在 AI 编程、代码检索和长文本创作等场景中，单个 Agent 长时间处理复杂任务，往往会让对话上下文快速膨胀。掘金上一篇整理自 Oil Book 的实践文章提到，在通过自然语言驱动 AI 写代码的 Vibe Coding 场景中，Agent 既需要读取多个文件、探索代码，也需要修改代码、查看运行日志。几轮操作后，当前话题的上下文可能很快被塞满，甚至触发上下文压缩。此时，最初确认的需求和约束容易变得模糊，后续回答与代码修改质量也会下降。
文章给出的思路，是让 AI Agent 从“单人作业”转向“团队协作”。直接与用户沟通、负责理解需求和统筹任务的是主 Agent；被派去处理具体工作的则是子 Agent。子 Agent 通常不直接和用户对话，而是在独立环境中完成任务，再把精简结果返回给主 Agent。这样，用户仍只需在主话题中沟通，由主 Agent 分发任务并汇总结果。
哪些任务适合拆给子智能体
判断一项任务是否适合交给子 Agent，文章给出的标准很明确：如果工作过程会产生大量中间信息，但最终只需要一份摘要、一个定位结果或一次明确改动，就适合下放给子 Agent。换句话说，子 Agent 更适合承接“过程重、结果轻”的任务，让主 Agent 保留关键结论，而不是把所有中间材料都塞进主对话。
围绕日常开发，文章列举了几类常见角色：
- 探索者：以只读方式进入代码仓库或资料库，查找相关文件、行号和关键信息，最后向主 Agent 返回简短报告。
- 执行者：负责边界清晰的修改任务，例如按主 Agent 给出的文件范围、规范和目标完成代码变更。
- 审查者：在代码完成后独立审查当前变更，检查是否存在过度复杂化、多余防御分支、组件拆分不合理或重复实现已有能力等问题。
这种拆分也带来并行能力。多个互不冲突的子任务可以同时执行，减少等待时间。文章同时提醒，子 Agent 并非所有任务都适合拆开并行，是否需要派发仍要看任务本身。日常使用中，主 Agent 通常会依据提前配置的角色和调度规则自行判断；只有在其没有主动派发、而用户明确需要提升效率或并行处理时，用户才会主动提醒。
三层配置、轻量模型与跨 Agent 调度
子 Agent 的价值不只是“多一个助手”，还在于可以单独设置系统提示词和模型档位。文章提到，对于检索、定位、资料整理等推理要求较低的任务，可以配置更便宜、响应更快的轻量模型；而主 Agent 继续承担需求理解、任务拆解和结果整合。这样既能减少主对话上下文占用，也能降低整体模型开销。
在配置层面，文章总结了三层结构：
- 全局设置：控制默认模型、最大子 Agent 并发数量，以及最大嵌套层级。文中举例，默认同时最多跑 6 个子 Agent；嵌套层级保持最多一层即可，避免子 Agent 继续向下派发导致失控和浪费。
- 子 Agent 配置：定义角色名称、模型、思考强度和专属提示词，例如前端规范或代码审查清单。
- 调度 Skill：告诉主 Agent 什么时候派发任务、派给哪类子 Agent、是否携带历史上下文，以及何时复用已启动的子 Agent。
这里有一个关键原则：Skill 管调度，子 Agent 配置管执行。如果把前端规范、审查清单等大段规则都写在调度层，主 Agent 每次派发任务时都要重复携带这些内容，既占用上下文，也增加输出消耗；反过来，把执行规范写进子 Agent 自己的配置，主 Agent 只需要简短下达任务即可。
文章还提到一个容易被忽略的问题：创建自定义子 Agent 时应检查模型字段。部分工具在未显式指定模型时，会默认继承当前主话题使用的高价主力模型，导致原本适合轻量模型完成的任务也产生更高开销。
除工具内置的子 Agent 机制外，文章还介绍了一种更开放的思路：让一个 Agent 通过命令行调用另一个 Agent。例如，在 Claude Code 中派发 Codex 执行任务，或同时调度多个不同厂商的 Agent。实现方式是利用 Agent 可执行命令的能力，将另一款 Agent 的 CLI 封装进 Skill 和脚本。文中提到的开源项目 oil-delegate，就将 Claude Code、Codex、Antigravity、Kimi Code 等工具的命令行能力进行了封装。用户只需用自然语言表达任务，主 Agent 即可把请求转给对应工具。
Agent 工程化的重点：上下文、边界与成本
从这篇实践文章看，子 Agent 并不是简单地“多开几个对话框”，而是围绕上下文隔离、任务边界和模型成本建立的一套工作方法。主 Agent 保留用户需求和关键结论，子 Agent 承担高读取、高检索或高重复性的中间过程，轻量模型则被放到更适合的位置上。
这一实践也反映出 AI Agent 应用中的另一个变化：开发者开始更细致地安排任务编排，而不仅仅依赖单一模型的能力。如何控制上下文长度、如何设计角色分工、如何为不同任务选择合适模型档位，正在成为评估 Agent 工作流是否成熟的重要维度。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ba-zhong-huo-jiao-gei-zi-zhi-neng-ti-ai-agent-fen-gong-xie
