Vibe Coding 与 AI Agent 全景知识库

主题

8.10 Subagents 子代理协作：上下文隔离与证据辅助研究流水线 ​

“五星级饭店的主厨绝不会自己又切菜、又洗碗、又去菜市场砍价；他会把采购任务派给专职学徒，学徒在自己的小车间搞定一切，只把洗净称好的顶级食材端回主厨厨房！”

👥 为什么单 Agent 会遇到瓶颈？Subagent 的核心价值 ​

在处理大型工程任务（如写一篇深度技术调研报告、或者重构整个项目的认证模块）时，如果我们把所有搜索结果、几十个文件的长代码全塞给同一个 Agent，主 Agent 的上下文会瞬间被海量噪音污染。

为了解决这一问题，现代顶尖架构（如 learn-claude-code s06 Subagent 与 hello-agents 第十四章自动化深度研究）引入了 Subagent（子代理）机制：

  • 上下文彻底隔离（Context Isolation）：每个子代理拥有完全属于自己的全新 messages[]，它内部查了几十次网页、产生了上万 Token 的中间试错，都不会污染主 Agent 的主线程；
  • 只返回纯净交付物（Clean Text Back）：子代理完成任务后，仅将提炼后的最终文本结论返回给父级。

👥 为什么单 Agent 会遇到瓶颈？Subagent 的核心价值

💻 源码实现：Subagent 隔离与 DeepResearchPipeline ​

在 code/s10_subagents.py 中，子代理的本质就是一个具备专属 System Prompt 与隔离上下文的极简执行器：

python
class Subagent:
    def __init__(self, name: str, role_prompt: str, client: ZhipuGLMClient):
        self.name = name
        self.role_prompt = role_prompt
        self.client = client

    def run(self, task_input: str) -> str:
        """为子任务分配全新独立的 messages 列表，完全隔绝外部干扰"""
        isolated_messages = [
            {"role": "system", "content": self.role_prompt},
            {"role": "user", "content": task_input}
        ]
        response = self.client.chat(messages=isolated_messages, temperature=0.5)
        return response.choices[0].message.content.strip()

四个角色 + 一份证据台账： ​

python
class DeepResearchPipeline:
    def __init__(self, client: ZhipuGLMClient):
        self.planner = Subagent("规划师", "拆解2个核心议题...", client)
        self.researcher = Subagent("研究员", "深入分析技术优缺点...", client)
        self.critic = Subagent("审查员", "尖锐挑刺并提出补充建议...", client)
        self.writer = Subagent("主编", "汇总生成精美Markdown报告...", client)

    def execute_research(self, topic: str):
        # 1. 拆解议题
        plan = self.planner.run(topic)
        # 2. 用可插拔搜索提供方建立证据台账；失败也原样记录，绝不补造来源
        evidence = self._collect_evidence(plan, timeline)
        # 3. 基于证据推导
        research = self.researcher.run(f"课题: {topic}\n议题: {plan}\n证据: {evidence}")
        # 3. 审查挑刺
        critic = self.critic.run(f"研究: {research}")
        # 4. 汇总终稿
        final_report = self.writer.run(f"研究: {research}\n审查: {critic}")
        return final_report

🕹️ 在 Gradio 中动手体验 ​

🧪 这不是 Mock 研报：规划师、研究员、审查员和主编会分段调用真实模型，搜索环节也会尝试访问真实 DuckDuckGo 页面。因此需要 ZHIPU_API_KEY 和可用网络，一次研究会产生多次模型请求。

在 code/app.py 中切换到 8.10 Subagents 多智能体协作 标签页：

  1. 输入研究课题：2026年 Agentic Coding 与传统 IDE 的架构融合趋势；
  2. 点击 🚀 启动 4 专家协同深度研究；
  3. 观察流水线：规划师拆解 ➔ 搜索工具收集证据 ➔ 研究员分析 ➔ 审查员核验 ➔ 主编汇总。报告会保留真实 URL；搜索失败时则明确标注“尚未核实”。

这仍是教学型研究管道：搜索结果只有标题、链接和摘要，没有网页全文抓取、来源去重、权威性评分或引用定位，因此不能等同于生产级 Deep Research。

⚡ 进阶深化：子代理也可以"并行开工"（进阶课题） ​

目前的多智能体流水线是串行的：Planner 跑完才轮到 Researcher。但深度调研里，多个独立议题完全可以并行让多个子代理同时开工（参考 learn-claude-code s08 Background Tasks 的后台线程 + 通知队列思想，以及 deepagents 的并发任务派发）。这属于进阶课题，感兴趣的读者可在完成 8.13 综合实战：打造个人 Mini-Agent 后，自己把 Subagent.run 丢进线程池再统一收集结果，让流水线从"排队叫号"升级为"多窗口并行"。

什么时候值得拆给子代理 ​

只有子任务相对独立、能写清输入输出、并行收益高于沟通成本时，拆分才有意义。一个两分钟能完成的局部修改，如果还要分配、等待和合并，往往更慢。适合拆分的例子包括彼此独立的资料核查、不同模块的只读分析，以及可以用明确测试验收的实现任务。

多个子代理共享文件系统时，还要防止同时编辑同一文件。可以为每个任务划分目录、使用独立工作区，或只让一个角色负责最终写入。交接信息至少包含结论、证据、改动范围和未决问题，主代理不能只收集摘要而不核对关键结果。

📝 本节小结 ​

  • 分而治之：复杂任务拆解给垂直专家子代理，各自拥有独立上下文，主线程轻装上阵；
  • 流水线闭环：通过 Planner ➔ Researcher ➔ Critic ➔ Writer 链条，大幅提升生成质量并杜绝单模型自说自话的盲区；
  • 后续实践：现在，我们已经掌握了环境、思考、规划、工具、文件、权限、切面、压缩、记忆、子代理全部 10 大核心模块！下一节，我们要把所有模块精密组装成最终的完整形态——8.13 综合实战：打造个人 Mini-Agent！