多智能体（multi-agent） 产品与架构

它是什么

多智能体（multi-agent）指用多个 Agent 实例协作完成任务的组织方式。核心思想一句话：subagent = 独立的 loop 实例——把 ch07 起手写的 runAgent 再实例化一个、喂全新上下文，就是一个 subagent，不需要任何新机制。它针对的是单 Agent 的四个瓶颈：上下文窗口是硬上限（context-window）、上下文污染（任务 A 的调试过程堆在历史里，任务 B 的模型隔着垃圾看题）、工具列表膨胀（工具越多越容易选错，schema 的 token 成本也越高）、权限边界模糊（一个 Agent 拿到全部工具 = 破坏半径等于最大权限）。

什么时候才值得上多 Agent

多 Agent 是复杂度税，不是免费午餐。判断标准至少满足一条：任务可拆分成互不依赖的子任务；子任务需要不同的上下文/知识/工具权限（查天气的 subagent 不需要 delete_file）；并行能显著缩短延迟。一步到位的计算、单轮问答、全部子任务共用同一套工具——这些场景不需要多 Agent。

在本教程的位置

第 22 章在主循环注入 spawnSubagent 工厂：模型工具列表出现 delegate 元工具，主循环拦截调用、await 工厂跑独立 loop，subagent 终答作为 tool_result 回填；一批 delegate 调用用 Promise.all 并发执行。这是 orchestrator-worker 的简化版（不做 handoff 的状态整体移交）。主流框架对照：LangGraph 用 subgraphs（子图 = 独立状态机），OpenAI Agents SDK 用 handoffs 与 agents-as-tools。

代价与防守

四笔账：token 翻倍（每个 subagent 有自己的 system prompt + 历史，结果还要回填再读一遍）、延迟（编排往返 + 等最慢的 worker）、错误传播与级联失败（subagent 的错误文本可能被主 Agent 当真结果汇总）、死循环与预算失控（递归委派指数爆炸）。对应解法：委派只限一层、每个 subagent 独立预算、per-task catch、预算耗尽失败可见。