Agent 如何管理其他 Agent:四种Sub Agent 模式

OpenViking上下文数据库Golang集成实践 技术创新文件系统范式:将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略:L0/L1/L2三层加载机制,减少62.1%的Token消耗记忆自迭代:会话提交触发Agent经验沉淀,实现越用越智能工程实践完整Golang实现:提供生产级可用的OpenViking客户端库企业级集成方案:涵盖文档摄入、检索、会话管理等全流程性能优化成果:检索准确率提升24.1%,响应时间减少53.3%可观测性提升可视化检索轨迹:实现检索过程的白盒化,调试效率提升77.1%全面监控指标。 阅读详情

时至今日,模型在规划、工具调用和多步骤指令执行上已经强了不少,这也让一些以前太脆弱、跑不起来的模式变得可行了——比如让主 Agent 管理一批持久化的 Worker,或者让 Agent 之间直接互发消息。

下面介绍四种模式,按主 Agent 对子 Agent 生命周期的控制程度由低到高排列。

  1. 内联工具:子 Agent 就是一个函数调用

最简单的模式。主 Agent 调用一个工具,工具内部启动一个子 Agent,子 Agent 跑完把结果作为工具返回值传回来。从主 Agent 的视角看,调用子 Agent 和调用 read_file、run_command 没有任何区别。

Pattern 1 diagram

主 Agent 有一个叫 call_agent 的工具,发一个任务进去,拿到结果出来。子 Agent 在自己独立的上下文里运行,有自己的工具和指令。主 Agent 完全不用操心子 Agent 的生命周期。

[  { "role": "user", "content": "检查 PR #42 的安全问题" },  { "role": "assistant", "tool_calls": [    { "name": "call_agent", "arguments": { "task": "检查 PR #42 的安全问题,重点关注鉴权变更", "agent": "security-reviewer", "tools": ["read_file", "search_code"] } }  ]},  { "role": "tool", "name": "call_agent", "content": "发现 2 个问题:1) /api/users 接口未校验 Auth Token;2) 登录处理器中 Session Cookie 缺少 HttpOnly 标记。" },  { "role": "assistant", "content": "审查发现了 2 个安全问题……" }]

这个模式在工具层面有同步和异步两种玩法。

同步(如上): 工具调用会阻塞,主 Agent 的这一轮暂停,等子 Agent 跑完,结果作为正常的工具返回值回来。

异步: 工具立刻返回一个 Agent ID,子 Agent 跑完后,结果会以通知消息的形式注入到对话里。主 Agent 在等结果的同时,可以继续做别的工具调用。

[  { "role": "user", "content": "检查 PR #42 并顺手看一下 CI 日志" },  { "role": "assistant", "tool_calls": [    { "name": "call_agent", "arguments": { "task": "检查 PR #42 的安全问题", "agent": "security-reviewer", "background": true } },    { "name": "read_file", "arguments": { "path": "ci/logs/latest.txt" } }  ]},  { "role": "tool", "name": "call_agent", "content": "agent_id: agent-x1,正在后台运行。" },  { "role": "tool", "name": "read_file", "content": "构建通过,142 个测试全绿。" },  { "role": "assistant", "content": "CI 没问题。等安全审查结果……" },  { "role": "user", "content": "<notification agent_id='agent-x1' status='completed'>发现 2 个问题:……</notification>" },  { "role": "assistant", "content": "安全审查发现了 2 个问题……" }]

同步模式下,工具返回值直接是结果;异步模式下,工具返回值是个 ID,结果后续以注入的 user 消息形式到来。

适用场景: 自包含的独立任务,比如资料查询、代码审查、文件分析、测试生成。大多数子 Agent 的使用场景,从这里出发就够了,而且很多都不需要往后走。

局限: 支持工具调用的模型都能用,包括小模型和便宜的模型。结果以单条工具返回值(同步)或注入通知消息(异步)的形式到达。没办法在子 Agent 运行过程中发补充指令、查进度或提前取消。如果子 Agent 理解错了任务,只能等结果回来才知道。


  1. Fan-Out:批量启动 Agent,等结果汇总

主 Agent 启动多个子 Agent,然后用 wait_agent 工具收集结果。与内联工具模式不同的是,启动和收集是两个独立的步骤。spawn_agent 始终立即返回,模型自己决定接下来怎么做:马上调用 wait_agent,还是先做点别的事,或者再启动更多 Agent 之后再统一等待。

Pattern 2 diagram

两个核心工具:spawn_agent 派发任务,立即返回一个 ID;wait_agent 阻塞到一个或多个 Agent 完成。

模型控制时序。它可以启动 Agent 后马上调用 wait_agent(退化为同步),也可以先穿插做自己的工作:

[  { "role": "user", "content": "重构鉴权模块并更新相关测试" },  { "role": "assistant", "tool_calls": [    { "name": "spawn_agent", "arguments": { "task": "将鉴权模块重构为 JWT Token 方式", "agent": "backend-engineer" } },    { "name": "spawn_agent", "arguments": { "task": "为新 JWT 流程更新所有鉴权相关测试", "agent": "test-writer" } },    { "name": "read_file", "arguments": { "path": "docs/auth-spec.md" } }  ]},  { "role": "tool", "name": "spawn_agent", "content": "已启动 agent-a(backend-engineer),运行中。" },  { "role": "tool", "name": "spawn_agent", "content": "已启动 agent-b(test-writer),运行中。" },  { "role": "tool", "name": "read_file", "content": "# 鉴权规范\nJWT Token 使用 RS256……" },  { "role": "assistant", "content": "两个任务都已开始。规范确认用 RS256。" },  { "role": "assistant", "tool_calls": [{ "name": "wait_agent", "arguments": { "timeout": 300 } }]},  { "role": "tool", "name": "wait_agent", "content": "2 个 Agent 已完成:\n- agent-a:重构了 3 个文件(auth.ts、middleware.ts、config.ts)\n- agent-b:更新了 12 个测试,全部通过" },  { "role": "assistant", "content": "两个任务都完成了。鉴权模块现在使用 JWT……" }]

这里模型同时启动了两个 Agent 并读了一个文件,然后决定等待。换一个模型可能会在启动后立刻等,或者先多读几个文件再等。工具接口是一样的,怎么调度完全由模型决定。

与模式 1 的核心差别:模型控制什么时候收集结果。它可以启动 5 个 Agent,自己先读几个文件,然后再调用 wait_agent。wait_agent 就像一个全局收件箱,等有 Agent 完成就被唤醒,把所有可用结果一次性返回。

适用场景: 多个相互独立的并行任务,主 Agent 不需要某个子 Agent 的结果才能启动另一个。

局限: 模型需要正确判断什么时候该等待。如果每次启动 Agent 后立刻就调用 wait_agent,那跟模式 1 没什么区别,并行的价值体现不出来。还是没办法给运行中的子 Agent 发补充指令或中途纠偏。


  1. Agent Pool:持久化 Agent + 消息通信

主 Agent 启动长期存活的子 Agent,并通过消息与它们持续交互。Agent 跨多次交互保持存活,主 Agent 可以发补充指令、查状态,还能在 Agent 之间协调工作。

这需要更丰富的工具接口:spawn_agent、send_message、wait_agent、list_agents、kill_agent。

Pattern 3 diagram

与模式 2 不同,这里的 Agent 是有状态的、可交互的。主 Agent 发一条消息,收到回复,再发下一条消息给同一个 Agent,而这个 Agent 保留了完整的对话历史。这就支持了多步协作的工作流,主 Agent 在不同专家 Agent 之间扮演调度员的角色。

[  { "role": "user", "content": "写一篇关于 WebAssembly 性能的博客" },  { "role": "assistant", "tool_calls": [    { "name": "spawn_agent", "arguments": { "role": "researcher", "tools": ["web_search", "read_url"] }},    { "name": "spawn_agent", "arguments": { "role": "writer", "tools": ["write_file", "read_file"] }}  ]},  { "role": "tool", "name": "spawn_agent", "content": "已启动 agent-r(researcher)" },  { "role": "tool", "name": "spawn_agent", "content": "已启动 agent-w(writer)" },  { "role": "assistant", "tool_calls": [    { "name": "send_message", "arguments": { "to": "agent-r", "message": "调研 WebAssembly 性能基准测试,找到 5 个有具体数据的来源。" } },    { "name": "send_message", "arguments": { "to": "agent-w", "message": "拟一个关于 WebAssembly 性能的博客结构大纲,分 4 个部分。" } }  ]},  ...  { "role": "tool", "name": "wait_agent", "content": "agent-r 回复:找到 5 个来源:1) Chrome 基准测试显示达到原生速度的 1.2 倍……" },  { "role": "assistant", "tool_calls": [{ "name": "send_message", "arguments": { "to": "agent-w", "message": "用这些来源填充你的大纲……" } }]},  ...  { "role": "assistant", "tool_calls": [{ "name": "send_message", "arguments": { "to": "agent-r", "message": "对这份草稿进行事实核查……" } }]},  ...  { "role": "tool", "name": "wait_agent", "content": "agent-r 回复:发现 2 处错误:第 3 段引用了 2 倍速,但来源写的是 1.5 倍……" },  { "role": "assistant", "tool_calls": [    { "name": "send_message", "arguments": { "to": "agent-w", "message": "应用这些修正:第 3 段改为 1.5 倍……" } },    { "name": "kill_agent", "arguments": { "agent_id": "agent-r" }}  ]},  ...  { "role": "assistant", "content": "最终文章如下……" }]

agent-r 被调用了两次(先调研,后事实核查),并且在第二次调用时还记得第一次找到的资料。模型在一开始就并行给两个 Agent 分配了任务,之后在事实核查环节又转为顺序协调。工具接口不变,调度逻辑全由模型掌控。

结果按消息粒度通过 wait_agent 逐步到达,每次调用 wait_agent 返回下一个 Agent 的回复,主 Agent 可以根据结果即时调整下一条指令。

适用场景: 需要 Agent 跨多个步骤协作的工作流,主 Agent 在专家 Agent 之间充当信息路由。

局限: 主 Agent 需要同时跟踪多个 Agent 的状态、判断什么时候该发追问还是等待、正确地在 Agent 之间传递信息。小模型很容易搞混哪个 Agent 有哪些上下文,或者忘了在做完任务后调用 kill_agent。即使是前沿模型,同时管 2-4 个 Agent 也只能说"还行"。


  1. Teams:Agent 之间直接互发消息

Agent 之间直接通信,不经过主 Agent 中转。主 Agent 负责组建团队、定义角色,然后退到幕后。各 Agent 通过直接消息或共享邮箱自行协调。

Pattern 4 diagram

工具接口需要支持跨 Agent 寻址。每个 Agent 的工具集里都有 send_message,可以按名字或路径给其他 Agent 发消息。

从主 Agent 的视角来看,整个对话非常短——组建团队、踢球给规划者,然后等最终汇报。模型可以选择静默等待,也可以定期用 list_agents 查一下进度:

[  { "role": "user", "content": "开发 Feature X" },  { "role": "assistant", "tool_calls": [    { "name": "spawn_agent", "arguments": { "role": "planner", "tools": ["read_file", "search_code", "send_message"] } },    { "name": "spawn_agent", "arguments": { "role": "implementer", "tools": ["read_file", "write_file", "run_command", "send_message"] } },    { "name": "spawn_agent", "arguments": { "role": "reviewer", "tools": ["read_file", "search_code", "send_message"] } }  ]},  ...  { "role": "assistant", "tool_calls": [{ "name": "send_message", "arguments": { "to": "agent-p", "message": "规划并协调 Feature X 的开发。你的队友:agent-i(实现)、agent-v(审查)。直接给他们发消息。完成后向我汇报。" } }]},  ...  { "role": "assistant", "tool_calls": [{ "name": "wait_agent", "arguments": { "timeout": 60 } }]},  { "role": "tool", "name": "wait_agent", "content": "超时,没有 Agent 响应。" },  { "role": "assistant", "tool_calls": [{ "name": "list_agents", "arguments": {} }]},  { "role": "tool", "name": "list_agents", "content": "agent-p:运行中,agent-i:运行中,agent-v:空闲" },  { "role": "assistant", "tool_calls": [{ "name": "wait_agent", "arguments": { "timeout": 120 } }]},  { "role": "tool", "name": "wait_agent", "content": "agent-p 回复:Feature X 已完成。3 个文件有改动,所有测试通过。摘要:……" },  { "role": "assistant", "content": "Feature X 已开发完成。以下是完成情况……" }]

规划者给实现者发消息、实现者把代码发给审查者、审查者请求修改——这些全都发生在各 Agent 自己的对话内部,主 Agent 的上下文保持干净。主 Agent 只有在某个 Agent 主动向它汇报时才能看到结果,其余的 Agent 间交流对它完全不透明。

适用场景: 任务规模大到一个 Agent 难以逐步管理所有协调逻辑。

局限: 团队里的每个 Agent 都需要前沿级别的模型能力,不只是主 Agent 一个。每个成员都要独立判断什么时候联系队友、发什么内容、什么时候汇报。模型可能给错 Agent 发消息、忘记汇报完成,或者陷入循环。工程层面也有不少挑战:死锁检测(A 等 B、B 等 A)、冲突解决(两个 Agent 同时改一个文件)、关闭协调。Debug 也很痛苦,Agent 间的消息链难以追踪,而且故障会级联扩散。


怎么选模式

模式工具主 Agent 角色Agent 生命周期
内联工具call_agent调用方单次任务
Fan-Outspawn_agent , wait_agent调度方单次任务
Agent Poolspawn , send, wait, list, kill协调方多轮持久
Teams以上全部 + 跨 Agent send_message监督方持久化

从模式 1 出发。很多感觉需要多 Agent 协作的任务,用一个精心设计的内联工具调用就能搞定。如果任务确实是多个相互独立的并行子任务,再升级到模式 2。如果 Agent 之间需要跨多步骤协作,才考虑模式 3。模式 4 留给那些协调逻辑本身已经超出单个 Agent 管理能力上限的大型任务。

每往上走一个台阶,对模型能力的要求就高一截。模式 1 只要能调工具就行;模式 2 需要模型能推理"该什么时候 wait";模式 3 需要模型能跨轮次追踪多个 Agent 的状态;模式 4 则要求团队里的每个 Agent 都是前沿级别。如果用的是小模型或者便宜的模型,老老实实待在模式 1 或模式 2。

结果收集的方式也随着模式的升级而变化:模式 1 结果内联在工具返回值里;模式 2 通过 wait_agent 批量收集;模式 3 逐消息增量到达;模式 4 只有 Agent 主动汇报的内容才能被主 Agent 看到,其余的全在 Agent 内部消化。

对于模式 2-4,spawn_agent 永远立即返回,wait_agent 在模型决定调用时收集结果。框架提供工具,模型控制调度。今天需要 4 个 Agent 协作的任务,也许明天一个更强的模型单打独斗就能解决。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

图解 Claude Code 子智能体 Sub-agent Sub-agent 就像是IDE(集成开发环境) 中的一个专业的团队成员。拥有特定的目标使用独立的上下文窗口可以被限定使用特定的工具遵循自定义的系统提示词它能独立工作并返回专注的结果。打开 sub-agent 的用户界面 (UI):/agents创建一个新的智能体并选择其作用范围定义您的智能体保存以备后用演示如下:现在,让我们构建一个 sub-agent 团队,看看它们的实际应用。代码审查员调试器数据科学家网络研究员接下来,我们将逐一详细介绍每一个智能体。 阅读详情

相关推荐

AI Agent架构模式解析:Workflow、Router、Sub-agent与Skill在LangGraph中的实践

在构建复杂的AI Agent系统时,理解核心的架构模式是确保其高效、可维护的关键。这些模式本质上是解决智能体如何组织其能力、管理状态和执行流程的设计思想。从概念上讲,Skill代表原子化的可复用操作单元,如调用一个API或执行特定计算,是功能实现的基础。Sub-agent则封装了更复杂的子任务逻辑,像一个独立的“专家”模块,内部可协调多个Skill。Router作为决策者,根据当前状态动态选择执行路径,实现了工作流的条件分支。而Workflow作为顶层编排者,定义了任务从开始到结束的完整流程与状态流转。这些

weixin_29040367的博客 261

基于RAG的企业智能客服项目,已拿70万offer!

基于 RAG 构建一套企业智能客服系统📖。

m0_59164520的博客 1454

GPT 5.6 Ultra模式并行Sub-agent技术解析与实战应用

并行计算是一种通过同时执行多个计算任务来提升处理效率的计算方法,其核心原理是将大任务分解为多个独立的子任务,利用多核处理器或分布式系统同时处理。这种技术能够显著提升计算资源的利用效率,减少任务完成时间,在人工智能、大数据分析和高性能计算等领域具有重要价值。在实际应用中,并行计算技术能够有效解决复杂任务处理中的性能瓶颈问题,例如在GPT模型处理多步骤任务时,通过并行Sub-agent架构实现任务分解与协同处理,从而提升响应速度和处理质量。GPT 5.6 Ultra模式正是基于这一原理,通过智能任务分解和资源调

weixin_29046611的博客 284

从Vibe Coding到可控生产力:Harness Engineering的实践启示

摘要:OpenAI提出的Harness Engineering(工程化治理)理念为AI Agent时代的软件工程提供了关键方法论,旨在解决代码高产出下的质量闭环、上下文管理等核心矛盾。其三大目标包括重构工程师角色、将AI纳入可控体系、实现低成本纠错,通过六大举措(如角色重构、机械化约束、反熵机制等)重构工程流程。该理念与vibe coding高度互补,既保留灵感驱动的敏捷性,又通过工程化体系保障稳定性,最终推动工程师从"代码生产者"升级为"工程体系设计者"。

小程故事多的博客 4403

用AI学习graphify

Graphify是一个AI驱动的知识图谱构建工具,能够将代码、文档、论文、图像和视频等多模态数据转换为结构化知识图谱。其核心技术特点包括: 多模态处理能力: 支持25+编程语言的AST解析 处理PDF、Markdown等文档 集成Whisper进行音视频转录 高效知识提取: 采用确定性AST解析与LLM语义提取结合 相比直接读取源文件,查询token消耗最多减少71.5倍 增量更新机制仅处理变更文件 智能分析功能: 自动识别高中心性的"上帝节点" 发现跨领域的"意外连接&quo

我的专栏 752

到底什么是Harness工程?一篇文章从入门到企业落地全解析

随着OpenClaw爆火,Harness Engineering(驾驭工程)成为AI编程时代的热门概念,很多小白对其感到陌生。本文用通俗类比和真实案例,避开复杂术语,从基础定义入手,讲清Harness Engineering的核心逻辑——人类工程师设计“约束系统”(马具),让AI模型(烈马)安全高效地完成代码工作,同时拆解其核心组件、企业落地场景和实战成果,帮小白快速入门,读懂这项能解放人力、提升效率的新技术,轻松掌握它的核心价值和落地思路。

program哲学 3294

一文讲透 Agent 演进的四大底层模式:Sub-Agent、Skills、Handoffs 与 Router

最好的架构从来不是最复杂的架构,而是恰好满足需求的最简架构。一个 Agent 加几个好用的工具能解决的问题,就没必要引入 Supervisor + SubAgent 的复杂度。但当任务的并行性、专业性、上下文管理需求确实超出了单 Agent 的能力边界,正确的多 Agent 架构带来的质量提升是实打实的。Anthropic 那个 90.2% 的性能提升数字很唬人,但别忘了后面跟着的 15 倍 token 成本——架构选型从来都是性能、成本、可控性这三者的博弈,没有免费的午餐。

2601_96492042的博客 363

汽车OTA安全启动:ECU双验签机制与实战排障指南

汽车OTA升级中的安全启动,本质是基于密码学的信任建立过程,其核心在于ECU上电时对固件镜像的可信验证。该机制依托硬件信任根(Secure Boot ROM),通过RSA/ECDSA等非对称算法完成签名验签,确保升级包未被篡改且来源可信。技术价值体现在防止恶意固件注入、支撑功能安全(ASIL)与信息安全(ISO/SAE 21434)合规。典型应用场景包括4S店远程升级、BMS控制器固件更新及多ECU协同启动。实践中,验签名失败往往源于证书链断裂、Flash布局错位或KeyUsage字段不匹配等底层工程细节,

weixin_29314405的博客 78

Subagent四种模式以及Subagent演化

当 Agent 的上下文窗口接近满载时,模型在任务完成上的表现会显著下降,进入 “dumb zone”(迟钝区)。:Explore Agent(只读搜索专家)、Plan Agent(架构设计专家)、General-purpose Agent(全能选手)。:活跃的 Agent 根据对话状态动态切换,Agent A 完成阶段后通过 handoff() 将控制权传递给 Agent B。:Supervisor Agent 充当协调者,将任务分解后委派给专门的 Sub-Agent。

alodonoa的博客 507

使用moveit控制机械臂

位置设置:`target_pose.position.x = 0.12`, `target_pose.position.y = 0.41`, 和 `target_pose.position.z = 0.44` 分别设置了机械臂末端执行器的X, Y, 和 Z坐标。设定目标位置:`group.set_pose_target(target_pose)` 这一命令将之前定义的目标位置和姿态设置为当前机械臂组的目标,为接下来的路径规划做准备。在机械臂控制的过程中,设定精确的目标位置和姿态是实现精确操作的关键步骤。

realman_Rop的博客 3688

将机器人urdf模型转换为Mujoco环境下的mjcf模型

在使用gym环境进行人形模型站立训练的过程中,我想要将之前ros环境下的机器人urdf模型导入到mujoco环境下,这时候就需要将urdf模型转换为mujoco专用的mjcf模型。-AzureLoong.urdf是机器人模型(我这里使用青龙的模型);--custom_robot.xml是转换完成之后的机器人模型的名字和格式;包要求 Python 版本必须是 3.11 或更高),保证自己的其他训练环境和依赖不被干扰。首先将meshes文件迁移到需要输出的目录下,然后再运行转换命令。最后就可以成功输出了。

weixin_44334573的博客 3763

大模型进阶:收藏!小白程序员必备的四种Agent架构模式解析,助你轻松应对复杂场景

本文深入探讨了Sub-Agent到Multi-Agent的演进路径,重点解析了四种核心架构模式:集中式编排的Sub-Agents、渐进式能力加载的Skills、状态驱动的交接Handoffs以及并行分发与合成的Router。文章强调,选择架构模式应根据实际需求,避免盲目堆砌复杂度,并提供了决策树帮助读者判断。同时,还分享了多Agent系统在生产环境中的常见挑战和应对策略,如状态复杂性、非确定性调试、部署复杂度和同步瓶颈等。最后,通过一个内部技术助手的场景示例,引导读者思考如何根据错误类型和需求选择合适的架构

m0_71746299的博客 473

Qt 文件对话框(QFileDialog)实战指南 —— 从基础到高级应用

本文是Qt文件对话框(QFileDialog)的实战指南,从基础静态函数调用到高级对象模式应用,全面解析了文件选择、保存、目录选取及多选等核心功能。文章深入探讨了MIME类型过滤、自定义侧边栏、信号槽实时响应及状态持久化等高级技巧,并提供了跨平台开发中的避坑指南与最佳实践,帮助开发者高效、稳健地集成文件操作功能。

weixin_29306261的博客 377

Subagent四种模式与演化:从Skills到Handoffs的TaoToken实践

用 TaoToken 统一 Key 跑通 Subagent 四种模式:先配好 Base URL 与 API Key,再用 curl 验证通道,随后按 Sub-Agents、Skills、Handoffs、Router 逐个复制配置并端到端验证。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

IronwoodPanther89的博客 205

智能车数字图像处理算法入门及C语言实现

智能车图像的最最基本入门算法介绍及C语言实现,二值化 - 特征识别 - 补线 - 中心巡线 - 偏差曲率计算。

不想随波逐流的大学生一枚,我们每个人都在努力奔跑 5113

记一次wireshark抓取QQ好友IP和火绒抓取微信IP

事情是这样的,,上个周,手机离奇的被盗,但没有关机,为了找回手机,粗学了一手QQ抓ip的手段。 这里我就直接做个演示,解析关键的点。 三种思路i. wireshark 抓取手机在线IPii 火绒抓取 微信在线接听IPiii 火绒抓取 微信在线不接听IP i. wireshark 抓取手机在线IP wireshark抓好友QQ的ip要求和对方打语音的时候要手机在线。 这里说一下,打语音和视频是直接能和对方建立连接,如果发文件,是直接发给腾讯的,抓不到包。 1.打开wireshark,通过电脑Tim给对方打语音

qq_29437513的博客 1万+

关于多Agent协作框架的讨论:以产品经理工作流为例对比Sub Agent与AutoGen

本文对比了SubAgent和AutoGen两种多Agent协作框架在产品经理工作流中的应用。SubAgent采用分层委托模式,将工作流程分解为标准化子任务(市场调研→PBI生成→DevOps发布),具有职责清晰、执行高效的特点。AutoGen则适用于需要多专业协作的复杂决策(如市场调研),通过营销专家、产品经理等不同角色的Agent进行观点碰撞。实践表明,混合架构能结合两者优势:对标准化流程采用SubAgent,复杂决策采用AutoGen,并通过智能路由器自动选择执行模式。这种方案在保证效率的同时,提升了创

dongnihao的博客 1529

OpenHarmony + AI:深度解析 Whisper.cpp 智慧语音系统级移植与 NAPI 封装实战

【代码】OpenHarmony + AI:深度解析 Whisper.cpp 智慧语音系统级移植与 NAPI 封装实战。

m0_67505153的博客 190

Claude Code Sub-agent模式解析:AI辅助编程的高效实践

分布式任务处理是现代AI辅助编程的核心技术,通过任务分解和并行执行大幅提升开发效率。Sub-agent模式采用类似微服务架构的设计理念,每个子代理专注特定领域,通过上下文隔离实现知识聚焦。这种架构特别适合模块化开发场景,能有效降低40%以上的代码错误率。在AI编程助手应用中,Sub-agent模式通过动态资源管理和负载均衡技术,为复杂项目提供毫秒级响应。结合VSCode等主流IDE,开发者可以快速配置多专业领域的Sub-agent集群,实现前后端联调、微服务开发等高难度任务的智能辅助。

weixin_34327761的博客 286

【100%通过率】华为OD机试真题2026双机位C卷 C语言 实现【加密算法】

【100%通过率】华为OD机试真题2026双机位C卷 Python&JS 实现【加密算法】有一种特殊的加密算法,明文为一段数字串,经过密码本查找转换,生成另一段密文数字串。规则如下

MISAYAONE的博客 655

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

从零构建智能体协作系统:Sub-agent与Agent-team架构实战

在人工智能与软件工程领域,智能体(Agent)作为能够感知环境、自主决策并执行任务的程序实体,其核心原理在于结合大语言模型的推理能力与工具调用等功能。这种技术架构的价值在于将复杂任务模块化、自动化,显著提升系统处理复杂问题的可靠性与可扩展性。从应用场景看,智能体技术正广泛应用于自动化内容生成、数据分析、智能客服等需要多步骤、多领域协作的工程实践。本文聚焦于智能体协作中的关键架构范式——Sub-agent(子智能体)与Agent-team(智能体团队),通过一个内容运营团队的具体案例,深入探讨如何通过专业分工

weixin_30394669的博客 404

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Claude Code Sub-agent模式:AI辅助编程的架构创新

在AI辅助编程领域,任务分解与专业化处理是提升效率的关键技术。Sub-agent模式通过将复杂开发任务拆解为原子性子任务,由专业化的AI代理并行处理,实现了开发流程的质效提升。该架构基于模块化设计思想,每个Sub-agent专注于特定领域(如代码审查、测试生成等),通过上下文隔离和知识域化确保输出质量。从技术实现看,主代理负责任务调度与结果整合,Sub-agent则遵循单一职责原则,这种分工在大型项目重构、技术债务清理等场景表现尤为突出。工程实践中,合理配置系统提示词、知识库管理和工具集成是发挥Sub-ag

weixin_29081163的博客 249

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

OpenClaw Agent与Sub-agent架构深度分析:关系、通信与权限隔离

灵活的通信机制:支持同步/异步、直接/间接通信严格的权限隔离:工作区、认证、工具的多层隔离智能的路由系统:基于渠道、账户、对等方的精确路由丰富的应用场景:从并行处理到分层权限管理这种架构使得OpenClaw能够支持从简单的个人助手到复杂的企业级多智能体系统,同时保持安全性和可扩展性。关键要点Agent是完全隔离的"大脑",拥有独立的工作区和认证Sub-agent用于并行任务处理,通过通告机制报告结果通信需要显式配置,默认是隔离的权限控制支持全局、每Agent、按模型提供商的多层次配置。

潇汀 1757

Claude Code Sub-agent 模式详解与实践:解锁 AI 辅助编程的终极形态

Sub-agent模式革新AI辅助编程 Sub-agent模式是一种创新的AI协作架构,通过将复杂开发任务拆解为多个专业子任务,每个子任务由专门配置的AI代理处理,实现任务专业化、知识域化和流程化。该模式解决了单一AI模型在处理复杂开发任务时的局限性,包括上下文容量有限、任务复杂度高和知识更新不足等问题。 核心组件包括主代理和多个专业Sub-agent。主代理负责任务拆解和协调,Sub-agent专注于特定领域,如代码审查、测试生成、文档编写等。每个Sub-agent配备优化的系统提示词、领域知识库和专属工

欢迎.... 784
上一篇: LangChain vs LangGraph vs Deep Agents,一张图搞清楚该怎么选
下一篇: 知识图谱+强化学习做渗透测试,为什么还需要“记忆”?这篇论文给出了新答案
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值