子代理没死,但你的Agent组织架构图该拆了
Anthropic Applied AI团队在多企业部署里发现,单代理加技能和工具搜索常在质量、成本、延迟上同时赢过多代理编排。Matt Stockton的总结引发争论,真正值得看的是保留子代理的三个条件,以及迁移时容易翻车的地方。
Matt Stockton 在 X 上把 Anthropic 一篇长文压成一句:大部分 Agent 工作流不需要子代理,一个主循环就够了。这个总结有争议,但文章本身比推文细。
先补背景。子代理是有独立上下文窗口、工具和指令的代理,由协调器编排。它擅长验证、并行、权限隔离。Anthropic 自己也用在多代理研究系统里。问题出在企业落地时,很多团队把子代理当组织架构镜像:每个能力归一个团队,每个团队做一个子代理,中央平台再叠一个编排器。Conway’s law 被写进了 prompt。
文章列了这套做法立刻带来的复杂度:上下文在代理之间来回交换且有损耗;子代理泛滥,数百个重叠、无标准、无明确 owner;Frankenprompt,每个团队往系统提示里加一句,规则冲突,语气不一致;评估各自优化子任务,领导层看的是被稀释的局部分数;延迟。一个客户比较过多代理 harness 和单代理循环,后者运行时大约快 2 倍。

Anthropic Applied AI 团队在多企业部署里比较后,看到单代理加技能经常在质量、成本、延迟上同时赢过一提示包打天下和多子代理设计。一家公司的客户侧代理里有十几个专家子代理,品牌体验难维持,延迟也伤用户体验。
为什么现在能收?三个原因。共享上下文产生更好的答案,长任务里前面步骤的结果留在主上下文窗口,代理能连接它们,比子代理递回来的摘要更丰富。渐进披露防止上下文膨胀,技能和工具先只露短描述,需要时再加载,团队不用把所有上下文塞进长系统提示。模型更强了,文章提到 Claude Code 面向更高级模型把系统提示减了 80% 以上,其中包括渐进披露技能和工具相关的删减。每个新模型让更多决策从 harness 移到模型里,简单循环也更容易迁移到下一个模型。
但子代理没死。文章明确保留三个条件:单个代理循环因上下文膨胀出现可测量性能下降;多个任务需要并行,且用新鲜上下文、做完就丢;单个代理难以选择合适工具,或系统提示里有冲突指令。满足这些条件时,子代理仍有位置。

迁移别一步到位。先建任务完成评估。中央团队拥有端到端 eval,技能团队带小 eval,10 个 golden examples 就能开始。评分看最终输出,还在编排阶段时也跟踪路由准确率,折叠后看是否加载了正确技能或调用了正确工具。然后按共享上下文合并领域子代理,优先动使用最多的。保留子代理时,让主代理把它当工具调用,主代理继续和用户对话。最后把子代理一次一个折叠成技能和 MCP 工具,比较折叠前后的 eval,不只看总分,看哪些任务翻了。
工具设计有细节。MCP 工具按 jobs to be done 分组,不要一个 API 一个工具。系统提示里工具定义超过 30 到 50 个,工具选择容易退化。用工具搜索和延迟加载。技能放团队做事的方法、步骤、规则和判断。知识库放只偶尔需要的参考材料。中央小团队管系统提示和端到端质量,团队从拥有代理转向拥有技能和工具。

评论区比正文更接近实操。@不正经的Ai局长 说,子代理存在是为了限制上下文和隔离失败,真正的问题是失败账单:一个坏子代理成本一次重试,一个坏主循环成本整个 run。@John Rood 指出,把计划放在主代理上下文里,它会是压缩最先吃掉的东西,一小时前的计划正好被总结掉。@Armalo AI 给了一个做法:计划写进聊天外的文件,代理每步后重读并勾掉完成项,上下文可以缩,计划保持完整。@Daniel Lenton 说他们保留子代理但改成 fork,每个子代理从主代理已读内容开始,prompt caching 让成本比听起来低。@Ashot 说给代理组织架构图,角色不拆任务,而是拥有一个领域数周,实际任务仍交给一个带完整上下文的代理。
也有直接反驳。@Toast 认为 Matt 的推文歪了,文章主要反对一种特定过度工程,子代理整体上因为协调线程模型变得更重要。这个反驳值得看,因为文章确实保留子代理,也给了迁移路径,不是一刀切。@Lachy 问保留子代理时,主代理只拿到摘要还是完整输出,这个选择决定它是否真的控制上下文。
文章最后的原则不花哨:测量,一次改一个东西,保留有效的。先建小 eval,折叠一个子代理,折叠版更差才留作子代理,然后重复。对正在做应用 AI 的团队,这比争论单代理还是多代理更有用。
发布时间: 2026-11-17 12:29