小节四:Main Agent 如何做动态分派——真正的 Agentic Orchestration 在这里

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

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
THE END
喜欢就支持一下吧
点赞5 分享
评论 抢沙发
头像-大赛人网
欢迎您留下宝贵的见解!
提交
头像-大赛人网

昵称

取消
昵称

    请登录后查看评论内容