Deep Agents：通过子代理与技能构建高效多智能体应用

将复杂任务拆解为多个专业协同处理，是构建高效AI系统的核心策略之一。Deep Agents 框架通过以下两种核心机制实现这一目标：

1. 子代理（Subagents）：将任务委托给独立的来执行。 2. 技能（Skills）：根据需要逐步向披露所需的功能和指令。

本文将深入探讨如何利用 Deep Agents 框架来构建强大的多系统。

使用子代理：专门化的、独立的执行者

子代理机制旨在解决设计中的一个关键挑战——上下文膨胀（context bloat）。当执行任务时，其上下文窗口会逐渐被大量信息填满，导致处理效率显著下降。

为什么这很重要？ 研究表明，随着上下文窗口的扩大，模型完成任务的难度会增加（参考：Chroma 的相关研究）。HumanLayer 将这种高上下文负载状态形象地称为“哑区”（dumb zone）。子代理通过将特定任务的上下文与主隔离，有效避免主过早陷入这种状态。

示例： 例如，当主执行大量搜索或文件读取操作时，其上下文窗口会迅速被中间结果填满。而子代理则利用独立的上下文窗口完成这些任务，主只需接收最终的精炼结果，无需关注具体的执行细节。

子代理的基本架构如下： （此处可插入子代理的架构图，原文未提供）

子代理的适用场景：

多步骤复杂任务：有效避免主上下文混乱，例如在代码库探索场景中。
特定领域工具或流程：不同团队可开发专注于特定领域的子代理，实现专业化分工。
异构模型需求：子代理可选用与主不同的模型，例如选择更轻量级模型以优化延迟和成本。
并行处理能力：子代理可并行执行任务并将结果汇总至主，显著提升整体效率。

创建子代理

子代理可通过字典形式定义，并通过 create_deep_agent() 函数创建：

from deepagents import create_deep_agent

research_subagent = {
    "name": "research-agent",
    "description": "用于深入研究问题",
    "system_prompt": "你是一位出色的研究员",
    "tools": [internet_search],
    "model": "openai:gpt-4o"  # 可选：覆盖主智能体的模型
}

agent = create_deep_agent(
    model="claude-sonnet-4-5-20250929",
    subagents=[research_subagent]
)

（配置详情请参考文档）

内置通用子代理

Deep Agents 内置了一个名为 “general-purpose” 的子代理，它具备与主相同的功能和配置。适用于无需特殊行为的通用任务场景。

示例： 主可将通用任务委托给内置的通用子代理（例如：task(name="research quantum computing trends")），由其完成所有搜索并仅返回精炼摘要。

子代理使用最佳实践

清晰的描述：为主提供明确的子代理功能描述，以便其准确选择。
详尽的功能说明：明确子代理的工具使用方法及预期输出格式。
精简工具集：仅为子代理配置其完成任务所需的最小工具集合。

使用技能：逐步披露功能

技能机制允许系统根据任务需求，按需向逐步披露特定功能。例如，通过在 SKILL.md 文件中定义技能的名称和描述，仅在实际需要时才动态加载相关功能。

技能的配置与应用： 技能遵循 agentskills.io 规范进行定义和管理。每个技能文件包含元数据和功能描述。

模式选择策略： 根据任务需求灵活选择使用子代理或技能。在许多实际系统中，子代理和技能常被结合使用：子代理负责执行复杂的多步骤任务，而技能则用于按需提供必要的功能支持。

深入探索： 深入了解 Deep Agents 中的多模式（文档链接：

总结与展望： 多模式并非遥不可及的复杂概念。通过引入合适的抽象层（如中间件和工具调用机制），它们能够成为构建高效、可扩展AI系统的基石。建议从利用子代理进行上下文有效管理入手，再逐步引入技能机制以实现功能的按需动态披露。