Research Agent 这一节最容易讲空,所以我建议你直接盯着图看。它最关键的价值,并不是“每次都出来刷存在感”,而是在真的需要外部资料时再介入。下面这张图把这件事画得很直接。
![图片[1]-案例分析二:Research Agent 为什么应该是“按需调用”,而不是每个任务都固定走一次?-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1722.png)
如果是纯本地 Bug,比如变量未定义、语法错误,那完全可以跳过 Research Agent,直接进入测试验证;只有当代码结果显示问题可能和 Flask 3.x 的 API 变化有关时,Research Agent 才值得被调用。也就是说,SubAgent 不只是“可以多叫几个”,同样也包括“该跳过时就跳过”。
场景背景
场景背景
用户说:
“修复 Flask 项目一个空指针。”
Code Agent 一看:
本地代码逻辑错误
无需外部资料。
如果 DAG 固定:
Code
→ Research
→ Test
Research Agent 还是会查一轮资料。
完全浪费。
动态 SubAgent
Main Agent 收到 Code Result:
pure local bug
no dependency issue
于是直接:
跳过 Research Agent
进入 Test Agent。
这就是动态委派。
反过来
如果 Code Agent 发现:
Flask 3.x API 行为变化
Main Agent 再:
调用 Research Agent
这时 Research 才有价值。
复盘
SubAgent 的价值不仅是:
可以多叫几个 Agent。
还包括:
可以不叫。
这正是动态 Agent 调度与固定 DAG 的体验差异。
常见误区
误解: 只要把 Code、Test、Research 分成三个 Agent,就自动变成 Multi-Agent 高级架构。
正解: 如果三个 Agent 的调用顺序完全写死,本质上仍然是固定 Workflow,只是节点换成了 Agent。真正有 Agentic 特征的是 Main Agent 根据 Goal、State 和 SubAgent Result 在运行时决定下一步要调用谁、要不要重复调用、是否跳过某个 Agent,以及什么时候结束。
误解: SubAgent 就是 Tool 的另一个名字。
正解: Tool 通常是一次明确能力调用,例如 read_file、run_shell;SubAgent 则拥有局部 Goal、自己的 Context、State、Main Loop 和多个 Tool,可以经过多步 Reason → Action → Observation 后再返回结果。若某个“SubAgent”只是调用一个函数后返回,它更像 Tool,而不是自治执行单元。
误解: Agent 越多越容易提高成功率。
正解: 每增加一个 SubAgent,就增加调度、上下文传递、结果汇总、失败恢复和 Trace 成本。如果任务本来很简单,拆成多个 Agent 反而会增加延迟和 Token。只有当上下文隔离、能力边界、并行、失败隔离等收益明显时,SubAgent 才值得加入。
误解: Main Agent 既然最聪明,就应该自己做一遍 SubAgent 的工作来验证结果。
正解: 如果 Main Agent 每次都重新读全部代码、重新跑测试、重新查资料,SubAgent 就失去意义。Main Agent 应主要做任务拆解、分派、冲突判断和结果汇总。需要验证时,应优先调用专门 SubAgent 或 Tool,而不是把所有细节重新塞回 Main Agent Context。
误解: SubAgent 与 DAG 是互斥的,选了 Multi-Agent 就不能用 Workflow。
正解: 两者属于不同维度。SubAgent 描述“谁来执行局部任务”,DAG 描述“节点之间怎样依赖”。完全可以用 DAG 编排多个 Agent,也可以在固定外层 Workflow 的某个节点内运行 Main Agent 动态调多个 SubAgent。生产系统往往就是这种混合结构。
误解: SubAgent 只要返回一段自然语言总结就够了。
正解: 自然语言方便阅读,但 Main Agent 做自动调度时更需要结构化结果,例如 status、summary、findings、errors、artifacts、next_suggestion。结构化输出便于判断任务是否完成、是否冲突、是否需要 Replan,也更容易进入 Trace 和 Evaluation。
















请登录后查看评论内容