多智能体协同
单个 Agent 的窗口和注意力终究有限。多智能体不是“更多大脑”的堆砌，而是把任务在空间上并行、在上下文上隔离。
什么时候需要多智能体
先说清动机，因为多智能体的代价比单 Agent 大得多。三个真实的收益来源：
- 上下文隔离。子任务的探索过程（读几十个文件、试错多次）不需要污染主 Agent 的窗口，只需要把结论带回来。这是最被低估的收益——多智能体首先是上下文架构，其次才是并行架构。
- 并行加速。独立的子任务（互不依赖的搜索、多模块重构）并行执行，墙钟时间缩短。
- 视角专门化。不同子 Agent 用不同的系统提示、甚至不同的模型——一个挑剔的评审者比“自己审自己”有效得多。
代价同样明确。Anthropic 在多智能体研究系统的工程复盘里给出过量级估计：多智能体系统消耗的 token 约为普通对话的 15 倍；协调开销（任务描述、结果整合、意见冲突）会吃掉一部分并行收益；且单个子 Agent 的错误会被主 Agent 当作事实采信。
经验法则：单 Agent + 好的上下文管理能解决的事，不要上多智能体。
本章地图
- Subagents 与任务派生 —— 最基本的形态：主 Agent 派生一个一次性子 Agent 干活、只回收结论。
- 编排模式 —— 多个 Agent 的组织形状：Supervisor、Orchestrator-Worker、Swarm。
- 通信与协议 —— Agent 之间如何对话：消息、状态与 A2A。
- 上下文隔离与共享 —— 什么必须隔离、什么必须共享，以及共享状态的一致性。
这四节的递进：先会派一个子 Agent，再会组织一群 Agent，然后解决它们怎么说话、怎么共享工作成果。