Subagent 与 Multi-Agent：拆分、隔离与汇总
多 Agent 的价值来自任务分解、上下文隔离和并行，而不是界面上出现更多头像。
- 能把复杂任务拆成 DAG 与子任务契约
- 能设计隔离、预算、汇总和冲突处理
- 能判断何时多 Agent 得不偿失
一个强 Agent 解决不了的问题，增加五个 Agent 就能解决吗？
Subagent 的价值不在界面上出现更多头像，而在任务能被清晰拆分、上下文能被隔离、输出能够合并。强顺序依赖、频繁共享状态或完成标准模糊的工作，通常不适合并行。
主 Agent 仍需负责拆分、授权、预算、冲突处理和最终验证。子 Agent 返回三份看似专业的报告，不代表主任务自然得到正确结论。Anthropic 披露的实践数据里，多 Agent 在等价任务上通常消耗单 Agent 的 3–10 倍 Token，因此必须先证明上下文隔离、并行或专业化确实解决了瓶颈。
Claude Code 的 Dynamic Workflows 是当前产品案例：系统会为大任务动态写编排脚本、并行派发和独立复核，并保存进度。官方同时提醒它显著增加用量，因此应从范围明确的任务开始；产品发布说明和客户案例不能替代自己的单 Agent 基线。
先记住这句话主 Agent 需要决定拆什么、给多少上下文、如何避免资源冲突、何时汇总、如何处理结论分歧。协调成本可能超过并行收益。
先画依赖，再决定并行
把任务写成节点和依赖：资料健康检查完成后，主题聚类和反例搜索可以并行；路线图建议必须等待两者结果。这个有向依赖图就是简化的 DAG。
每个子任务需要明确输入快照、可用工具、输出格式、完成标准和停止条件。隔离上下文可以减少噪声，也意味着主 Agent 必须主动提供必要背景。
汇总不是拼接，而是验证
多个 Agent 结论冲突时，汇总器要比较证据、来源和任务条件，必要时请求独立 Reviewer 找反例。多数票不能替代事实。
衡量多 Agent 要同时看墙钟时间、总 Token、工具冲突、结论质量和汇总成本。并行更快但总成本大幅增加，也可能不符合产品目标。
只有三类瓶颈值得先考虑多 Agent
第一，当前上下文被某个子任务污染，需要隔离；第二，多个子任务相互独立，可以真正并行；第三，工具和领域差异足够大，专业化能显著减少误选。其他情况下，先把单 Agent 的上下文、工具和指令做好。
是否采用多 Agent 是实验结论，不是架构审美。用同一任务比较单 Agent 与多 Agent 的质量、墙钟时间、总 Token、失败点和人工汇总成本，达不到预先门槛就不增加复杂度。
多 Agent 的核心不是同时打开多个聊天窗口，而是把依赖关系、上下文、工具、预算、输出 Schema 与停止条件写成可编排契约。并行收益必须大于协调成本。
把目标拆成有依赖关系的任务 DAG
在隔离上下文和工具范围内执行
检测共享资源冲突、取消与预算
比较证据、处理分歧并验证汇总
有术语没听懂？在这里用人话再看一遍5 个词＋
- Subagent
- 在主任务下承担明确子任务、拥有受限上下文和工具的 Agent 实例。
- Orchestrator
- 负责拆分任务、调度依赖、分配资源并汇总结果的编排者。
- DAG
- 用节点和有向依赖表示哪些任务可并行、哪些必须按顺序完成。
- 输出契约
- 对子任务返回格式、证据、完成标准和失败语义的约定。
- 墙钟时间
- 从用户开始等待到整体任务结束的实际时间，与所有 Agent 消耗时间之和不同。
复杂 Bug 的三路只读调查
复现问题、绘制调用链、设计回归测试三个 Agent 并行，只允许主 Agent 修改代码，再由独立 Reviewer 审查。
- 01
三个子任务共享同一 commit 和完成定义
- 02
子 Agent 只读，避免文件冲突
- 03
主 Agent 依据证据实施修改，Reviewer 独立找反例
墙钟时间下降，同时写入责任与最终判断保持单一。
本章依据与证据边界6 条结论 · 11 份原始材料＋
正文已经把关键来源放在相关概念旁边。这里保留完整核验清单：每条材料能支持什么、不能支持什么；不要求离开本站才能继续学习。
- [1]
Anthropic 文档公开说明 Claude Code 的自定义 Subagent、独立上下文与工具配置；这是 Claude Code 产品案例。
官方事实ANCreate custom subagents官方文档 · 核验 2026-07-14 - [2]
Anthropic 建议从简单可组合模式出发，只有复杂性带来可证明收益时再增加 Agent 编排。
官方事实ANBuilding effective agents官方工程文章 · 核验 2026-07-14 - [3]
Google Research 的实验显示，多 Agent 在其可并行任务上可能增益明显，在严格串行任务上反而下降 39%–70%；这些数字只适用于该研究任务与架构。
独立研究GOTowards a science of scaling agent systems官方研究 · 核验 2026-07-14 - [4]
Anthropic 将上下文隔离、可并行任务和有效专业化列为多 Agent 的三类主要收益，并披露其测试中多 Agent 通常使用 3–10 倍 Token；该数字只适用于其测试设置。
官方事实CLBuilding multi-agent systems: When and how to use them官方工程文章 · 核验 2026-07-14 - [5]
Claude Code 官方把 Dynamic Workflows 描述为动态编排、并行 Subagent、独立复核和可恢复进度的产品能力，并明确提醒用量会显著增加。
官方事实CLIntroducing dynamic workflows in Claude Code官方工程文章 · 核验 2026-07-14 - [6]
本站的 DAG、只读调查和 Reviewer 流程是跨产品教学推演。
本站推演ANCreate custom subagents官方文档 · 核验 2026-07-14
查看全部一手材料与源码证据 11 条
这份材料区分了由预定义代码路径控制的 Workflow 与由模型动态控制过程的 Agent，并强调先采用能工作的最简单方案。它还给出 Prompt Chaining、Routing、Parallelization、Orchestrator-Workers、Evaluator-Optimizer 等组合模式，以及何时值得承担 Agent 的延迟、成本和复合错误。
官方方法 · 核验 2026-07-11Effective context engineering for AI agentsAnthropic这份材料将 Context Engineering 定义为持续选择和维护推理时最合适的信息，而不只是改写一条 Prompt。它支持最小高信号上下文、按需检索、工具结果压缩、结构化笔记、Compaction 与 Subagent 隔离等长任务策略。
官方产品实现 · 核验 2026-07-11Hooks referenceAnthropic这份参考文档定义 Session、Prompt、Tool、Permission、Subagent、Compaction 等 Hook 事件及其输入输出协议。它还区分 command、HTTP、MCP tool、prompt 与 agent handler，并说明异步 Hook、阻断决策、超时和 Subagent Hook 的具体限制。
官方产品实现 · 核验 2026-07-11Connect Claude Code to tools via MCPAnthropic这份文档说明 Claude Code 如何通过 MCP 连接外部工具、资源、提示与事件渠道，以及 local、project、user 等配置作用域。它支持讲清 MCP 是外部能力连接协议而不是 Agent 的推理核心或长期记忆，并覆盖认证、连接、超时和共享边界。
官方产品实现 · 核验 2026-07-11Create custom subagentsAnthropic这份文档说明 Subagent 使用独立上下文完成委派任务并向主会话返回摘要，可分别配置模型、工具、权限、Skill、MCP、Memory、Hook 与 Worktree 隔离。它支持把 Subagent 的价值定位为上下文隔离、并行和专业化，而不是把增加 Agent 数量等同于自动提升结果质量。
官方方法 · 核验 2026-07-11A practical guide to building agentsOpenAI这份指南面向产品与工程团队，给出 Agent 使用场景判断、Model/Tools/Instructions 基础结构、单 Agent 与多 Agent 编排和 Guardrail 设计。它支持从复杂决策、难维护规则和非结构化信息出发选择场景，并强调先强化单 Agent、从小范围真实用户验证开始。
固定提交源码 · 核验 2026-07-11Hermes Agent async delegation and turn finalizationNous Research这段源码说明后台 Subagent 的完成结果进入共享队列，并在 Agent 空闲时形成新的 Turn，而不是插进正在进行的工具序列；这样可以保持消息角色顺序与 Prompt Cache 稳定。这是 Hermes 的实现选择，不是行业统一协议。
官方产品实现 · 核验 2026-07-14How we built our multi-agent research systemAnthropic这份生产案例披露 Orchestrator-Worker、独立上下文、并行搜索、恢复与评测方法，也明确多 Agent 的高 Token 成本和对串行、强共享上下文任务的限制。
证据边界：内部研究 Eval 的提升不能证明多 Agent 对所有任务都优于单 Agent。官方产品实现 · 核验 2026-07-14A harness for every task: dynamic workflows in Claude CodeClaude by Anthropic这份材料说明 Claude Code 如何让用户为长程、并行、结构化或对抗任务编写动态 Harness，并以多个独立上下文完成分解、验证和汇总。
证据边界：动态工作流不是默认更优；协调、Token、延迟和错误传播仍需针对任务测量。独立研究结论 · 核验 2026-07-14Towards a Science of Scaling Agent SystemsGoogle Research受控实验表明多 Agent 在可分解并行任务上可能显著提升，在严格串行任务上可能下降 39%–70%，工具密集任务还会承担额外协调成本。
证据边界：论文仍受基准、模型、配置和版本限制，不能当作所有生产任务的固定公式。一线课程案例 · 核验 2026-07-14Free Claude Code CourseFrontend Masters课程由 Claude Code 团队成员 Lydia Hallie 授课，覆盖 CLAUDE.md、权限、Skills、Hooks、Subagents、Plugins、MCP 和 Desktop 的操作语境。
证据边界：讲师身份与演示成功不等于 Anthropic 官方产品合同或普遍架构结论。