s04 子 Agent
上一章我们使用任务列表的方式来帮助 AI 记忆任务进度，这样就可以让 AI 完成更复杂的任务。
但是如果任务再复杂一点呢，如果完成任务所需的文本量超过了 AI 的上下文了咋办，比如上述的模型，大多数都是 256k 的上下文，如果超过了这个上下文，那么就算用任务列表提醒 AI ，AI 也是会忘记前面内容的细节、过程等的内容。
为了解决这个问题，我们可以引入一个新的子 Agent ，让它来分担一部分内容。
我们可以让主 Agent 来分解任务、追踪任务。让子 Agent 去完成具体的每一项任务。然后把任务完成情况的结果再返回给主 Agent，这样就可以在主 Agent 256k 的上下文中完成更复杂的任务了。
首先我们先来看看整个程序的流程图：
然后是完整代码，请移步 gitee 查看： gitee.com/sanqiushu/D…
代码变化
SYSTEM = f"""你是一个位于 {WORKDIR} 的编程智能体。请使用 task 工具来委派探索或进行子任务"""
SUBAGENT_SYSTEM = f"""你是一个位于 {WORKDIR} 的编程子代理。请完成指定任务，然后总结你的发现。"""
首先是提示词，现在区分为了系统提示词和子 Agent 提示词，这样主 Agent 就可以让 子 Agent 来帮忙干活了。
CHILD_TOOLS = [ run_bash 、 read_file、 write_file、 edit_file ] # 还是以前的四个工具
PARENT_TOOLS = CHILD_TOOLS + [
{
"type": "function",
"function": {
"name": "task",
"description": "创建一个具有全新上下文的子代理。它共享文件系统，但不共享对话历史记录。",
"parameters": {
"type": "object",
"properties": {
"prompt": {
"type": "string"
},
"description": {
"type": "string",
"description": "对任务的简短描述"
}
},
"required": ["prompt"]
}
}
}
]
task 工具就是主 Agent 来调用创建子 Agent 的工具了。主 Agent 创建 子 Agent 的时候只需要传递给子 Agent prompt 提示词即可。
# Agent 循环的核心方法
def agent_loop(messages: list):
while True:
response = client.chat.completions.create(model=MODEL, messages=messages, tools=PARENT_TOOLS, max_tokens=8000)
# 将大模型返回的消息添加到消息列表中
message = response.choices[0].message
messages.append(message.model_dump())
# 如果大模型没有调用工具，那么结束执行
if response.choices[0].finish_reason != "tool_calls":
# 打印 AI 的响应
print(f"\n\033[36mAI: {message.content}\033[0m\n")
return
# 打印 AI 的响应
print(f"\n\033[36mAI: \033[0m\033[36;9m思考: {message.content}\033[0m\n\033[36m回答:{message.reasoning_content} \033[0m\n")
# if message.tool_calls:
for tool_call in message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
call_id = tool_call.id
# 3. 路由并执行本地函数
if func_name == "task":
desc = func_args.get("description", "subtask")
prompt = func_args.get("prompt")
print(f"\n\033[33m子任务: ({desc}): {prompt[:80]}\033[0m\n")
output = run_subagent(prompt)
else:
handler = TOOL_HANDLERS.get(func_name)
output = handler(**func_args) if handler else f"不存在 {func_name} 工具"
print(f"\n\033[33mtools : \n{output}\033[0m\n") # 打印工具的输出
messages.append({"role": "tool", "content": output, "tool_call_id": call_id})
然后是主 Agent 循环，其实变化不大，就是加了下面这段代码：
if func_name == "task":
desc = func_args.get("description", "subtask")
prompt = func_args.get("prompt")
print(f"\n\033[33m子任务: ({desc}): {prompt[:80]}\033[0m\n")
output = run_subagent(prompt)
当主 Agent 调用子 Agent 的时候，我们调用 run_subagent() 函数即可。
def run_subagent(prompt: str) -> str:
sub_messages = [
{ "role": "system", "content": SUBAGENT_SYSTEM },
{ "role": "user", "content": prompt }
]
print("子 Agent 正在运行中....")
for _ in range(30): # 子 Agent 不能跑太久，只允许跑 30 次循环
response = client.chat.completions.create(model=MODEL, messages=sub_messages, tools=CHILD_TOOLS, max_tokens=8000)
message = response.choices[0].message
sub_messages.append(message.model_dump())
if response.choices[0].finish_reason != "tool_calls":
print(f"\n\033[36m子 Agent: {message.content}\033[0m\n")
with open("subagent_result.json", "a") as f:
f.write(json.dumps(sub_messages, indent=4, ensure_ascii=False) + "\n")
break
print(f"\n\033[36m子 Agent: \033[0m\033[36;9m思考: {message.content}\033[0m\n\033[36m回答:{message.reasoning_content} \033[0m\n")
for tool_call in message.tool_calls:
func_name = tool_call.function.name
func_args = json.loads(tool_call.function.arguments)
call_id = tool_call.id
handler = TOOL_HANDLERS.get(func_name)
output = handler(**func_args) if handler else f"不存在 {func_name} 工具"
print(f"\n\033[33mtools : \n{output}\033[0m\n") # 打印工具的输出
sub_messages.append({"role": "tool", "content": output, "tool_call_id": call_id})
return message.content if message.content else "子代理：没有总结"
这段 run_subagent() 代码就是这一章主要新增的代码了。当新建一个子 Agent 的时候，我们新建一个子历史消息列表，然后将子 Agent 的系统级提示注入进去，然后将主 Agent 传递给子 Agent 的 prompt 提示词也给注入进去即可。每一个子 Agent 都是空白的上下文，这样就可以避免主 Agent 的上下文污染子 Agent。
然后设置了子 Agent 只能独立运行 30 次循环，这里没有处理超过 30 次的情况，后面可以优化一下。
然后子 Agent 循环除了不能调用 task 工具之外，和主 Agent 循环也是一样的。Task 工具不包含在子代理的工具集中。子代理必须直接完成工作，不能继续委派。这防止了无限委派循环：没有这个约束，一个代理可能创建子代理，子代理又创建子代理，每一层都用略微不同的措辞重新委派同一任务，消耗 token 却毫无进展。一层委派足以处理绝大多数场景。如果任务对单个子代理来说太复杂，应该由父代理重新分解。
然后子 Agent 完成任务后，我们只将子 Agent 总结的内容返回给主 Agent 即可，避免读取的文件这些东西污染主 Agent 的上下文。总体来说，子 Agent 完成任务后，主 Agent 的上下文只会增加一个很短的摘要总结，避免了上下文快速膨胀，占满 256k 的上下文空间。
然后下面是程序运行的截图，我这个要求也不复杂，AI 也可以完成，但是如果我不提一下让他用 task 工具来执行，这个 AI 直接自己就给执行完了，哈哈哈哈，或许是中文提示词和英文工具名导致的吧，总体来说中文提示词还是不咋好用的。
然后是 result.json 和 subagent_result.josn 分别放了 AI 和子 Agent 的历史命令消息列表，可以去 gitee 仓库查看。
