Multi-Agent 系统中主 Agent 动态派生 Subagent 协同工作机制
核心运转逻辑
主 Agent 不直接执行具体任务，而是通过动态大纲和任务分发工具实现协同。以调研 “过去 10 年 75 家科技公司技术路线演进” 为例，单个 Agent 处理会导致资源过载，需通过主 Agent 协调 Subagent 并行工作。
动态大纲的作用
主 Agent 首先生成动态大纲，作为系统核心，实时记录任务状态：已完成、进行中、未分配，是全局任务调度的 “灵魂”。
delegate task 工具与 Subagent 派生
主 Agent 通过 delegate task 工具动态派生 Subagent。当大纲中有子任务待分发时，调用该工具生成多个独立 Subagent，并行执行爬取网页、读取文档等具体任务。主 Agent 仅负责监控任务进度，不参与具体执行。
强制压缩机制
为避免 Subagent 返回大量原始数据导致主 Agent 上下文窗口溢出及 Token 成本过高，要求 Subagent 在回报时必须自我压缩，仅带回提炼后的结论和事实，过滤冗余信息，确保主 Agent 接收精炼简报。
防止无限繁衍的约束
针对 Subagent 可能出现的 “无限派生” 问题（子生孙、孙生子导致 Token 消耗指数级增长），架构设置两项约束：
- 备份隔离：仅主 Agent 拥有派生权，Subagent 严禁派生，实现扁平化管理。
- 物理限流：代码中锁死最大并发数（如限制为 20 个），以工程刚性限制模型随机性。
动态大纲解决状态冲突
动态大纲作为全局唯一真相源，记录各 Subagent 任务分配情况。主 Agent 分发任务时进行严格边界划分，避免 Subagent 间任务重叠（如重复查询同一家公司）或结论覆盖，解决状态冲突。
系统评估方案：LLMSjudge
由于动态系统路径不固定，传统单元测试失效，采用 LLMSjudge 方案：引入更强大的模型作为裁判，对主 Agent 产出的最终报告打分，通过规模化自动评测量化系统性能优化效果。
总结：工程约束三原则
构建百万级并发多智能体系统的核心是工程约束，需遵循：
- 收敛重于发散：子节点必须负责压缩信息。
- 扁平优于嵌套：严禁层级派生，防止系统失控。
- 状态必须中心化：动态大纲是最高统帅。
