中文资讯掘金 AI Wed, 16 Sep 2026 正文 ok 854 words

DeepSeek Harness 系列（08）：多 Agent 协作——Subagent 与 Agent Teams

英文标题：DeepSeek Harness 系列（08）：多 Agent 协作——Subagent 与 Agent Teams

一个 Agent 调用另一个 Agent，结果可以是文本，也可以是结构化 JSON。这篇文章讲 dsh 的多 Agent 机制：Subagent 的启动、可继续子 Agent、工具过滤

打开原文相关 5 · 机会 1

3.2 KB

589 B

6.3 KB

中文

一个工具解决不了的问题

假设有个任务：对一个大型代码库做全面重构——检查所有文件的命名规范、找出所有循环依赖、整理接口定义。文件数量超过一千个。

你可以把这个任务交给一个 Agent，让它一个文件一个文件地处理。但问题很快出现：

上下文窗口有限 ：处理到第 300 个文件时，前面的内容已经被推出窗口了
工具没有 reasoning 能力 ：工具只能执行固定逻辑，无法根据"这个文件属于哪个子系统"来调整策略
工具没有独立的对话历史 ：工具执行完就结束了，没有状态保留，下一次调用完全不记得上次看到了什么

多 Agent 的本质，就是把子任务委派给另一个有独立对话历史的 Agent。子 Agent 有自己的 Session，有自己的 reasoning 过程，可以用工具，有自己的上下文窗口。父 Agent 只需要告诉子 Agent"去处理这一批文件，告诉我结果"。

这和单纯调用工具的区别，就像是把一件事"外包给另一个人"，而不是"启动一台机器"。

dsh 的 Subagent 机制

dsh 通过 Subagent 实现 Agent 委派。有两种启动方式：

模型调用 ：模型决定委派某个子任务时，调用内置工具 subagent_spawn
代码调用 ：在工具的 execute 函数里，通过 ctx.subagents.start() 直接启动

启动子 Agent 时，需要提供一个 SubagentStartRequest，关键字段如下：

interface SubagentStartRequest {
  
  prompt: ContentBlock[]

  
  parent: Agent

  
  signal: AbortSignal

  
  toolFilter?: ToolRestriction

  
  persona?: string

  
  outputSchema?: ObjectJsonSchema

  
  maxDepth?: number
}

重点看几个字段：

toolFilter ：子 Agent 默认继承父 Agent 的所有工具，但大多数情况下你只想给它一个受限的工具集。比如做代码分析的子 Agent，只需要读文件，不需要写文件。

persona ：子 Agent 可以有自己的系统提示词前缀。你可以给它一个专门的角色定义，让它在那个角色里工作，而不是继承全局 Persona。

outputSchema ：这个字段让子 Agent 的输出不再是纯文本，而是结构化的 JSON 对象。父 Agent 拿到的 result.structured 是类型安全的。

一次性 vs 可继续

Subagent 有两种生命周期模式，区别在于父 Agent 是否需要多次和子 Agent"对话"。

一次性 Subagent（One-shot） ：

启动 → 子 Agent 完成所有工作 → 返回结果 → 结束。整个过程就一个来回，适合独立的子任务。

可继续 Subagent（Continuable） ：

子 Agent 启动后，会创建一个持久化的 Session。父 Agent 可以继续向它发消息，子 Agent 每次收到消息都会继续执行。适合需要多次往返的协作。

两种模式的对比：

一次性 Subagent：
  Parent ──start()──► Child 执行完整任务 ──result──► Parent
  （子 Agent 执行完毕后生命周期结束）

可继续 Subagent：
  Parent ──startContinuable()──► Child Session 创建，进入等待
  Parent ──sendMessage('第一批文件')──► Child 处理第一批 ──result──► Parent
  Parent ──sendMessage('第二批文件')──► Child 处理第二批 ──result──► Parent
  Parent ──sendMessage('汇总结果')───► Child 汇总 ──final result──► Parent
  （子 Agent Session 在整个过程中保持活跃，有完整的对话历史）

可继续 Subagent 的优势在于：子 Agent 的对话历史是连续的，它能记住前几轮处理了什么，在汇总阶段可以利用这些记忆。

通讯路径：谁能给谁发消息

多 Agent 场景下，一个自然的问题是：Agent 之间可以任意通讯吗？

答案是不能。dsh 对通讯路径有明确的约束：

通讯方向	是否允许	说明
父 → 子	✅ 允许	要求子 Agent 的 `parentSession` 指向父 Agent
子 → 父	✅ 允许	子 Agent 可以向父 Agent 发消息
兄弟之间	❌ 不允许	同父的两个子 Agent 不能互发消息
跨代（祖父 → 孙子）	❌ 不允许	隔代通讯被拒绝

       Parent
      /      \
  Child A   Child B
     |
   Grandchild

✅ Parent ──► Child A
✅ Child A ──► Parent
❌ Child A ──► Child B（兄弟不能通讯）
❌ Parent ──► Grandchild（跨代不行）

这个约束是有意为之的。允许任意通讯会让 Agent 网络变成一个难以追踪的消息图，调试时完全不知道消息从哪里来的。层级清晰，每个 Agent 的责任边界才清晰。

toolFilter 与 persona

工具过滤

给子 Agent 只分配它需要的工具，是多 Agent 系统里最重要的权限控制手段：

toolFilter: {
  allow: ['read_file', 'search_files', 'list_files'],
  
  
}

为什么要这样做？

原因不只是安全，更是任务专注度 。一个分析代码的子 Agent，如果工具列表里有 write_file，模型可能会"顺手"修改它觉得有问题的代码，这不是你期望的行为。给它只读工具，它就只能读。

Persona

persona: 'You are a specialized test writer. Focus only on writing unit tests for the given code. Do not modify existing source files, do not suggest refactoring.'

Persona 的意义在于：父 Agent 可以是一个通用助手，而它启动的子 Agent 可以是一个极度专注于单一任务的专家。每次创建子 Agent 都重新定义角色，不受全局配置的干扰。

结构化输出（outputSchema）

子 Agent 默认返回文本。但在自动化流水线里，父 Agent 需要的往往是可以直接处理的数据，而不是一段自然语言描述。

outputSchema 解决这个问题：

const result = await ctx.subagents.start({
  prompt: [{ type: 'text', text: '分析这段代码，找出所有 bug。' }],
  parent: currentAgent,
  signal,
  outputSchema: {
    type: 'object',
    properties: {
      bugs: {
        type: 'array',
        items: {
          type: 'object',
          properties: {
            file:        { type: 'string' },
            line:        { type: 'number' },
            severity:    { type: 'string', enum: ['critical', 'major', 'minor'] },
            description: { type: 'string' },
          },
        },
      },
    },
  },
})



console.log(result.structured.bugs)

这让多 Agent 系统的数据流变得干净：子 Agent 的分析结果直接成为父 Agent 下一步决策的输入，不需要再加一层文本解析。

六种 Subagent Provider

dsh 支持多种底层实现，满足不同的部署场景：

Provider	说明	适用场景
`spawn-in-process`	在同一进程内创建新 Agent 实例	本地开发、测试
`fork-in-process`	Fork 当前 Session，子 Agent 继承前缀历史	需要继承上下文的子任务
`dsh-sdk`	通过 dsh SDK 启动独立运行时	需要完全隔离的子 Agent
`acp`	通过 ACP 协议与远程 Agent 通讯	远程 Agent 集群
`codex`	调用 Codex Agent	代码专项任务
`claude-code`	调用 Claude Code	代码专项任务

大多数本地开发场景用 spawn-in-process 就够了。需要隔离（比如不同子 Agent 有不同的文件系统权限）时，考虑 dsh-sdk。

实验性功能：Agent Teams

Subagent 是层级模型——父子关系明确，通讯路径严格。但有些协作场景天然是"平等的"：多个专家 Agent 围绕同一个任务并行工作，谁的结果先出来谁先汇报。

Agent Teams 是 dsh 正在开发的多 Agent 协作框架，通过 ctx.agentTeams（实验性服务）访问：

roster（花名册） ：注册团队成员，每个成员有名字和角色
mailbox（邮箱） ：成员之间通过邮箱收发消息
task board（任务板） ：团队共享的任务列表，成员可以认领和提交任务
协调者模式 ：可以有一个协调者 Agent 分发任务、汇总结果

和 Subagent 的层级模型相比，Teams 更接近"团队协作"：没有严格的父子层级，成员之间可以平等通讯，任务可以动态分配。

Subagent 模型（层级）：        Agent Teams 模型（平等）：

     Orchestrator                   ┌──────────────────┐
    /     |      \                  │    task board     │
  子A    子B    子C                 └──────────────────┘
（严格父子关系，                  Agent A ◄──► Agent B
 单向委派）                         │              │
                                   └────► Agent C ◄┘
                                   （平等通讯，动态协作）

注意：Agent Teams 目前是实验性功能，API 可能在后续版本中变化。生产环境中使用前请确认版本稳定性。

实战：主 Agent 调用子 Agent

下面是一个完整的模式示例：主 Agent 定义一个工具，该工具内部启动子 Agent 完成专项分析任务。

const analyzeCodebaseTool = defineTool({
  name: 'analyze_codebase',
  description: '启动一个专门的子 Agent，对指定代码库目录做全面分析。',
  parameters: {
    directory:   { type: 'string', required: true, description: '要分析的目录路径' },
    focus:       { type: 'string', required: true, description: '分析重点（例如：命名规范、依赖关系）' },
  },

  async execute(args, exec) {
    
    const result = await ctx.subagents.start({
      prompt: [{
        type: 'text',
        text: `分析目录 ${args.directory}，重点关注：${args.focus}。按文件逐一检查，汇总问题清单。`,
      }],
      parent: exec.agent,   
      signal: exec.signal,  

      
      toolFilter: {
        allow: ['read_file', 'list_files', 'search_files'],
      },

      
      persona: 'You are a code review expert. Read code carefully, identify issues, and provide a structured summary. Do not modify any files.',

      
      outputSchema: {
        type: 'object',
        properties: {
          issues: {
            type: 'array',
            items: {
              type: 'object',
              properties: {
                file:        { type: 'string' },
                issue:       { type: 'string' },
                severity:    { type: 'string', enum: ['high', 'medium', 'low'] },
              },
            },
          },
          summary: { type: 'string' },
        },
      },
    })

    
    const { issues, summary } = result.structured
    return `分析完成。共发现 ${issues.length} 个问题。\n${summary}`
  },
})

这个模式的核心价值：父 Agent 不需要知道子 Agent 怎么分析代码，它只需要拿到结构化结果，继续做后续决策。

和其他框架的对比

框架	多 Agent 模型	与 dsh 的主要区别
Claude Code Agent tool	也是 spawn subagent	接口更简单，但没有 `toolFilter` / `persona` / `outputSchema`
LangGraph	图状工作流，固定拓扑	dsh Subagent 是动态的——由模型在运行时决定何时委派，而不是预先定义的图
AutoGen	对话式多 Agent，Agent 直接互发消息	dsh 是层级模型，有明确父子关系；兄弟 Agent 不能直接通讯

简单说：LangGraph 适合流程固定的场景，dsh Subagent 适合流程由模型动态决定的场景。

系列下一篇

下一篇讲 可观测性 ：Agent 在运行时做了什么，怎么知道？dsh 提供了哪些机制来追踪工具调用、Token 消耗、子 Agent 血缘树，以及如何在生产环境里接入日志系统。

在PrimeSkills 可以找到已在真实企业场景验证过的 AI Agent 技能和工作流，不是演示级的，是用在实际项目里的。

更多内容见我的个人主页

English / 原文