Skip to content

agent_subagent_design.md

Latest commit

 

History

History
68 lines (50 loc) · 2.27 KB

agent_subagent_design.md

File metadata and controls

68 lines (50 loc) · 2.27 KB
Raw

智能体与子智能体设计方案

本文档描述了主智能体与子智能体的协作机制

架构设计

采用分层架构：主智能体（协调者）+ 子智能体（专业化执行者）

核心机制

任务委托机制

  • 关键规则：子智能体不是工具，必须通过 task() 工具调用
  • 调用方式：task(name="子智能体名称", task="任务描述")
  • 参数说明：
    • name: 子智能体名称
    • task: 任务描述

子智能体列表

子智能体 职责 工具集 特点
code-search-agent 代码搜索 vector_search_methods 语义搜索代码节点
call-relation-agent 调用关系分析 depth_first_traversal, breadth_first_traversal 分析调用链和依赖
call-chain-selector 调用链选择 无（仅 LLM 分析） 从多个调用链中选择最相关的
code-understanding-agent 代码理解 所有可用工具 综合理解代码逻辑和业务含义

工作流程

典型场景：用户询问"用户登录功能是如何实现的"

1. 主智能体接收用户问题
   ↓
2. 主智能体分析意图：需要理解登录功能的实现
   ↓
3. 主智能体使用 write_todos 规划任务
   ↓
4. 主智能体调用 task(name="code-search-agent", task="搜索用户登录相关的方法")
   ↓
5. code-search-agent 执行搜索，返回结果
   ↓
6. 主智能体调用 task(name="call-relation-agent", task="分析调用链")
   ↓
7. call-relation-agent 执行分析，返回调用链
   ↓
8. 主智能体调用 task(name="code-understanding-agent", task="理解实现逻辑")
   ↓
9. code-understanding-agent 综合理解，返回解释
   ↓
10. 主智能体整合所有结果，生成最终回答

设计优势

  1. 职责分离：主智能体协调，子智能体专业化执行
  2. 上下文隔离：子智能体独立执行，避免上下文污染
  3. 可扩展性：易于添加新的子智能体
  4. 专业化：每个子智能体有专门的提示词和工具集
  5. 灵活性：支持复杂任务的多步骤处理

相关文件

  • services/ai/agents/deep_agent.py - 智能体实现
  • services/ai/agents/deep_agent.py:_create_subagents() - 子智能体配置