题目 1:Main Agent 与 SubAgent 的职责分别是什么?
请从任务拆解、任务分派、局部执行、结果汇总四个角度说明。
Main Agent 负责全局 Goal,先识别哪些子问题值得独立处理,再把清晰的局部任务分派给合适的 SubAgent,并根据返回结果判断是否继续、重派或结束。SubAgent 则负责某个局部 Goal 的具体执行,可以拥有自己的 Context、State、Main Loop 和 Tool。最终 Main Agent 负责处理结果冲突、汇总证据并生成全局答案。
题目 2:为什么 SubAgent 不能简单理解成“一个更大的 Tool”?
请说明它在 Goal、State、Main Loop 和 Tool 使用上的差异。
普通 Tool 通常接收明确参数并执行一个相对确定的动作,例如读取文件或运行命令;SubAgent 接收的是一个局部 Goal,需要自己根据 Observation 决定多步动作。它可以维护 Working Memory、调用多个 Tool、处理 Error、判断是否完成,并最终返回结构化结果。因此 Tool 更像能力函数,SubAgent 更像一个受限范围内的自治 Agent Runtime。
题目 3:编程实现——定义一个最小 SubAgentTask 与 SubAgentResult
要求 Result 至少包含 task_id、agent_name、status、summary,并创建一个 Test Agent 返回结果。
from dataclasses import dataclass
@dataclass
class SubAgentTask:
task_id: str
goal: str
@dataclass
class SubAgentResult:
task_id: str
agent_name: str
status: str
summary: str
if __name__ == "__main__":
task = SubAgentTask(
task_id="task_test_1",
goal="运行测试并归纳失败",
)
result = SubAgentResult(
task_id=task.task_id,
agent_name="test",
status="completed",
summary=(
"发现 2 个失败用例,"
"均与配置初始化相关"
),
)
print(result)
#这个结构可以继续扩展 findings、errors、artifacts 等字段,方便 Main Agent 自动汇总。
题目 4:SubAgent 与 DAG 最核心的区别是什么?
请用“下一步是谁决定的”这一判断标准回答。
DAG 的节点和依赖关系通常在运行前已经定义,下一节点主要由预先设定的拓扑与条件决定;SubAgent 架构是否真正 Agentic,要看 Main Agent 是否根据当前 Goal、State 和前一个 SubAgent Result 在运行时决定接下来调用谁。若 Code → Test → Research 永远固定,那更像 DAG;若 Main Agent 可以跳过、重复或改变顺序,则更接近动态 Agent 调度。
题目 5:为什么 Research Agent 更适合按需调用,而不是固定每个任务都执行?
请结合本地代码 Bug 与依赖版本变化两种情况说明。
如果 Code Agent 已经确认问题只是本地空指针或简单逻辑错误,外部资料并不能提供额外价值,固定调用 Research Agent 只会增加延迟和 Token。只有当结果显示问题涉及依赖升级、API 行为变化或外部协议时,Main Agent 才应该动态调用 Research Agent。按需委派正是 Agent 相对固定 Workflow 的价值之一。
题目 6:为什么 Main Agent 自己也需要 Delegation Budget?
请说明多 Agent 系统可能出现什么形式的死循环。
Main Agent 可能不断在 Code Agent 和 Test Agent 之间来回委派:测试失败就叫 Code,Code 修改后再叫 Test,错误不变又继续循环。如果没有 MAX_DELEGATIONS、每类 SubAgent 最大调用次数和总 Token/时间预算,多 Agent 也会出现比单 Agent 更昂贵的死循环。因此 SubAgent 调度仍然必须服从 RunGuard 与资源预算。
题目 7:如何判断是否值得从单 Agent 升级成 SubAgent 架构?
请至少给出四个判断指标。
可以观察:单 Agent Context 是否持续过大;任务是否天然分成多个能力域;不同任务是否需要明显不同的 Tool 权限和规则;是否存在可并行的独立子任务;某一类失败是否适合隔离;Main Agent 是否因为同时处理代码、测试、资料而频繁跑偏。如果这些问题明显,SubAgent 可能有价值;如果任务短、工具少、上下文小,则单 Agent 往往更简单高效。
进一步阅读
- Multi-Agent Systems:理解多个自治执行单元如何协作。
- Planner / Executor Pattern:上一节的 PlanTask 可以自然映射到 SubAgent。
- Agent Routing:研究如何根据 State 动态选择下一个 Agent。
- Hierarchical Agents:Main Agent 与多个 Specialist Agent 的层级关系。
- DAG / Workflow Orchestration:进一步理解固定拓扑与动态调度的区别。
- Parallel Execution:独立 SubAgent 任务如何并行执行。
- Delegation Budget:多 Agent 调度为什么同样需要资源限制。
- Skills:下一节会进一步把可复用能力从 Agent 身上拆成动态加载的 Skills。
术语表
- SubAgent:围绕一个局部 Goal 独立运行的受控 Agent 执行单元,可以拥有自己的 Context、State、Main Loop 与 Tool。
- Main Agent:负责全局任务理解、拆解、分派、结果汇总与后续调度的上层 Agent。
- Delegation:Main Agent 把局部任务交给某个 SubAgent 执行的过程。
- SubAgent Registry:保存系统允许使用的 SubAgent 列表、名称和能力信息,避免模型调用不存在或未授权的 Agent。
- Agentic Orchestration:由 Agent 根据运行时 Goal、State 和 Observation 动态决定调用哪个执行单元的编排方式。
- Delegation Budget:对 Main Agent 可分派的 SubAgent 次数、总 Token、时间等资源进行限制的策略。
- Specialist Agent:专门负责某一能力域的 Agent,例如 Code Agent、Test Agent、Research Agent。
- DAG Orchestration:以预先定义的节点和依赖关系组织执行的控制结构,节点可以是普通函数,也可以是 SubAgent。
本章总结
到最后再回看一遍整章主线,会更容易把前面几个概念串起来。下面这张总览图,正好能把 Main Agent 的职责、多个 SubAgent 的执行、结果汇总以及完成判断重新连接起来。
![图片[1]-章末自测-大赛人网](https://www.dsrw.com/wp-content/uploads/2026/11/image-1723.png)
如果你现在已经能看懂这张图,并且能顺着它讲清楚“为什么需要 SubAgent、Main Agent 做什么、动态调度和固定 Workflow 差在哪、什么时候该叫 Research Agent、什么时候没必要”,那这一章的核心其实就已经掌握得很扎实了。
这一节,我们把 Agent 的能力从:
这一节,我们把 Agent 的能力从:
一个 Agent 自己做所有事情
扩展到了:
Main Agent
│
├── Code Agent
├── Test Agent
└── Research Agent
但这一章最重要的结论不是:
“多 Agent 更高级。”
而是:
只有当复杂度值得拆分时,SubAgent 才有意义。
SubAgent 真正解决的是:
上下文隔离
能力边界
规则聚焦
并行执行
失败隔离
而不是单纯把一个 Agent 拆成几个名字。
我们明确了 Main Agent 的三类核心职责:
任务拆解
任务分派
结果汇总
SubAgent 则负责:
具体局部任务执行
一个真正的 SubAgent 不只是函数。
它可以拥有:
局部 Goal
自己的 Context
自己的 State
自己的 Main Loop
多个 Tool
自己的 Error Recovery
所以它本质上是:
局部 Agent Runtime。
我们还实现了:
SubAgentTask
SubAgentResult
SubAgent
SubAgentRunner
并建立:
Code Agent
Test Agent
Research Agent
三个最小执行单元。
接下来,我们重点回答了本章标题里最关键的问题:
SubAgent 与 DAG 到底有什么区别?
结论是:
SubAgent 描述“谁来执行”,DAG 描述“执行关系怎么组织”。
它们不冲突。
DAG 完全可以把:
Code Agent
Test Agent
Research Agent
当成固定节点。
如果顺序:
Code
↓
Test
↓
Research
提前写死,那么即使节点都是 Agent,本质上仍然更像 Workflow。
真正的 Agentic Orchestration 在于:
NextSubAgent
=
LLM(
Goal,
State,
SubAgentResults
)
也就是 Main Agent 根据运行时结果决定:
下一个叫谁
要不要重复调用
要不要跳过
现在是不是可以结束
所以最好用一句话判断:
下一步由预定义拓扑决定,更像 DAG;下一步由 Main Agent 基于运行时状态决定,更像 Agent。
生产系统里,两者往往组合使用。
比如:
固定 Workflow
↓
权限检查
↓
Agent 阶段
↓
人工审批
↓
发布
而 Agent 阶段内部:
Main Agent
动态调用多个 SubAgent
这正是课程最开始反复强调的:
确定性的事情
→ Workflow / DAG
不确定、开放式的事情
→ Agent
最后,我们也没有忘记资源边界。
多 Agent 系统同样可能死循环:
Test Agent
→ Code Agent
→ Test Agent
→ Code Agent
→ ...
所以 Main Agent 也要有:
MAX_DELEGATIONS
MAX_SUBAGENT_RUNS
Token Budget
Time Budget
SubAgent 越多,越不能忘记 RunGuard。
到这里,如果你已经能清楚解释:
Tool
SubAgent
DAG
Main Agent
这几个概念之间的区别,那么这一节真正的核心就掌握了。
下一节,我们会继续拆“能力”。
但这次不是拆成另一个 Agent。
而是拆成:
Skills:让 Agent 拥有可复用能力。
例如:
skills/python-debug/SKILL.md
skills/flask-project/SKILL.md
skills/data-analysis/SKILL.md
让 Agent 不需要把所有知识永远塞进 System Prompt。
而是:
根据任务动态加载真正需要的能力。
















请登录后查看评论内容