多 Agent 协作是使用 Subagents 还是使用 Agent Teams？

大家在开发复杂Agent任务时，就会立刻想到要去选择多智能体系统（multi-agent systems），但这种近乎直觉的思考方式就一定对吗？

导读

大家在开发复杂Agent任务时，就会立刻想到要去选择多智能体系统（multi-agent systems），但这种近乎直觉的思考方式就一定对吗？

正确的问题不是<我是否应该使用多个智能体？>，而是<这项任务实际需要怎样的协作方式？>。

这个问题的答案，决定了你整个系统架构的设计。本文带你深度了解Subagents和Agent Teams的区别以及多Agent系统编排模式。

目录

1. Subagents：通过隔离实现并行处理
2. Agent Teams：通过通信实现协作
3. Subagents vs. Agent Teams：即发即弃 vs. 持续协作
4. 从第一性原理设计智能体系统
5. 五大值得掌握的编排模式
6. 何时不应该使用多智能体系统
7. 多智能体系统的常见失败原因
8. 最重要的一条设计原则

子Agents（Subagents）与Agent团队（Agent Teams），二者表面相似，但在架构层面，解决的是完全不同的问题。

Subagents：通过隔离实现并行处理

可以这样理解：假设你是一名研究主管，你不会亲自阅读所有原始文献，而是将聚焦的问题委派给研究员，研究员返回提炼后的结果，再由你整合为连贯的输出。这正是Subagents的工作方式。

每个子agent具备：

• 定义自身专长的独立系统提示词
• 一组可访问的特定工具
• 干净、独立的上下文窗口
• 唯一的执行任务

子Agent完成工作后，仅向父Agent返回最终结果，不传递完整推理链与中间步骤，只输出精简结果。子Agent的核心价值不只是并行处理，更是信息压缩—— 将大量探索过程提炼为清晰信号，避免无关信息污染父Agent的上下文。

一个严格约束：子Agent不能创建其他子Agent，也无法互相通信。所有结果均回流至父Agent，由父Agent担任唯一协调者。这一约束是设计特性，而非功能限制。它让系统行为可预测，你能清晰掌握信息流向与决策节点。

以下是使用Anthropic的Claude Agent SDK定义与调用子Agent的最简示例：

description字段用于告知父Agent调用哪个子Agent。本例中prompt提及 “安全漏洞”，父prompt 会路由至安全审核员，而非性能优化员；若提示词询问延迟或瓶颈，则会选择另一代理。description字段是路由信号，需保持具体明确。

Agent Teams：通过通信实现协作

Agent teams是完全不同的架构模式。Subagent是完成任务即终止的短期工作者，而Agent teams是长期运行的实例，可直接通信、通过共享状态完成协作。

这就好比雇佣外包人员完成独立任务，与组建一支在同一空间协同工作的团队的区别。

Agent teams包含三个核心组件：

• 团队主管：负责协调工作、分配任务、整合结果
• 团队成员：独立的智能体实例，各有专属上下文窗口，并行工作
• 共享任务列表：追踪待办、进行中、已完成任务，以及任务间依赖关系

典型生命周期如下：

注意test-writer Agent的blockedBy字段，这是共享任务列表实现高效协作的体现：test-writer Agent会等待backend-dev Agent完成后再启动，无需主管手动管控执行顺序。

与Subagent最大的区别在于点对点直接通信。团队成员可互相发送消息、共享发现、提出阻塞问题、协商推进，无需所有信息都经过主管中转。你也可以直接与单个成员交互，不必所有操作都通过主管代理。

Subagents vs. Agent Teams：即发即弃 vs. 持续协作

二者的选择逻辑可概括为：

Subagents：即发即弃

• 分配任务→完成执行→返回结果
• 智能体之间无通信
• 无共享内存、无持续状态
• 单个会话内完成创建与销毁

Agent Teams：协同工作

• 智能体长期存在，持续积累上下文
• 任务中的新发现可即时同步给成员
• 前端Agent可直接告知后端Agent “API响应结构需要修改”，后端Agent无需主管Agent协调即可调整。

选择指南

• 选用Subagents：任务具备强可并行性，如独立研究、代码库探索、仅需父Agent获取摘要的查询任务等；
• 选用Agent Teams：任务需要持续协商，如智能体需在推进前对齐输出、某分支的发现会改变另一分支执行逻辑等

从第一性原理设计智能体系统

多智能体设计的失败，大多原因是按角色拆分工作，而非按上下文拆分。人们直觉上会按规划者、执行者、测试者等角色划分，看似条理清晰，却会造成信息传递损耗，如同 “传话游戏”。

• 执行者不掌握规划者的信息；
• 测试者不了解执行者的决策；
• 每一次交接都会降低结果质量。

正确的设计思路是以上下文为中心的拆分。

思考：这个子任务实际需要哪些上下文？如果两个子任务需要高度重叠的信息，它们应归属同一个智能体；如果二者可基于完全独立的信息与清晰接口运行，才是合理的拆分点。

实际案例：实现某个功能的智能体，应该同时由它编写该功能的测试用例 —— 因为它已具备完整上下文。将功能实现和测试用例生成拆分为不同智能体，会产生交接损耗，成本高于并行带来的收益。仅当上下文可真正隔离时，才进行拆分。

五大值得掌握的编排模式

无论采用哪种范式，以下五种模式覆盖绝大多数实际场景：

1. 提示词链(Prompt chaining): 按顺序执行，每一步输出作为下一步输入。适用于有严格顺序、步骤相互依赖的任务。
2. 路由(Routing)：由分类器判断任务交由哪个专用Agent处理。简单问题分配给具有低成本、快响应模型的Agent，复杂问题分配给具有高性能模型的Agent，有效控制成本。
3. 并行化(Parallelization)：独立子任务同步执行。可同一任务多次运行获取多样化结果（投票机制），或不同子任务同时执行（分段处理）。
4. 协调者 - 工作者(Orchestrator-worker)：中央智能体拆解任务、委派给工作者、整合结果。这是Subagents与Agent Teams最主流的架构，也是工业界最常用的方案。
5. 生成器 - 评估器(Evaluator-optimizer)：一个智能体生成内容，另一个智能体评估并反馈，循环迭代。适用于质量优先于速度、单次执行无法保证可靠性的场景。
6. 当然以上五种多智能体编排模式可以混用，实现一个超级智能体。
7. 目前智能体框架还未有一个统一的标准，因此各家智能体构建框架中集成的多智能体编排模式叫法也有差异，但是基本是围绕以上五种基本模式来实现的。至于工程上怎么实现也是有很大的差异，还有的是将子智能体当做工具来编排，大家看到也不要觉得奇怪。

何时不应该使用多智能体系统

这是大家容易忽略的关键内容。很多团队花费数月搭建复杂的多智能体流程，最终发现：单个智能体搭配优化后的提示词，就能达到同等效果。

从简单开始，仅当能明确衡量复杂度带来正收益时，再增加复杂度。

多智能体系统值得投入的三种情况：

• 上下文保护：子任务产生与主任务无关的信息，放在子Agent中可避免上下文膨胀。
• 真正的并行：独立研究、搜索类任务，同步执行能显著提升效率。
• 专业化：任务需要冲突的系统提示词，或单个智能体承载过多工具导致性能下降。

以下情况不适合使用多智能体：

• 智能体需要频繁共享上下文。
• 智能体间依赖产生的开销高于执行价值。
• 任务足够简单，单个优化提示词的智能体即可完成。

多智能体系统的常见失败原因

三类高频失效模式：

• 任务描述模糊，导致智能体重复工作。每个智能体都需要明确目标、预期输出格式、工具 / 数据源指引、禁止覆盖范围等。缺少这些约束，多个智能体会重复执行相同任务且无法感知。
• 验证智能体未完成验证就判定通过。必须给出明确、具体的指令：运行完整测试用例、覆盖指定场景、所有项通过才可标记完成。模糊的验收标准会产生虚假通过结果。
• Token成本增速远超预期。解决方案是智能分层使用模型：

     a.高性能模型仅用于核心关键环节；

     b.常规任务路由至更快、低成本的模型；

     c.搭建预算控制机制，避免成本失控。

最重要的一条设计原则

围绕上下文边界设计，而非角色或组织架构。

从单个智能体开始，不断推进直到它出现性能瓶颈 —— 这个失效点会明确告诉你下一步需要补充什么。仅当复杂度能解决可量化的实际问题时，再引入复杂度。

   学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。