3404 字
17 分钟
什么时候该把子 Agent 收回主循环

原文:Building agents: When to fold subagents into your main agent loop

来源:Anthropic Claude Resources,作者 Diane Sarkis,2026-10-22

Anthropic 的 Applied AI 团队在多个企业部署里做了对比,结论是:单 Agent 加 skills 的方案,质量上经常同时超过「一个提示词干所有事」和「orchestrator 加一堆子 Agent」两种设计,成本与延迟还常常更低。他们发现一批企业 Agent 部署在把 router、planner 和领域子 Agent 折叠进主循环之后受益。

有个例子很典型:一家公司的客服 Agent 里有十几个专家子 Agent,结果既难维持统一的品牌口吻,又增加延迟,伤了用户体验。另一类常见设计是意图分类器、固定多步推理流水线、用户分层桶、独立推荐分支,最上面再套一个多 Agent orchestrator。反馈往往是这些结构在做模型已经不需要它做的工作,一个清晰的系统提示、4 到 5 个薄数据工具加上明确的输出护栏就能覆盖大部分场景。

子 Agent 仍然有用的三个条件#

文章没有说子 Agent 该淘汰,研究前沿也还在用。以下情况仍然该用:

  • 单个 Agent 循环因为上下文膨胀出现了可测量的性能下降。
  • 多个任务需要并行,用一次性的新上下文窗口处理,做完就丢弃。
  • 单个 Agent 选不准工具,或者系统提示里的指令互相冲突。

问题出在滥用:每个团队、每类问题都配一个子 Agent,Agent 架构变成组织架构图的复制品,Conway 定律在 Agent 设计里生效了。

如果最终还是要走多 Agent 路线,从最简单的模式开始,比如 generator-verifier 或 orchestrator-subagent。切分边界按上下文来:给每个子 Agent 一块几乎不需要其他部分信息的工作,让它交回一个紧凑结果,独立的研究路径、接口干净的组件、黑盒验证都是合适的候选。按问题类型切分会变成传话游戏(telephone game),每交接一次,保真度就掉一截。

企业里长出来的五种失败模式#

当一个 Agent 要整合多个团队负责的产品能力时,通常的做法是各团队先做自己的 Agent,平台团队在上面套 orchestrator,或者把子 Agent 暴露成 MCP 工具。看着最简单,但立刻带来几个问题:

失败模式表现
上下文管理要决定 Agent 之间交换什么,来回传递经常丢细节
子 Agent 泛滥每个团队都发自己的子 Agent,最后几百个重叠的,没有强制标准也没有明确的 owner
弗兰肯提示词每个团队往系统提示里加一句话,规则互相冲突,口吻不统一
未经审核、过度局部化的 eval各自加针对子任务的 eval,没人审核,也没人拥有和维护全集,领导层拿稀释过的局部分数做决策
延迟多 Agent 的架构复杂度直接变成延迟。一个客户对比多 Agent harness 和单 Agent 循环,后者运行时间大约快 2 倍

渐进披露:让一个循环装下更多事#

原文说 orchestrator-subagent 本身是合理的做法,但往往更有效的是渐进披露上下文和工具:用 skills 渐进披露上下文,用 tool search 渐进披露工具。Agent 只看到 skill 和工具的简短描述,真正需要时才完整加载。

这么做的理由有三个。

共享上下文产生更好的答案。长跑的 Agent 需要把多个任务的上下文放在同一个主窗口里,看过前面每一步结果的 Agent 能把它们连起来,输出比一串子 Agent 交回来的摘要更丰富。窗口数量少,有损的 handoff 也少。

渐进披露防住上下文膨胀。一个 Agent 因此能覆盖很宽的任务范围,不用把所有上下文都塞进一条长系统提示里,这也拆掉了团队当初拆子 Agent 的主要理由。文章提到他们给更强模型把 Claude Code 的系统提示砍掉了 80% 以上,其中就包括渐进披露 skills 和 tools 相关的裁剪。

模型本身变强了。从 Opus 4.5 开始,模型在单个循环里能管的事比多数团队预期的多;Opus 5.5 和 Fable 5.1 上不能关掉 thinking,新模型还会边做边叙述进度、检查自己的工作,让一部分 harness 元素变得多余。每换一代模型,就能把更多决策从 harness 移进模型。更简单的循环也更容易迁移到下一代模型:他们帮客户做迁移时,卡住新模型发挥的常常是僵化的多 Agent 结构。

单循环设计需要纪律:系统提示要精心维护,skill 和工具描述要在正确的时机触发,上下文窗口、记忆和记笔记都要刻意处理。端到端质量和系统提示应该由一个小型中央团队负责,每个新工具和 eval 上线前都要过审。团队保持小,迭代才快,大组织里的协调成本也低。

单循环长什么样#

文章建议的目标形态:

  • 一个模型、一个上下文窗口,跑一个开放式工具循环,harness 负责设限制:轮次与成本预算、写入门。
  • 每一轮模型发一批工具调用,harness 并行执行,把原始结果返回给同一个模型,由它决定下一步:再来一批、问用户,还是给答案。
  • 模型给出答案或触到预算时循环停止。答案之后可以再跑一次 goal 或 verifier 检查。
  • 模型在第一轮把计划写进上下文,拿到结果后随时修订。这是和 orchestrator 加专家方案的主要区别:写计划的模型同时也是执行计划的模型,可以在中途改计划。

上下文仍然要加载,但由 Agent 自己管。从规则目录里重写计划的代码步骤不再需要,因为每一步由模型决定;顺序和领域流程进 skills;硬限制(校验、审批门)和会话中冒出来的东西(比如查记忆)进工具。代码仍然有用,可以用来加载便宜且几乎总相关的东西(比如实体解析),以及处理工具内部的机械部分:构造 payload、解析流、恢复一次澄清。

迁移路径#

先建端到端 eval#

第一步是建一套能判断该不该折叠的 eval。有效的结构是一个中央团队拥有的共享端到端集合,加上每个 skill 由所属团队随附的小集合。哪怕只有 10 个 golden example 也够起步。

起步阶段可以用 rubric 给 Agent 的最终消息打分。还留着 orchestrator 时,额外跟踪路由准确率,也就是有没有选对子 Agent;折叠之后改成检查 Agent 有没有加载正确的 skill、调用正确的 tool。长期要往 task-completion eval 走,因为比较架构时它最相关。

内部系统难回放、用户参与难模拟的环境会更麻烦。他们内部试过的一个办法是给重要事件记时间戳,之后回放成定向 eval。

折叠的三种做法#

把子 Agent 折进主循环,本质上就是把它们变成工具和 skill。可以合并领域 Agent、把子 Agent 当工具调用,或者替换成 skill 加工具。

合并领域 Agent:先建一套小的端到端 eval,再按共享上下文折叠,从最常用的子 Agent 开始。互相链式调用、碰同一份数据、经常被一起调用的专家应该合并。比如生产流量里有相当比例是某个专家后面紧跟另一个专家,这就是一对紧耦合,适合并成一个领域 Agent。

把子 Agent 当工具调用:如果满足前面三个保留条件、决定留下某个子 Agent,让主 Agent 把它当工具调用,这样主 Agent 能继续和用户保持对话。文章只建议在子 Agent 需要直接和用户对话时才做完整交接,其余情况都可以做成主循环里的一个 skill 加工具。迁移期间也可以先用工具继续调用子 Agent,不必一次改完。这条路的好处是不用重写子 Agent,还能先拿到折叠前的基线。共享响应 schema、用主 Agent 拿真实数据核对结论、裁剪最后综合步骤的输入,都是这一步能做的。但失败模式还在:每个专家有自己的提示词、上下文、owner 团队和 eval;每次调用交回来的还是有损摘要;每次调用都是嵌套的模型循环,叠加延迟。

折叠成 skill 加工具:一次折一个,把子 Agent 的提示词变成 skill,把 API 调用变成 MCP 工具,然后比较折与不折的 eval 表现,再决定留哪个。比较时不能只看最终分,要看哪些任务翻转了。他们在一个客服 Agent 样本上试过:折叠后延迟下降,但一个原本通过的流程被破坏了。主 Agent 手里有订单查询工具,自己就把答案给了,没去问发货专家交付日期。

每次改动之前,eval 里要有覆盖生产中一起运行的每条 Agent 链、以及每条不能破的规则的任务;每个任务要跑不止一次,因为上面那种破坏在两次运行里只出现了一次。

多个团队怎么给一个 Agent 供货#

领域推理可以从知识库、skill 和 MCP 工具里取。各团队的 ownership 从 Agent 转成 skill 和工具,系统提示和端到端质量留给小型中央团队,新 skill、工具和 eval 上线前要过审。

工具适合需要行动、读实时数据、按固定形状返回结果的场合。建议按用户意图分组,而不是一个 API 一个工具:系统提示里的工具定义超过 30 到 50 个之后,工具选择往往会退化。用 tool search 做延迟加载,硬性前置条件尽量搬进工具里。比如 Y 需要 X 的输出,就让 Y 的工具自己检查,返回一条模型能照着做的指令。按用户的权限也是同样的做法:每个工具检查调用用户能看什么、能做什么,不允许就返回一段模型能读懂的拒绝,一个循环就能服务不同权限的用户,不用按权限级别各配一个 Agent。

skill 适合 Agent 需要知道团队怎么干活的场合,比如专家子 Agent 提示词里原本放的步骤、规则和判断。skill 库的维护工作应该交回写 skill 的人,Claude 自己也能用 skill 去构建、测试和修剪其他 skill。防止 skill 泛滥的办法是每个团队设 DRI 拥有自己的 skill,保证写得对、彼此不重复、带相应的 eval。/skill-creator 用来创作新 skill 和审计存量、去重、重构;/skill-doctor 用来看每个 skill 的成本和实际使用频率,删掉死重。

知识库适合 Agent 只有部分时候才需要的参考资料。事实和参考材料,比如政策、指标定义、产品规格,可以放在搜索或查询工具后面,也可以作为 skill 里的参考文件。文章明确反对用代码检索这些上下文再粘进提示词。

配套工具#

Anthropic 放出了一组 Claude API skills 来加速上面的工作,migration kit 把它们串成一个引导流程,可以在真实系统上跑之前先拿 mock 系统试:

  • /claude-api build-eval:生成第一套端到端 eval,或各团队随 skill 发布的小 eval。
  • /claude-api prompt-audit:找出为旧模型写的指令,给出修复 diff。可以跑在系统提示上,清理那些为早期模型加上、现在让 Agent 更慢更僵的规则;各团队 DRI 也可以跑自己的 skill 和工具描述。
  • /claude-api hillclimb:对着现有 eval 迭代改进。用在折叠与保留的比较上:折成一个 skill 加工具后,让它迭代 skill 和工具描述,看折叠版能不能追平或超过原来的子 Agent。hillclimb 也可以直接跑在系统提示上。
  • /claude-api cost-optimize:分析调用成本分布,从 prompt caching、裁剪输入输出 token、effort、模型选择里提出省法,一次只改一个。

原则#

文章最后把方法论压缩成一句:measure, change one thing at a time, keep what holds up。具体架构没有这条原则重要,因为模型在变,最佳用法也在变。

迁移不必一步到位:建一套小的端到端 eval,折叠一个子 Agent,折叠版分数更差才把它留作子 Agent,然后重复。我自己还会把它和 HiFox 那套「单 Agent 状态机」放在一起看:一个把结构做轻、把判断交还模型,一个把结构做重、把判断锁进流程,选哪个取决于任务是探索型还是高风险固定流程型。

相关阅读#

什么时候该把子 Agent 收回主循环
https://blog.xqcherry.top/posts/ai/fold-subagents-into-main-loop/
作者
xqcherry
发布于
2026-11-09
许可协议
CC BY-NC-SA 4.0