【AI coding 智能体设计系列-06】SubAgent:上下文隔离与模块化协作

声明:本文为学习笔记与工程化延伸,核心脉络来自阿里云开发者技术号发布的《AI coding 智能体设计》,在此基础上按"可落地教程"的方式重组,并补充 SubAgent 的分工模板与验收清单;如有出入,以原文与官方文档为准。原文链接见文末参考。

当你把一个稍微复杂的任务交给单个智能体,常见结果是:

  • 上下文越堆越大,越聊越乱
  • 既要写代码又要写文档还要跑命令,注意力被打散
  • 早期结论被后续材料覆盖,导致反复推翻

解决思路之一就是《AI coding 智能体设计》里提到的 SubAgent(子智能体) :

用多个小智能体分工协作,并通过上下文隔离降低互相污染。

这篇给你一套可直接落地的 SubAgent 设计方法。


01|SubAgent 不是"更多智能",而是"更少干扰"

SubAgent 的核心收益来自两点:

  1. 上下文隔离:每个子智能体只看到与自己任务相关的材料
  2. 接口清晰:通过输入/输出契约协作,而不是靠"共享聊天记录"

你可以把它理解成团队协作的工程化版本:

  • 主智能体(Coordinator):拆分任务、分配子任务、汇总结果、做最终决策
  • 子智能体(Workers):在隔离上下文里完成一个单一职责输出

02|什么时候该上 SubAgent?一个简单判断法

满足任意两条,就建议上 SubAgent:

  • 任务包含 3 种以上不同类型动作(读代码 + 跑命令 + 写测试 + 写文档)
  • 涉及 2 个以上模块(例如 auth + api + db)
  • 需要 多轮探测(查资料/搜代码/跑多次命令)
  • 需要 输出多份交付物(代码变更 + 测试 + 说明文档 + 变更清单)

如果只是改一个小函数,SubAgent 反而会增加协调成本。


03|最推荐的拓扑:1 个协调者 + 3 个工人

这是我在工程里最常用、最稳的一套分工:

  • Worker A:取证分析 (只读)
    • 输入:@路径范围、关注点
    • 输出:事实清单 + 证据索引(文件路径/函数/关键逻辑)
  • Worker B:方案设计 (只读)
    • 输入:事实清单 + 硬规则(不改 API/改动最小)
    • 输出:最小修改方案 + 风险点 + 验证步骤
  • Worker C:测试与回滚 (只读或受控写)
    • 输入:修改方案
    • 输出:测试点/用例 + 回滚策略 + CI 验证清单

Coordinator 最后做两件事:

  • 决策:选方案、合并冲突、确定最终改动范围
  • 交付:输出最终补丁/任务清单/发布说明

04|子智能体"输入/输出契约"模板(可直接复制)

Worker 输入模板
text 复制代码
【角色】你是 <WorkerName>,只负责 <SingleResponsibility>。
【硬规则】1) 不改 public API 2) 改动最小 3) 必须给验证步骤
【材料范围】@pathA @pathB(只允许引用这些材料)
【关注点】<list>
【输出格式】必须按以下结构输出:
1) 结论(<=6行)
2) 证据(路径+函数/类+关键逻辑)
3) 风险(P0/P1/P2)
4) 下一步建议(<=3条)
Coordinator 汇总模板
text 复制代码
请汇总 Worker A/B/C 的输出:
1) 事实(带证据索引)
2) 最小修改方案(明确改哪些文件、改什么)
3) 测试与验证步骤
4) 风险与回滚
输出:一份可执行 tasks 清单(可勾选)+ 最终结论

关键点:让子智能体输出可拼装,而不是输出散文。


05|上下文隔离怎么做才"真隔离"?

最常见的"假隔离"是:你嘴上说隔离,但把所有材料都给了每个子智能体。

真正隔离要做到:

  • 每个 Worker 的材料范围是 最小集合(1~3 个文件或一个小目录)
  • Worker 不允许"脑补未读内容"(要求引用证据)
  • 输出必须结构化,便于 Coordinator 拼装

如果你的工具支持"子会话/子线程",最好让每个 Worker 运行在独立会话中;否则至少要做到"材料范围严格限制"。


06|常见失败模式与修复清单

失败 1:多个 Worker 重复劳动
  • 原因:职责边界不清
  • 修复:强化单一职责;在输入里写清楚"不负责什么"
失败 2:输出风格不一致,Coordinator 很难汇总
  • 原因:没有统一输出协议
  • 修复:强制结构化输出(四段式/五段式)
失败 3:Worker 开始发散,提出超范围建议
  • 原因:硬规则不置顶;验收标准不明确
  • 修复:输入首段写硬规则;输出必须含验证与回滚
失败 4:上下文仍然爆了
  • 原因:材料范围太大
  • 修复:回到"先清单后取证 + 摘要层",每个 Worker 只拿证据

07|系列导航(收藏用)

  • 系列 01:从 Chat 到 Agent:4 个关键零件
  • 系列 02:命令系统:从提示词模板到可扩展子命令
  • 系列 03:@路径上下文:如何给材料而不喂爆上下文
  • 系列 04:MCP 与工具闭环:注册、调用、回填与失败恢复
  • 系列 05:上下文治理:清空/压缩/摘要与预算控制
  • 系列 06(本文):SubAgent:上下文隔离与模块化协作
  • 系列 07:规约驱动:让交付可复现的 Spec 工作流
  • 系列 08:迷你 CLI:从伪代码到最小可运行骨架

参考与致谢

相关推荐
瓶瓶持续学习中9 分钟前
物理AI与具身智能的技术架构区别:从空间建模到机器人动作执行
人工智能·机器人
羲云网络14 分钟前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
snakeshe101022 分钟前
ChatGLM行业垂直领域微调实战:从需求分析到数据集加载完整流程
人工智能
ZhengEnCi1 小时前
Claude 的记忆是怎么设计的:四层记忆栈,和一场叫「做梦」的离线整理
aigc·agent·ai编程
J船长2 小时前
一文搞懂 AI Agent Harness:它是什么,为什么重要,以及开发者需要建立哪些认知?
ai编程
智联视频超融合平台4 小时前
视频 AI 的误报之战,正在从调参数卷到改架构
人工智能·大模型·边缘计算·视频监控·安防
水如烟5 小时前
孤能子视角:智能的边界不在算法强弱,在可形式化性——从概率法到因果推理,选择池的边界一直在那里
人工智能
万里侯6 小时前
日志聚类之后别把 noise 扔掉:降噪应该改变视图,不抹掉证据
人工智能·微服务·ai·容器·k8s
澹锦汐6 小时前
纯前端秋日银杏与枫叶落叶色板智能聚类器:基于 K-Means 色彩量化与直方图自动配方提取
前端·人工智能·ai·语言模型·vue·react·k-means