓扑提前存在。
例如:
Code
↓
Research
↓
Test
或者:
Code
├→ Research
└→ Test
节点和依赖关系预先定义。
而 Main Agent 调度:
NextSubAgent
=
LLM(
Goal,
State,
SubAgentResults
)
它可以动态选择:
再调 Code
跳过 Research
直接结束
这就是运行时决策权。
一个简单 Router
教学版可以先用规则。
def choose_subagent(
state: dict,
) -> str | None:
if not state.get(
"code_checked"
):
return "code"
if (
state.get(
"needs_research"
)
and not state.get(
"research_done"
)
):
return "research"
if not state.get(
"tests_done"
):
return "test"
return None
真实版本再让 LLM 参与。
但即使 LLM 参与,也应该:
只从允许的 SubAgent 列表里选
不能让模型随便生成一个不存在的 Agent。
这和 Tool Registry 完全一样。
可以建立:
SubAgent Registry
Main Agent 也要记录 Delegation History
例如:
Step 3:
delegate code task_1
Step 6:
delegate research task_2
Step 10:
delegate code task_3
后面 Trace 才能复盘
为什么任务这么慢?
是不是重复委派?
哪个 SubAgent 最常失败?
这会直接进入 AgentOps。
© 版权声明
文章版权归作者所有,未经允许请勿转载。
THE END
















请登录后查看评论内容