委派与并行工作

在构建复杂任务时，单个智能体（Agent）的能力可能受限于上下文长度、推理深度或执行效率。子代理委派（Subagent Delegation） 是一种核心策略，通过将大任务拆分为多个可并行处理的小任务，并由专门的子代理（Subagents）分别完成，从而显著提升整体效率和质量。

以下是关键场景与最佳实践：

🌟 一、何时使用子代理委派？

场景	是否推荐	原因
需要并行探索多个方向（如调研多个技术方案）	✅ 强烈推荐	子代理可同时分析不同路径，避免串行等待
涉及多文件/模块的系统性工作（如重构项目）	✅ 推荐	每个子代理专注一个文件或模块，减少上下文干扰
需要专业领域知识的审查（如代码安全审计）	✅ 推荐	可委派给具备特定技能的子代理（如“安全专家”）
任务本身可分解为独立子任务	✅ 推荐	如文档撰写 → 拆解为摘要、结构、内容生成等
单个代理已超载或陷入死循环	⚠️ 警告	表明任务设计不合理，应重新拆分

💡 判断标准：如果任务满足以下任一条件，就应考虑子代理委派：

• 需要同时处理多个独立输入
• 有明确的模块化结构
• 涉及不同专业知识领域
• 执行时间过长（>30秒）

---

🔧 二、典型应用场景与模式

1. 并行研究（Parallel Research）

场景

你需要评估三种不同的 AI 模型（如 Llama 3、Gemma 3、Claude 3）在某个任务上的表现。

模式：并行探索 + 汇总决策

[主代理]
→ 分解任务：对每个模型进行独立测试
→ 创建三个子代理：
   - Subagent-A: 测试 Llama 3
   - Subagent-B: 测试 Gemma 3
   - Subagent-C: 测试 Claude 3
→ 同时发起请求，收集结果
→ 主代理汇总性能数据，输出对比报告

关键技巧：

• 使用 @parallel 标记并行调用
• 设置超时机制（如每子代理最多 60 秒）
• 结果需包含置信度评分（confidence score）

✅ 示例输出：

{
  "model": "Llama 3",
  "accuracy": 0.89,
  "latency_ms": 420,
  "confidence": 0.92
}

---

2. 代码审查（Code Review）

场景

你有一个包含 500 行的 Python 文件，需要进行全面审查。

模式：职责分离 + 多维度审查

[主代理]
→ 拆解审查维度：
   - 安全性检查（SQL 注入、XSS）
   - 可读性与风格（PEP8、命名规范）
   - 逻辑错误（空值处理、边界条件）
   - 性能瓶颈（O(n²) 循环、重复计算）
→ 创建四个子代理：
   - SecurityAgent: 专注安全漏洞
   - StyleAgent: 专注编码风格
   - LogicAgent: 专注逻辑正确性
   - PerfAgent: 专注性能优化
→ 并行运行，返回问题列表
→ 主代理合并所有反馈，生成综合评审报告

关键技巧：

• 为每个子代理分配角色标签（如 role: security-expert）
• 使用 JSON Schema 确保输出格式统一
• 支持“高优先级问题”自动标记（如 critical: true）

✅ 输出示例：

{
  "file": "utils.py",
  "issues": [
    {
      "type": "security",
      "line": 45,
      "message": "SQL injection risk: raw string concatenation",
      "suggestion": "Use parameterized queries",
      "severity": "high"
    }
  ]
}

---

3. 多文件协作开发（Multi-file Work）

场景

你正在开发一个 Web 应用，包含前端（React）、后端（FastAPI）、数据库（PostgreSQL）和部署脚本（Dockerfile）。

模式：模块化分工 + 协同集成

[主代理]
→ 识别项目结构：
   - /frontend/src/App.jsx
   - /backend/main.py
   - /db/schema.sql
   - /docker-compose.yml
→ 创建子代理：
   - FrontendAgent: 负责 React 组件开发
   - BackendAgent: 负责 API 路由与业务逻辑
   - DBAgent: 负责数据库设计与迁移
   - DevOpsAgent: 负责容器化与部署配置
→ 并行开发，定期同步状态
→ 主代理协调接口定义、版本兼容性与集成测试

关键技巧：

• 使用共享上下文（Shared Context）传递接口契约（如 OpenAPI 规范）
• 设立“集成点”检查（Integration Checkpoints）
• 通过 @sync 指令触发子代理间状态同步

✅ 示例流程：

[FrontendAgent] → 提交组件接口定义
[BackendAgent] → 根据接口实现 API
[DevOpsAgent] → 更新 Dockerfile 以支持新服务
[主代理] → 运行集成测试，验证通信

---

🛠️ 三、子代理委派的最佳实践

实践	说明
✅ 明确职责边界	每个子代理只负责一个清晰的任务域
✅ 使用角色提示词（Role Prompting）	如 You are a senior security auditor with expertise in OWASP Top 10
✅ 标准化输出格式	强制返回 JSON，含 task, result, status, confidence 字段
✅ 设置超时与重试机制	防止卡死；失败时自动重试或降级处理
✅ 支持动态调度	根据任务复杂度动态决定是否启用子代理
✅ 保留上下文追踪	使用 trace_id 或 task_id 追踪整个流程

---

📌 四、工具与平台支持

以下平台原生支持子代理委派：

平台	特性
Hermes Agent (via MCP)	支持多 agent 协作、任务分解、状态管理
Nous Research	提供子代理模板库（Subagent Templates）
OpenRouter	支持多模型并行调用，可绑定不同子代理
Telegram/Discord Bot Agents	可通过消息通道实现子代理通信
Modal + Daytona	用于部署可扩展的子代理集群

🔄 推荐架构：
Main Agent → Task Splitter → Subagents (in parallel) → Result Aggregator → Final Output

---

🧩 五、进阶模式：递归委派与自组织网络

当任务极其复杂时，可采用更高级的结构：

这种 递归委派（Recursive Delegation） 允许子代理自身也创建更细粒度的子代理，形成自组织智能网络。

---

✅ 总结：何时使用子代理委派？

判断依据	是否启用子代理
任务 > 3 个独立部分	✅ 是
涉及不同专业领域	✅ 是
可并行执行	✅ 是
单个代理响应慢或出错	⚠️ 考虑
任务简单且单一	❌ 否

🎯 核心原则：
“让最合适的代理做最合适的事” —— 子代理委派不是为了复杂化，而是为了规模化智能。

---

📌 立即行动建议：

1. 在你的 Agent 工作流中加入 delegate() 函数
2. 为常见任务创建子代理模板（如 code_review_agent, research_agent）
3. 在 SOUL.md 中定义子代理的角色与能力清单
4. 使用 task_id 标记子代理任务，便于追踪与调试

🌐 更多资源：agentskills.io | MCP Docs | Honcho GitHub

---

💡 一句话总结：
子代理委派 = 智能分工 × 并行加速 × 专业化输出 —— 让你的 AI 系统像一支高效团队一样运转。"

委派与并行工作

Hermes 可以创建独立的子代理，以并行方式处理任务。每个子代理都拥有自己的对话、终端会话和工具集。只有最终的总结会返回给你——中间的工具调用永远不会进入你的上下文窗口。

有关完整功能参考，请参阅 子代理委派。

---

何时进行委派

适合委派的良好候选任务：

• 需要深度推理的子任务（调试、代码审查、研究综合）
• 会大量占用你上下文空间的中间数据任务
• 可并行独立推进的工作流（同时研究 A 和 B）
• 需要全新上下文的任务，希望代理不受偏见影响地开展工作

应使用其他方式：

• 单个工具调用 → 直接使用工具即可
• 步步相连的机械式多步骤任务 → execute_code
• 需要用户交互的任务 → 子代理无法使用 clarify
• 快速文件修改 → 直接操作即可

---

模式：并行研究

同时研究三个主题，并获取结构化的摘要结果：

Research these three topics in parallel:
1. Current state of WebAssembly outside the browser
2. RISC-V server chip adoption in 2025
3. Practical quantum computing applications

Focus on recent developments and key players.

幕后，Hermes 使用：

delegate_task(tasks=[
    {
        "goal": "Research WebAssembly outside the browser in 2025",
        "context": "Focus on: runtimes (Wasmtime, Wasmer), cloud/edge use cases, WASI progress",
        "toolsets": ["web"]
    },
    {
        "goal": "Research RISC-V server chip adoption",
        "context": "Focus on: server chips shipping, cloud providers adopting, software ecosystem",
        "toolsets": ["web"]
    },
    {
        "goal": "Research practical quantum computing applications",
        "context": "Focus on: error correction breakthroughs, real-world use cases, key companies",
        "toolsets": ["web"]
    }
])

这三个任务并发执行。每个子代理独立进行网络搜索，并返回摘要。父代理随后将它们整合成一份连贯的简报。

---

模式：代码审查

将安全审查委派给一个全新上下文的子代理，使其能不受先入为主观念的影响来审视代码：

Review the authentication module at src/auth/ for security issues.
Check for SQL injection, JWT validation problems, password handling,
and session management. Fix anything you find and run the tests.

关键在于 context 字段 —— 必须包含子代理所需的所有信息：

delegate_task(
    goal="Review src/auth/ for security issues and fix any found",
    context="""Project at /home/user/webapp. Python 3.11, Flask, PyJWT, bcrypt.
    Auth files: src/auth/login.py, src/auth/jwt.py, src/auth/middleware.py
    Test command: pytest tests/auth/ -v
    Focus on: SQL injection, JWT validation, password hashing, session management.
    Fix issues found and verify tests pass.""",
    toolsets=["terminal", "file"]
)

上下文问题

子代理对你的对话完全不知情。它们从零开始。如果你委派“修复我们之前讨论的 bug”，子代理根本不知道你说的是哪个 bug。请始终明确提供文件路径、错误信息、项目结构和约束条件。

---

模式：对比多种方案

并行评估同一问题的多个解决方案，然后选择最优者：

I need to add full-text search to our Django app. Evaluate three approaches
in parallel:
1. PostgreSQL tsvector (built-in)
2. Elasticsearch via django-elasticsearch-dsl
3. Meilisearch via meilisearch-python

For each: setup complexity, query capabilities, resource requirements,
and maintenance overhead. Compare them and recommend one.

每个子代理独立研究一种方案。由于彼此隔离，不会相互干扰——每项评估都基于自身独立判断。父代理获得全部三个摘要后，再进行比较分析。

---

模式：多文件重构

将大型重构任务拆分为多个并行子代理，每个负责代码库的不同部分：

delegate_task(tasks=[
    {
        "goal": "Refactor all API endpoint handlers to use the new response format",
        "context": """Project at /home/user/api-server.
        Files: src/handlers/users.py, src/handlers/auth.py, src/handlers/billing.py
        Old format: return {"data": result, "status": "ok"}
        New format: return APIResponse(data=result, status=200).to_dict()
        Import: from src.responses import APIResponse
        Run tests after: pytest tests/handlers/ -v""",
        "toolsets": ["terminal", "file"]
    },
    {
        "goal": "Update all client SDK methods to handle the new response format",
        "context": """Project at /home/user/api-server.
        Files: sdk/python/client.py, sdk/python/models.py
        Old parsing: result = response.json()["data"]
        New parsing: result = response.json()["data"] (same key, but add status code checking)
        Also update sdk/python/tests/test_client.py""",
        "toolsets": ["terminal", "file"]
    },
    {
        "goal": "Update API documentation to reflect the new response format",
        "context": """Project at /home/user/api-server.
        Docs at: docs/api/. Format: Markdown with code examples.
        Update all response examples from old format to new format.
        Add a 'Response Format' section to docs/api/overview.md explaining the schema.""",
        "toolsets": ["terminal", "file"]
    }
])

tip

每个子代理都有自己的终端会话。它们可以在同一项目目录中工作而互不干扰——只要编辑的是不同文件。如果两个子代理可能修改同一文件，请在并行工作完成后自行处理该文件。

---

模式：收集后分析

使用 execute_code 进行机械式数据收集，然后委派进行高阶推理分析：

# Step 1: Mechanical gathering (execute_code is better here — no reasoning needed)
execute_code("""
from hermes_tools import web_search, web_extract

results = []
for query in ["AI funding Q1 2026", "AI startup acquisitions 2026", "AI IPOs 2026"]:
    r = web_search(query, limit=5)
    for item in r["data"]["web"]:
        results.append({"title": item["title"], "url": item["url"], "desc": item["description"]})

# Extract full content from top 5 most relevant
urls = [r["url"] for r in results[:5]]
content = web_extract(urls)

# Save for the analysis step
import json
with open("/tmp/ai-funding-data.json", "w") as f:
    json.dump({"search_results": results, "extracted": content["results"]}, f)
print(f"Collected {len(results)} results, extracted {len(content['results'])} pages")
""")

# Step 2: Reasoning-heavy analysis (delegation is better here)
delegate_task(
    goal="Analyze AI funding data and write a market report",
    context="""Raw data at /tmp/ai-funding-data.json contains search results and
    extracted web pages about AI funding, acquisitions, and IPOs in Q1 2026.
    Write a structured market report: key deals, trends, notable players,
    and outlook. Focus on deals over $100M.""",
    toolsets=["terminal", "file"]
)

这通常是效率最高的模式：execute_code 能廉价地完成 10+ 个连续的工具调用，之后由一个子代理在干净的上下文中完成单一高成本的推理任务。

---

工具集选择

根据子代理的需求选择合适的工具集：

任务类型	工具集	原因
网络调研	["web"]	仅需 web_search + web_extract
代码工作	["terminal", "file"]	需要 Shell 访问和文件操作
全栈开发	["terminal", "file", "web"]	除消息通信外所有工具
只读分析	["file"]	只能读取文件，不能运行 shell

限制工具集可确保子代理专注，防止意外副作用（例如研究类子代理误执行 shell 命令）。

---

限制条件

• 最多 3 个并行任务 —— 批量任务最多支持 3 个并发子代理
• 禁止嵌套 —— 子代理不能调用 delegate_task、clarify、memory、send_message 或 execute_code
• 独立终端 —— 每个子代理拥有独立的终端会话，包括独立的工作目录和状态
• 无对话历史 —— 子代理只能看到你放入 goal 和 context 的内容
• 默认 50 次迭代 —— 对简单任务可将 max_iterations 设得更低以节省成本

---

实用技巧

目标描述要具体。 “修复 bug” 太模糊。应改为：“修复 api/handlers.py 第 47 行的 TypeError，该错误发生在 process_request() 从 parse_body() 接收 None 值时”，这样子代理才有足够信息开展工作。

包含文件路径。 子代理不了解你的项目结构。务必提供相关文件的绝对路径、项目根目录以及测试命令。

利用委派实现上下文隔离。 有时你需要全新的视角。委派迫使你清晰表达问题，而子代理则不受你对话中积累的假设影响。

检查结果。 子代理的摘要只是摘要。若子代理称“已修复 bug 且测试通过”，请自行运行测试或查看 diff 来验证。

---

如需完整的委派参考——包含所有参数、ACP 集成及高级配置——请查阅 子代理委派。