把 subagent 放回主循环
上个月,我把手上一个 agent 应用里的三个 specialist 删了。
倒不是为了省 token。主要是之前那套 orchestrator 加三个 subagent 的结构太折腾人:每加一个功能,我得同时改四个地方——路由的分类规则、subagent 自己的 prompt、主 agent 的 prompt,还有交接时的字段约定。
删完之后,跑了一遍回归测试。任务完成率没掉,端到端延迟差不多砍半。当然,这只是我自己粗看的结果,没做严格的 A/B。
刚好 10 月 22 号 Anthropic 的 Applied AI 团队发了一篇 Building agents: When to fold subagents into your main agent loop。看完挺有共鸣:原来大家都在往回退,而且他们拿严肃的测试数据把背后的账算清楚了。
传话游戏与有损压缩
Anthropic 这篇文章的核心就一句话:少拆点 subagent,把上下文和工具改成按需加载,不仅质量往往更好,成本和延迟也更低。(当然,这结论未必放之四海而皆准,有些地方我也不太买账。)
这其实挺反直觉的。最开始搭系统的时候,subagent 在我脑子里就是“解耦”的代名词:把复杂系统拆成职责单一的专家模块,各自管各自的 prompt、工具和归属,多干净。毕竟软件工程过去三十年一直都是这么教的。
但问题在于,传统软件工程的拆分,默认模块之间传的是精确的东西——函数签名、结构化数据、明确的接口契约。而 agent 之间传的是自然语言摘要。A 干完活总结一段话给 B,B 看着这段总结接着往下走。每一次交接都是一次有损压缩。到底丢了多少信息,你根本看不见。系统既不报错也不抛异常,只是最后出来的结果莫名其妙就变笨了一点。
Anthropic 把这叫“传话游戏”(telephone game),非常传神。第一个节点收到的是“用户反映最近两天订单状态没更新”,传到第三个 agent 耳朵里,可能就缩水成了“用户要查订单”——“最近两天”和“状态没更新”之间的因果关系,在路上全丢光了。
企业里是怎么长出一堆 subagent 的
既然有损,为什么企业里还是遍地 subagent?文章里剖析失败模式的那一段写得很透,因为它根本不是在聊技术,而是在聊组织架构。
假设大公司想搞一个统一的 agent 入口,把所有产品能力接进来。但每个能力归不同的团队管,最顺理成章的做法就是:各团队先各自封装一个 agent,平台团队在最上面搭个 orchestrator 把大家串起来。
这条路在汇报时最省事,但坑也是从第一天就埋下的。
首先是上下文在交接时不断丢细节;紧接着就是 subagent 泛滥,每个团队都发一个,最后攒出几百个功能重叠的模块,既没统一标准,边界也没人管。为了弥补上下文丢失的细节,各个团队开始使劲往 system prompt 里塞自家规则。塞着塞着,规则之间开始打架,连说话的语气都精分了——文章给这种怪物起了个名字,叫 Frankenprompt(缝合怪 prompt)。
评测(eval)也跟着散架。每个团队各自建一套针对自己子任务的测试集,拼命刷高自己那一亩三分地的分数,老板最后只能看着一堆注水的局部指标拍脑袋。更要命的是延迟:每多一层嵌套就多一次模型调用,这种物理耗时几乎没有优化空间。
文里给了一个真实案例的数据:一家客户把多 agent 框架拆掉、退回单循环之后,运行速度直接快了两倍。这跟我自己体感到的“延迟砍半”基本吻合。
说白了就是康威定律:agent 架构长成了公司组织架构图的样子。这话虽然不太中听,但我在好几个项目里都见过——系统切分的边界根本不是顺着上下文流向画的,而是照着汇报线画的。
为什么现在又能放回去了?
要不要拆 subagent,其实是个带时间戳的问题。
两年前真不行。那时候上下文窗口小,一个 agent 根本塞不下七八个领域的知识,硬塞进去就会注意力涣散、乱调工具。当年大家拆 subagent 是被逼无奈,真不是为了什么架构优雅,纯粹是窗口装不下。
现在之所以能退回单循环,文章列了三个变量。我基本认同,但这三条的份量不太一样。
第一,共享上下文确实能拔高上限。 跑长任务时,如果前几步的原始结果都原封不动地躺在同一个窗口里,模型自己就能把步骤 A 和步骤 C 的蛛丝马迹连起来。而在 subagent 模式下,主 agent 手里只有几份二手摘要,跨步骤联想的能力基本被废掉了。这点我在做 RAG 类应用时体会很深:把原始召回片段直接留在上下文里,模型经常能顺手捞出一些你根本没特地让它找的规律。
第二,渐进式披露(progressive disclosure)打破了容量瓶颈。 这是整篇文章最值得抄作业的地方。思路其实很朴素:agent 启动时只看得到一堆 skill 和 tool 的简短目录,真正用到哪一个,才把对应的完整指令加载进来。常驻内存的东西从“全套领域知识”变成了“领域知识的目录”,体积一下降了一两个数量级。
文章里有个数字我看完愣了一下:靠着把 skill 和 tool 改成按需加载,他们在较新模型上把 Claude Code 的 system prompt 砍掉了 80% 以上。
第三,也是我觉得最核心的一条:模型自己变强了。 从 Opus 4.5 开始,模型在单个循环里能扛住的复杂度,远超大多数工程团队的预期。现在的新模型懂得自己交代进度、自己回头验算结果,我们以前在代码里写死的那堆编排逻辑,现在看纯属帮倒忙。
这意味着外围框架(harness)的复杂度,应该随着模型能力的进化做减法,而不是做加法。文章里有句话点得很透:很多时候新模型发挥不出威力,恰恰是因为被老旧、僵化的多 agent 路由和交接协议把双手捆住了。
别矫枉过正,这三种情况还得拆
网上转发这篇文章时,标题大多起得挺耸动,很容易让人误以为“subagent 已经过时了”。但文章其实划了三条非常明确的红线——而且全是可测量的工程指标,不是主观审美:
- 单循环因为上下文膨胀,出现了可测量的性能下跌;
- 多个子任务需要并行处理,且跑完的过程上下文可以直接扔掉;
- 单个 agent 已经选不准工具,或者 system prompt 里的指令无法调和、互相打架。
文章说的“按上下文切分边界”:只有当某项工作几乎不需要跟系统其他部分打交道、最后只交回一个紧凑结果时,才值得拆出去。如果不符合这个条件,非要按问题类型拆、按部门拆,最后大概率又会变成传话游戏。
怎么安全地退回去?
文章给的改造路径很务实,没让人一上来就推倒重来。
第一步永远是先建 eval,这步逃不掉,哪怕先攒 10 条黄金用例(golden examples)也能起步。中央团队管端到端的大盘测试,业务团队给各自的 skill 备一套小测试。还在用 orchestrator 时重点看路由准确率(routing accuracy),放回主循环后,就改看有没有加载对 skill、有没有调对 tool。
具体动手时有三种改法,动静由小到大:
- 合并(Merge):最省事。看一眼线上流量,如果大量请求都是调完 A 紧接着必调 B,说明它俩本来就是紧耦合,直接捏成一个就行。
- 当工具调(Subagent as a tool):不动现有的 subagent,只是让主 agent 用 tool call 的方式去调它,话语权留在主 agent 手里。好处是零改动就能跑出个 baseline;坏处是老毛病全在——各自的 prompt 还得单独维护,每次调用依然伴随一次有损摘要和一层额外延迟。
- 彻底放回(Fold in):手术最大。把原本的 subagent prompt 拆成按需加载的 skill,把 API 暴露成基础 tool,一次挪一个,每挪一个就跑一遍前后对比。
在“彻底放回”这一步,文章提了一个极其隐蔽的坑,我读完印象特别深。
他们拿一个客服样例做放回测试时,发现延迟确实降了,总分也挺好看,但有一个原本百分百通过的老用例突然挂了。排查下来才发现:主 agent 手里本来就有订单查询工具,放回之后它变得“太聪明、太高效”了——自己查完订单状态就直接回复了用户,跳过了原本必须去问物流专家拿“预计送达日期”的那一步。
这种 bug 最要命。代码不崩,日志不报错,纯粹是因为 agent 效率变高、自己把活揽完了,结果漏掉了一句业务流程上卡死的必问项。如果你只盯着评测总分看,说不定总分还涨了两个点,代码直接就合进主干了。
更棘手的是,由于模型生成的不确定性,这个回归问题跑两次才复现一次。
所以他们的建议很硬:动手改造前,必须把线上常跑的调用链、以及业务上绝对不能破的红线规则全部写成测试用例,而且每个用例必须重复跑多次。想想我之前删那三个模块时,每个 case 只跑了一次就敢上线,纯粹是祖坟冒青烟。
真正的阻力不在代码,在领地
这篇指南表面上在探讨架构演进,但底子里的暗线其实是团队分工——而在真实公司里,改分工比改代码难十倍。
在旧模式下,每个业务团队交付的是一个完整的 agent。这个 agent 就是他们的交付物、他们的 KPI、他们的地盘。
如果按文章的建议改,业务团队以后交付的不再是 agent,而是零散的 skill 和 tool。中央留一个小团队,把控端到端质量和主 system prompt,所有新加的 skill、tool 和 eval 上线前都得过一遍中央的关;业务团队依然对自己的 skill 负责,也照样设 DRI 盯质量。
这套方案在技术上很合理,但在人性上很别扭。一个团队的产出,从“我们拥有一个独立 agent”变成了“我们往主循环里贡献了一段 Markdown 和几个函数”,听着就像被降级收编了。
Anthropic 显然也知道这事不好推,所以他们给出的解法是:拼命降低维护 skill 本身的门槛,甚至用 skill 来管理 skill。比如用 /skill-creator 自动起草和审计,用 /skill-doctor 监控每个 skill 到底消耗了多少 token、被触发了几次,顺手把没人用的僵尸 skill 清掉。至于这套工具能不能抚平业务团队的失落感,那就见仁见智了。
不过在工具设计这块,有两个实操经验非常值得直接抄:
一是工具数量上限。当工具定义超过 30 到 50 个时,模型选工具的准确率就会开始掉,所以最好按“用户意图”来聚合工具,别傻乎乎地一个后端 API 映射一个 tool。
二是把权限校验塞进 tool 内部。让每个 tool 自己去判断当前调用者能看什么、能改什么,越权了就直接返回一句自然语言报错给模型。这样一套单循环就能接待不同权限的角色。这个坑我们自己结结实实踩过——早期图省事,按用户角色硬拷了三份 agent,后来每次改点业务逻辑都得同步改三遍,苦不堪言。
我不太买账的几个地方
虽然整篇读下来很痛快,但有三个被文章轻描淡写带过的问题,落到实际工程里其实挺要命的。
第一,它默认你的任务大多是串行、且需要共享上下文的。
很多业务根本不是这样。如果你的场景天生就是要同时铺开十几条路——比如一次性扫描上百个代码文件、并行验证十个互不干扰的假设——那 subagent 的核心价值根本不是“做摘要”,而是换吞吐量。文章虽然用“research frontier”这种词顺嘴提了一句,但篇幅极短。我有点担心这会误导一批做高并发重任务的团队,盲目砍掉 subagent,等线上吞吐量崩了才反应过来。
第二,渐进式披露不是白捡的便宜,它的隐性成本出在“触发率”上。
把长 prompt 拆成按需加载的 skill 之后,模型能不能在正确的时机挑出那个 skill,全看那几句简短的 description 写得好不好。上下文是省下来了,但代价可能是模型压根没加载对技能。文章只说这“需要工程纪律”,但怎么评测一段描述能不能稳定触发,比调传统 prompt 玄学得多,目前也没有任何现成的指标可抄。我自己的土办法是:把 skill 的描述写成“什么时候该用我”(触发条件),而不是“我是什么”(功能介绍),这两者在实际触发率上差得非常远。
第三,也是门槛最高的一点:它把 eval 说得太轻巧了。
前面讲的所有架构红利,全建立在“你有一套靠谱的评测”之上。如果在内部系统耦合极深、没法轻易回放请求、也模拟不了真实用户行为的环境里,搭一套端到端的任务完成率评测有多难,做过的人都懂。文章给出的妙招是“记录关键事件的时间戳,事后做状态回放”——这招确实管用,但前提是你得先把全链路的埋点基建干完。
换句话说,想优雅地退回单循环,你得先具备精细度量现有系统的能力。而补齐度量能力的工程量,往往比删掉几个 subagent 大得多。我见过太多团队卡死在这里:架构演进的道理谁都懂,但手里拿不出一个能服众的评测数字,最后所有的技术重构都会沦为口水仗。
写在最后
整篇文章里,我觉得最值得贴在工位上的是结尾那段话:
As models evolve, our understanding of how to best use them and guidance around best practice evolve as well. That makes any one architecture less important than the principle behind it: measure, change one thing at a time, and keep what holds up.
(模型在进化,我们对最佳实践的理解也在变。这意味着任何具体的架构,都不如背后的原则重要:建立度量,一次只改一个变量,留下经得起验证的东西。)
要不要用 subagent 这个问题,过半年等下一代模型出来,说不定结论又会反转。
顺带提一句,他们这次还开源了一个配套的脚手架 anthropics/single-agent-loop-kit,把架构审计、跑 baseline、合并、放回、日常体检全串成了一个 Claude Code 的 skill,每走完一步都会停下来给你看结论、确认后再往下走。里面还带了个十分钟就能跑通的客服样例,设上 KIT_MODEL=fake 可以不花一分钱把整套流水线先试跑一遍。
不过就像那个仓库的 README 自己写的一样:如果你手头现在还没有历史遗留的 subagent,其实根本用不上这个工具——直接从头写一个单循环,省事得多。