章末自测

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

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。

© 版权声明
THE END
喜欢就支持一下吧
点赞10 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