你以为是大模型在执行命令？真相是它只会“说“

Sub-agent（子智能体/多智能体协作）完全是 AI 客户端或 Agent 框架（Client / Framework）层面的工程能力

大模型本身只负责"根据输入的 Token 预测下一个 Token"，它没有"分身乏术"去自己开辟一个独立的运行环境并指挥另一个自己的能力。Sub-agent 的架构，全靠工程代码在幕后进行任务拆解、上下文隔离与状态调度。

一、什么是 Sub-agent 架构？

在处理复杂任务时（例如："帮我重构整个项目的代码，顺便写单元测试并跑通"），如果把所有事情都塞给一个主 Agent，它往往会因为注意力分散、工具太多或上下文过载而导致任务失败。

Sub-agent 架构（主从分工模式 / Coordinator-Worker Pattern） 的核心思想是：

主 Agent（Coordinator / Master）： 负责宏观规划、任务拆解和统筹调度。它自己不一定亲自写每一行代码，而是当起"项目经理"。
子 Agent（Sub-agent / Worker）： 负责某个垂直领域的专精任务（例如一个专门写测试的 Agent、一个专门查数据库的 Agent）。它们拥有独立的系统提示词（Persona）和专属的工具集。

二、 Sub-agent 是具体是如何实现的？

在工程实现上，主流框架（如 LangGraph、CrewAI、AutoGen 或自定义客户端）主要通过以下四大核心机制来实现 Sub-agent：

1. "Agent 即工具"（Agent-as-a-Tool）模式

这是最经典也是最容易理解的实现方式：

框架把一个 Sub-agent 封装成一个标准的 Tool（工具） 注册给主 Agent。
主 Agent 看大纲时，会看到一个名为 call_testing_specialist_agent(task_description: str) 的工具。
幕后原理： 当主 Agent 决定调用这个工具时，它实际上并不是在调用一个简单的函数，而是触发了一段框架代码。

2. 独立的上下文隔离（Context Isolation）

这是 Sub-agent 最核心的工程价值：

如果子 Agent 和主 Agent 共用同一个 Context Window，随着对话深入，主 Agent 的上下文会迅速被子 Agent 复杂的中间推理过程（比如大量的临时报错和调试日志）污染。
实现方式：
- 当主 Agent 唤起 Sub-agent 时，客户端框架会新开辟一个干净的、独立的对话上下文（Fresh Context Session）。
- 框架只把主 Agent 传过来的"任务目标"和必要的初始化参数喂给子 Agent。
- 子 Agent 在自己的独立沙箱循环（ReAct Loop）里反复思考、调用工具、调试、直到得出结论。

3. 专属工具与权限裁剪（Scoped Toolsets）

主 Agent 可能拥有高危的全局工具（如 delete_database、deploy_to_production）。
实现方式： 框架在初始化 Sub-agent 时，会对其进行权限裁剪。例如：编写文档的 Sub-agent 只被允许挂载 read_file 和 write_markdown 工具，它根本"看"不到也无法调用危险工具，从而保证系统的安全性。

4. 结果提炼与回传（Result Aggregation）

Sub-agent 在自己的独立循环中运行结束后，往往会产生一大堆中间调试信息。
实现方式： 客户端框架会拦截子 Agent 的输出，通过代码逻辑（或者让子 Agent 做最后一次总结）将其浓缩为结构化的精简结论（例如："测试已全部通过，发现 2 处潜在边界漏洞：......"），然后作为这个 Tool Call 的 tool_result 返回给主 Agent。主 Agent 拿到结果后继续往下执行。

三、简易的代码逻辑示意

如果用伪代码来描述一个 Sub-agent 的底层实现，它长这样：

python 复制代码

# 1. 定义一个专门的子智能体处理函数（被包装成 Tool）
def call_code_reviewer_subagent(task: str) -> str:
    # 核心：开辟独立的上下文和独立的 ReAct 循环
    sub_agent_context = [
        {"role": "system", "content": "你是一个资深代码评审专家，请严格检查安全漏洞。"}
    ]
    sub_agent_context.append({"role": "user", "content": task})
    
    for step in range(5): # 最多循环 5 步
        response = call_llm(sub_agent_context, tools=[git_diff_tool, linter_tool])
        
        if response.is_final_answer:
            return response.text # 将精简结果返回给主 Agent
            
        elif response.is_tool_call:
            # 子 Agent 自己调用工具并观察结果
            tool_result = execute_tool(response.tool_name, response.args)
            sub_agent_context.append(tool_result)

# 2. 将其注册为主 Agent 的一个工具
main_agent_tools = [
    # ... 其他普通工具 ...
    Tool(
        name="call_code_reviewer_subagent",
        func=call_code_reviewer_subagent,
        description="当你需要对代码进行深度安全评审时调用此工具"
    )
]

总结

Sub-agent 并不是大模型"长出来的分身"，而是 AI 客户端或框架通过代码设计出的"套娃式"状态机与上下文隔离机制。它通过"把子任务打包成工具、隔离上下文、裁剪权限"，完美解决了大模型处理复杂大任务时的注意力涣散和 Token 污染问题。