层级模式：Manager → Worker 树状结构_manager-worker模式的manager agent架构-优快云博客

层级模式：Manager → Worker 树状结构

概念速查

层级模式（Hierarchical Agent Pattern）将多个 Agent 组织成树状结构。核心角色只有两个：

Manager Agent：接收顶层任务，拆解为子任务，分配给 Worker，汇总结果
Worker Agent：执行具体子任务，可向下递归成为下一级 Manager

每个 Manager 管一组 Worker，Worker 可以再拥有自己的 Worker，形成递归树。常见的工程实现包括 AutoGen 的 GroupChat 与 Orchestrator 模式、CrewAI 的 HierarchicalProcess、LangGraph 的 StateGraph 控制流、以及 Anthropic 提到的 " Supervisor" 模式。

决策规则简单：任务可并行 → 分给多个 Worker；任务需要分工 → 按角色分配；任务超出当前粒度 → Worker 升级为 Manager 递归分解。叶子节点总是执行 Agent，内部节点总是协调 Agent。根 Manager 对用户负责。

底层原理

层级模式的核心机制是任务分解-分配-聚合的三段式循环。Manager 维护一个任务队列和一组 Worker 状态，工作流如下：

Plan：Manager 将输入任务拆解为更小的子任务单元
Assign：根据 Worker 的能力标签或角色定义，将子任务分配给合适的 Worker
Execute：Worker 执行任务，如果子任务仍然复杂则递归进入下一层
Aggregate：Manager 收集所有 Worker 的输出，做冲突消解和结果合并
Feedback：Manager 对 Worker 的输出做质量检查，不合格则回退重做

通信模式有两种变体。同步模式中 Manager 等待所有 Worker 完成后再聚合，适合结果需要全局一致性的场景（如代码审查合并）。异步模式中 Worker 独立推进，Manager 通过事件驱动收集部分结果，适合流式处理或长尾任务。

状态管理上，Manager 需要维护一个 DAG 依赖图，标记哪些子任务可以并行、哪些必须串行。这是层级模式区别于简单扇出的关键——Worker 之间可能有数据依赖，Manager 必须按拓扑序调度。

架构设计原则

原则一：扇出系数有上限。 一个 Manager 直接管理的 Worker 建议 3–7 个。超过这个范围，Manager 的上下文窗口会被 Worker 状态占满，丧失全局判断能力。超限时应增加中间层，而不是扩大扇出。

原则二：Worker 无状态化。 Worker 不应维护跨任务的状态。所有共享状态由 Manager 传递或依赖外部存储（数据库、缓存）。这使得 Worker 可被复用、替换、水平扩展，也简化了重试和回滚。

原则三：结果聚合必须做冲突消解。 当多个 Worker 返回矛盾结果时，Manager 需要有明确的消解策略：投票、优先级、置信度评分、或回退到更保守的结果。缺少消解策略的层级模式会在聚合层产生不可预测的输出。

原则四：递归深度不超过 3 层。 层级模式的优势在于结构化分解，但每深一层就引入一次 Manager 的推理开销和延迟。超过 3 层的树在实践中通信损耗超过收益，应通过扁平化或事件总线重构。

# Python 3.11+
from dataclasses import dataclass, field
from typing import Any, Callable

@dataclass
class AgentContext:
    role: str
    capabilities: list[str]
    max_workers: int = 5

class WorkerAgent:
    def __init__(self, context: AgentContext, name: str = ""):
        self.ctx = context
        self.name = name or context.role

    def execute(self, task: dict) -> dict:
        return {"status": "ok", "data": f"executed by {self.name}", "error": None}

class ManagerAgent:
    def __init__(self, context: AgentContext, worker_factory: Callable):
        self.ctx = context
        self.workers: list[WorkerAgent] = []

    def assign(self, task: dict) -> list[dict]:
        subtasks = self._decompose(task)
        self.workers = [WorkerAgent(self.ctx) for _ in subtasks]
        results = []
        for worker, sub in zip(self.workers, subtasks):
            results.append(worker.execute(sub))
        return self._aggregate(results)

    def _decompose(self, task: dict) -> list[dict]:
        return task.get("subtasks", [task])

    def _aggregate(self, results: list[dict]) -> list[dict]:
        return results