第 1 篇（为什么不是调一次 API）里我列过本系列大纲，说好要讲「多智能体编排」。前面 5 篇把单 Agent 的循环、LangGraph 编排、SSE 流式、生产级运行时讲完了，这一篇补上最后一块：什么时候不该用「一个大 Agent 包打天下」。
以下代码均来自玄镜（OracleMind）真实源码：
oraclemind-ai/src/agent/home_agent.py、harness/boundary/langgraph_nodes.py。示例省略导入与模型初始化；create_react_agent的参数名（system_prompt/prompt/state_modifier）以你当前 LangChain / LangGraph 依赖版本为准。
一、单 Agent 的「撑死」临界点
玄镜的 home_agent 是首页通用入口：负责闲聊 / 通用问答，必要时调排盘工具。最初它就是用 LangGraph 的 ReAct 把几个工具挂上去：
# 早期示意：实际工具数后来涨到十几个
tools = [bazi_paipan, ziwei_paipan, name_generate, name_detail]
agent = create_react_agent(
model=model,
tools=tools,
system_prompt=HOME_AGENT_SYSTEM_PROMPT,
)
看起来很优雅——一个 Agent 通过 ReAct 自己决定调哪个工具。但当工具数涨到十几个、每个工具还带着「无生辰禁止排盘」之类的强约束时，问题来了：
- 系统提示越写越长，模型漏掉硬约束的概率上升；
- 工具返回的大段排盘 JSON 挤占上下文，后面的解读质量肉眼可见地下降；
- 跨领域术语互相污染 prompt：塔罗的「逆位」和八字的「逆克」根本不是一回事，塞同一个提示词里模型会串味。
于是玄镜拆成了一个入口 Agent + 多个专用 Agent：
home_agent：首页通用入口，负责闲聊 / 通用问答；命理排盘调用工具或转交ming_agent：八字、紫微等命理排盘与解读专用 Agentreport_agent/scale_report_agent：报告、量表生成assessment_agent：评估类
每个专用 Agent 的工具集和提示词都收窄到自己的领域，互不干扰；入口 Agent 只做路由和通用问答。
二、拆完怎么保证「不可靠的模型」不把流程搞崩
多 Agent 最怕某一个环节抽风，导致整条链路在用户面前崩掉。玄镜把「生成 → 校验 → 重试/降级」做成了可复用的 harness（langgraph_nodes.py）。
拆成多个专用 Agent 后，每个子 Agent（如 ming_agent）的生成节点后都接同一套 boundary harness；入口 Agent（home_agent）只接收已校验的结构化结果，不直接透传子 Agent 的原始输出。
真实源码里这套节点由 make_boundary_nodes(validator, max_retries=2) 工厂生成；下面为了看清路由逻辑，直接展示等价的 route_boundary 和状态字段：
# 结构示意：state 至少包含
# validation: {ok: bool, reason: str} # 校验器 validator 的硬校验结果
# feedback: str # 回灌给 generate 的错误信息
# retry_count: int # 已重试次数
# degraded: bool # 是否已进入降级（由 degraded_output 节点写入）
MAX_RETRIES = 2
def route_boundary(state):
v = state.get("validation", {})
if v.get("ok"):
return "valid"
if state.get("retry_count", 0) >= MAX_RETRIES: # 重试耗尽
return "degraded"
return "retry"
graph.add_conditional_edges("boundary_check", route_boundary, {
"valid": END,
"retry": "generate", # 带 feedback 重新生成
"degraded": "degraded_output", # 模板兜底 / 只返回已校验字段
})
闭环职责：
boundary_check节点：调用校验器 validator 做格式 / 越界硬校验，写validation；校验失败时把 validator 的reason写入feedback，并递增retry_count；- 路由：校验通过 →
valid结束；未过但还能重试 →retry（把feedback塞回 prompt 重来）；重试耗尽 →degraded； degraded_output节点：模板兜底 / 只返回已校验字段 / 转人工，尽量避免把未校验内容直接透出。
注意这套回路叫「生成 → 校验 → 重试/降级」，降级是其中的一环，不是额外步骤。
三、判断清单：该拆还是该合
| 判断信号 | 建议 |
|---|---|
| 工具 ≤5、同领域、提示词稳定（经验阈值，非硬规则） | 单 ReAct Agent 够用（如 home_agent） |
| 术语 / 约束互相污染、工具返回挤爆上下文、失败模式不同 | 按领域拆专用 Agent |
| 关键输出需格式 / 越界硬校验 | 套 boundary harness |
| 多 Agent 要传结构化上下文 | 用 StateGraph 的 state 显式传，别靠 prompt 隐式猜 |
四、拆也有代价，别无脑拆
拆 Agent 不是免费的：会多出路由、状态传递、延迟、调试成本，以及跨 Agent 的 token 开销。如果只是「工具多但同领域」，先试这三招，往往就够了：
- 工具分组：把同类工具收敛，提示词里明确「什么场景用哪组」；
- 压缩工具返回：排盘 JSON 上万字符，先压成千字符级的摘要再注入（玄镜的
_compact_paipan_summary就是干这个的）； - 提示词分层：通用规则放系统提示，领域规则放工具描述。
只有当出现术语污染 / 约束冲突 / 上下文挤占 / 失败模式不同，且上述手段压不住时，再拆专用 Agent。一个很实用的铁律：子 Agent 不要把原始排盘 JSON 全量回灌主 Agent，只回传结构化摘要和已校验字段——这正好呼应前面「大段 JSON 挤占上下文」的痛点。
写在最后
这是「从0搭 AI Agent」系列的收官篇。玄镜是我独立从 0 到 1 交付的生产级 AI 产品（LangGraph 多智能体 + RAG + SSE 流式，FastAPI + Next.js）。我目前在看前端 + AI 应用 / 全栈 AI 方向的机会，欢迎交流。
接下来开一个新系列聊 RAG——玄镜没用裸向量检索，而是加了一层「特征加权」，原因和做法下篇展开。
下一篇（新系列「RAG 实战」第 1 篇）：RAG 别只会向量检索：玄镜为什么加了「特征加权」
