跳转到内容
AI Agent 教程 AI Agent 教程

子 Agent 委派模式：隔离上下文与并行执行

子 Agent 委派模式：隔离上下文与并行执行

1. 概念定义

子 Agent 委派（Sub-Agent Delegation）是一种多 Agent 设计模式。Lead Agent 遇到复杂任务时，不是自己一步步处理，而是动态生成一个或多个子 Agent，每个子 Agent 负责一个子任务。

关键特征：

  • 隔离上下文：子 Agent 无法看到 Lead Agent 或其他子 Agent 的上下文
  • 专用工具集：每个子 Agent 可以配置不同的工具（如专用 bash Agent）
  • 独立终止条件：每个子 Agent 有自己的超时和结束条件
  • 并行执行：多个子 Agent 可以同时运行，缩短总体任务时间

2. 典型架构

3. 并发控制

子 Agent 的并发执行需要严格控制：

  • 最大并发数：通常 3-5 个，避免资源耗尽和 Token 爆炸
  • 线程池架构：调度线程池（负责任务分发）+ 执行线程池（负责实际运行）
  • 超时机制：每个子 Agent 有独立的超时（如 15 分钟），超时后强制终止
  • 结果归集：子 Agent 完成后将结果返回 Lead Agent 合成

4. 上下文隔离的必要性

不隔离上下文的问题：

  • 注意力分散：子 Agent 看到 Lead Agent 的完整对话历史，容易偏离当前子任务
  • Token 浪费：每个子 Agent 的请求都携带大量无关上下文
  • 状态污染：子 Agent 可能误操作 Lead Agent 的状态

5. 陷阱与规避

5.1 过度委派

Lead Agent 可能将简单任务也委派给子 Agent，增加不必要的延迟。

规避：在 Lead Agent 的系统提示中明确”什么应该委派、什么应该自己做”。

5.2 结果合成困难

多个子 Agent 的输出格式不一致，Lead Agent 难以整合。

规避：定义子 Agent 结果的标准化 schema，包含 deliverables、status、errors 字段。

5.3 并发竞争

并行子 Agent 同时读写共享资源（如文件系统）。

规避：每个子 Agent 分配独立的工作目录，Lead Agent 负责最终整合。

6. 适用场景

  • 长程研究：同时探索多个信息源
  • 多文件编辑：并行修改多个不相关的文件
  • 数据管道：独立的 ETL 步骤可并行执行
  • 内容生成：文字、图片、代码生成可分工

参考来源

案例补充：CodeWhale 子 Agent 角色分类学

本补充基于 CodeWhale 源码分析，首次覆盖于 2026-06-01。

CodeWhale 提供了最系统化的子 Agent 角色分类（taxonomy），定义了 6 种角色 + 1 种自定义：

角色写入权限Shell 策略典型场景
general是是默认，多步任务
explore否只读代码探索，查找调用点
plan最小最小设计策略，不执行
review否只读PR 审计，分级评分
implementer是是最小修改，落地变更
verifier否测试导向运行测试，报告结果
custom取决于 allowlist取决于 allowlist锁定工具集的派发

关键设计模式：

  1. 输出契约：每个子 Agent 必须输出五段式结果（SUMMARY/CHANGES/EVIDENCE/RISKS/BLOCKERS），父 Agent 直接从 EVIDENCE 段读取工作集
  2. 完成哨兵：子 Agent 完成后，运行时将摘要注入父会话的 <codewhale:subagent.done> 哨兵，父模型无需额外工具调用即可读取
  3. 上下文 Fork 策略：fork_context: true 让子 Agent 继承父的前缀 + 状态快照，保持 DeepSeek 前缀缓存复用的同时获得上下文
  4. 会话边界：每个 SubAgentManager 实例分配 session_boot_id，防止将旧会话的遗留记录误认为活跃工作
  5. 并发上限与 Batch 模式：默认 10，硬上限 20，超出时父 Agent 应 batch 处理

版本信息

📅 2026-05-25

标签

sub-agentdelegationparallel-executioncontext-isolation

参考来源